Desenvolvimento de um sistema de visão para o controlo de...

Desenvolvimento de um sistema de visão

para o controlo de qualidade de injecção de

peças de automóvel

iii

“If the eye can do it,

so can the machine”

E.R.Davies

Resumo

iv

A presente dissertação expõe o trabalho desenvolvido na detecção de defeitos num

componente metálico utilizado na indústria automóvel. Pretendia-se que a detecção

fosse efectuada recorrendo a visão artificial, para tal efeito foi desenvolvido um sistema

laboratorial de aquisição, assim como os algoritmos necessários à inspecção de cada

defeito recorrendo a técnicas de processamento e análise de imagem.

A reflexão especular do componente metálico constitui um problema cuja solução

implicou a utilização de um sistema de iluminação uniforme. A cor do fundo é um

assunto relevante no sentido da obtenção do melhor contraste entre o componente e a

envolvente. A precisão requerida para um dos defeitos é da ordem da décima de

milímetro, pelo que foi necessário especificar a câmara de modo a obter a resolução

espacial adequada.

Para cada tipo de defeito foram desenvolvidos algoritmos específicos, sendo possível

parametrizar cada um deles. Os defeitos são: análise de um orifício, verificação da

presença de roscas nos pernos e existência de rebarbas. Foram efectuadas duas

abordagens na detecção do primeiro defeito, uma através do rectângulo envolvente e

uma segunda através da transformada de Hough. Experiências posteriores levaram à

combinação dos dois métodos no sentido de se obter uma solução mais precisa e

robusta. A detecção das roscas nos pernos baseia-se na análise do comportamento

periódico nos pernos ao longo de uma linha. O algoritmo de detecção da rebarba tem

como princípio básico a análise da variação da direcção ao longo do contorno externo

do componente. Para que esta abordagem seja possível o componente é dividido em

sectores, havendo um quadrante associado a cada um deles. Existe rebarba quando se

verifica movimento fora do quadrante previsto para o sector em questão.

O trabalho desenvolvido cumpriu os objectivos inicialmente propostos, isto é, cada

defeito é detectado correctamente. Os algoritmos possuem um elevado grau de

flexibilidade, sendo para tal possível ajustar diversos parâmetros associados a cada

algoritmo de detecção.

Palavras-chave: Inspecção Visual Automática, Máquinas de Visão, Visão por

Computador, Processamento de Imagem.

Abstract

v

This work describes the progresses made on the development of an automatic visual

inspection for automotive metal components. For this purpose, a laboratorial acquisition

system was implemented as well as the necessary algorithms for the inspection using

processing and image analysis techniques.

The specular reflection of the metal component constitutes a problem whose solution

involved the use of a uniform lighting system. The background color is a relevant issue

to obtain the best contrast between the object and environment. The precision required

for one of the defects is 0,1 millimeter, for this purpose it was necessary to specify a

camera to obtain the appropriate spatial resolution.

For each type of defect were developed specific algorithms, with the possibility of set

each one. The defects are: central hole closed or partially closed; absence of thread on

the bolts; burr on the weld connections. Two approaches were tried for the detection of

the first defect, one based on the bounding box and the other based on circular Hough

transform. After some experiences, the combination of the two methods was

implemented in order to achieve a more accurate and robust solution. The thread

detection on the bolts is based on the analysis of the periodic behavior in a line on the

bolt. The principle of the burr detection algorithm is based on the direction variation of

the extern contour of the component. To make this approach possible, the component

must be divided into sectors with a quadrant associated to each one. We´re in presence

of burr when is detected movement outside the predefined quadrant.

The development work fulfilled the objectives initially proposed. The algorithms have a

high degree of flexibility. It is possible to adjust some parameters associated to each

detection algorithm.

Keywords: Automatic Visual Inspection, Machine Vision, Computer Vision, Image

Processing.

Agradecimentos

vi

Gostaria de agradecer a todos que, de alguma forma, contribuíram para a realização

deste trabalho.

Desejava deixar aqui registado, um agradecimento ao professor Manuel João Ferreira

pela sua preciosa ajuda e um outro agradecimento à engenheira Teresa Martins da

empresa Enermeter, pela disponibilidade dos meios técnicos necessários à realização

deste trabalho.

Queria ainda agradecer, em especial, à Helena Marques e ao Nuno Pereira por toda a

sua disponibilidade na revisão desta tese.

vii

Aos meus pais, irmão e Helena

Índice

viii

Índice de Conteúdos

Capítulo 1 - Introdução

1. Enquadramento.......................................................................................................... 1

2. Objectivos.................................................................................................................. 2

2.1. Componente ....................................................................................................... 3

2.2. Defeitos no componente .................................................................................... 3

3. Estrutura da tese ........................................................................................................ 5

Capítulo 2 - Inspecção Visual Automática

1. Controlo de Qualidade .............................................................................................. 7

2. Inspecção ................................................................................................................... 9

3. Inspecção Visual Automática .................................................................................. 11

4. Máquinas de Visão .................................................................................................. 14

4.1. Iluminação ....................................................................................................... 16

4.2. Câmaras ........................................................................................................... 20

4.3. Processamento de Imagem ............................................................................... 22

4.3.1. Transformada de Hough ........................................................................... 23

5. Conclusão ................................................................................................................ 24

Capítulo 3 - Metodologias Aplicadas

1. Sistema laboratorial de aquisição ............................................................................ 27

1.1. Fundo ............................................................................................................... 28

1.2. Sistema de iluminação ..................................................................................... 28

1.3. Câmaras ........................................................................................................... 28

Índice

ix

2. Algoritmos ............................................................................................................... 29

2.1. Orifício ............................................................................................................. 29

2.1.1. Abordagem pelo rectângulo envolvente ................................................... 30

2.1.2. Abordagem pela transformada de Hough ................................................. 31

2.1.3. Validação do orifício (aberto, parcialmente fechado e fechado) .............. 31

2.2. Roscas .............................................................................................................. 32

2.3. Rebarba ............................................................................................................ 35

3. Conclusão ................................................................................................................ 39

Capítulo 4 - Análise e Discussão de Resultados

1. Sistema laboratorial de aquisição ............................................................................ 40

1.1. Fundo ............................................................................................................... 40

1.2. Sistema de iluminação ..................................................................................... 42

1.3. Câmaras ........................................................................................................... 44

2. Defeitos ................................................................................................................... 45

2.1. Orifício ............................................................................................................. 46

2.2. Roscas .............................................................................................................. 53

2.3. Rebarba ............................................................................................................ 55

3. Conclusão ................................................................................................................ 67

Capítulo 5 - Conclusões

1. Conclusões .............................................................................................................. 69

Bibliografia ..................................................................................................................... 72

Índice

x

Índice de Figuras

Figura 1 - Componente a inspeccionar. ............................................................................ 3

Figura 2 - Defeito no orifício. a) Componente sem defeito - orifício completamente

aberto; b) Componente com defeito - ausência de orifício; c) Componente com defeito -

orifício parcialmente fechado. .......................................................................................... 4

Figura 3 - Defeito nas roscas; a) Componente sem defeito - apresenta roscas nos dois

pernos; b) Componente com defeito - apresenta um perno sem rosca. ............................ 4

Figura 4 - Defeito rebarba. a) Vista superior do componente com rebarba; b) e c)

rebarba vista em detalhe. .................................................................................................. 5

Figura 5 - Modelo genérico das máquinas de visão. Modelo adaptado de [1] ............... 16

Figura 6 - Sistema laboratorial de aquisição .................................................................. 27

Figura 7 - Orifício que se pretende analisar. a) Vista em pormenor do orifício conforme.

b) Orifícios não conformes. ............................................................................................ 30

Figura 8 - Diagrama do algoritmo de detecção do defeito no orifício. a) Abordagem com

rectângulo envolvente. b) Análise dos pixéis no interior do orifício. c) Abordagem com

a transformada de Hough. ............................................................................................... 32

Figura 9 - Comportamento periódico da rosca ao longo de uma linha........................... 33

Figura 10 - Pernos a inspeccionar. a) Pernos sem defeito. b) Perno esquerdo sem rosca.

........................................................................................................................................ 33

Figura 11 - Diagrama do algoritmo de detecção do defeito das roscas. ......................... 34

Figura 12 - Defeito rebarba. a) Componente com rebarba; b) e c) rebarba vista em

detalhe. ............................................................................................................................ 35

Figura 13 - Sectores do componente. a) Componente. b) Divisão em sectores. ............ 36

Figura 14 - Exemplificação do algoritmo. a) Quadrantes, as setas verdes indicam as

direcções esperadas para o sector representado em b), as setas a vermelho indicam os

quadrantes em que irá ocorrer rebarba no sector. b) Sector 1, vista em pormenor no lado

direito. ............................................................................................................................. 37

Figura 15 - Diagrama do algoritmo de detecção de rebarba........................................... 38

Figura 16 - Fundo preto, fundo branco. .......................................................................... 41

Figura 17 - Fundo branco com faixa negra..................................................................... 41

Figura 18 - Fundo branco, orifício bem definido. .......................................................... 42

Índice

xi

Figura 19 - Resultados obtidos com a lâmpada fluorescente circular. ........................... 43

Figura 20 - Resultados obtidos com as lâmpadas fluorescentes compactas. .................. 43

Figura 21 - Parametrização do software para o defeito no orifício. a) Através da

abordagem pelo rectângulo envolvente. b) Através da transformada de Hough. ........... 46

Figura 22 - Resultados obtidos na detecção do defeito no orifício. a), b), c) Abordagem

pelo rectângulo envolvente. d), e) e f) Abordagem através da transformada de Hough. a)

e d) Componente conforme. b), c), e) e f) Componente não conforme. ......................... 47

Figura 23 - Detecção do orifício com deslocamento. ..................................................... 48

Figura 24 - Influência do parâmetro "percentagem min. pixéis" na presença de

deslocamento. a) Parâmetro superior a 94,2%. b) Parâmetro inferior a 94,2%. ............. 48

Figura 25 - Falsa detecção de círculo. ............................................................................ 49

Figura 26 - Diagrama do algoritmo aplicado na detecção do defeito no orifício. .......... 50

Figura 27 - Parametrização do software para o defeito no orifício através da abordagem

final. ................................................................................................................................ 51

Figura 28 - Resultados obtidos na detecção do defeito no orifício conjugando as duas

abordagens. ..................................................................................................................... 51

Figura 29 – Comportamento periódico da rosca ao longo de uma linha. ....................... 53

Figura 31 - Resultados obtidos na detecção do defeito nos pernos. ............................... 54

Figura 30 - Parametrização do software para o defeito na rosca. ................................... 54

Figura 32 - Detecção do início da rebarba. a) Sector 1 (de acordo com o original). b)

Detecção do início da rebarba. c) Contorno do sector e identificação do início da

rebarba. ........................................................................................................................... 55

Figura 33 - Resultado do alinhamento com a horizontal. a) Imagem original. b)

Componente alinhado com a horizontal. ........................................................................ 56

Figura 34 - Parametrização do software para o defeito na rebarba. ............................... 57

Figura 35 - Resultados obtidos na detecção da rebarba no componente A. a) Imagem

binarizada. b) Detecção da rebarba................................................................................. 58

Figura 36 - Resultados obtidos na detecção da rebarba no componente B. a) Imagem


Figura 37 - Resultados obtidos na detecção da rebarba no componente C. a) Imagem


Figura 38 - Resultados obtidos na detecção da rebarba no componente A com um nível

limiar de binarização inadequado. a) Imagem binarizada com um nível inadequado. b)

Imagem binarizada com o nível adequado. c) Detecção da rebarba com um nível limiar

Índice

xii

de binarização inadequado. d) Detecção da rebarba com um nível limiar de binarização

adequado. ........................................................................................................................ 61

Figura 39 - Detecção da rebarba com os critérios de acordo com a Tabela 3. ............... 62

Figura 40 - Detecção da rebarba no componente A, com os critérios extremos. ........... 63

Figura 41- Detecção da rebarba para o componente A com critérios alargados, de acordo

com a Tabela 3. ............................................................................................................... 64

Figura 42 - Detecção da rebarba para o componente B com critérios alargados, de

acordo com a Tabela 4. ................................................................................................... 64

Figura 43 Detecção da rebarba para o componente C com critérios alargados, de acordo

com a Tabela 4. ............................................................................................................... 64

Figura 44 - Influência do alinhamento horizontal. a) Componente alinhado com a

horizontal. b) Componente com um desvio em relação à horizontal. ............................ 65

Figura 45 - Alinhamento do componente com a horizontal. a) Componente desalinhado.

b) Falha no alinhamento. c) Alinhamento correcto. ....................................................... 66

Índice

xiii

Índice de tabelas

Tabela 1 - Tempo de processamento para a inspecção do orifício ................................. 52

Tabela 2 - Memória alocada para as diversas abordagens na detecção do defeito no

orifício ............................................................................................................................ 53

Tabela 3 - Parâmetros utilizados na detecção da rebarba ............................................... 62

Tabela 4 - Parâmetros utilizados na detecção da rebarba ............................................... 65

Índice

xiv

Índice de equações

Equação 1 - Resolução mínima necessária ..................................................................... 29

Equação 2 - Cálculo dos pixéis por milímetro utilizando a câmara Oscar F810C e

considerando que o componente surge alinhado com a horizontal. ............................... 44


considerando que o componente pode surgir rodado até 45º em relação à horizontal. .. 45


considerando que o componente não ultrapassa uma margem de 10 milímetros quer na

horizontal, quer na vertical. ............................................................................................ 45

Capítulo

1 Introdução

1

Neste capítulo é apresentado o enquadramento do sistema proposto para a elaboração da

presente dissertação, os seus objectivos e a sua estrutura.

1. Enquadramento

O controlo de qualidade assume nos dias de hoje um importante papel na cadeia de

produção de bens e produtos. Mercados cada vez mais exigentes, uma concorrência

feroz e a necessidade de reduzir os custos associados a produtos defeituosos, levam a

que as empresas invistam em sistemas de inspecção mais eficazes, capazes de detectar a

mínima falha durante o ciclo de produção [1].

Produtos defeituosos acarretam prejuízos elevados, quer ao nível material quer ao nível

de imagem, não só à empresa responsável pela sua produção mas também a todos os

agentes envolvidos no processo de distribuição e comercialização [2]. Neste sentido a

inspecção surge como uma medida preventiva [3]. A inspecção pode ser efectuada na

fase final de produção ou durante as diversas fases de fabrico. A última situação

apresenta a grande vantagem de, caso se verifique um defeito numa determinada etapa,

permitir interromper as seguintes fases, resultando assim numa menor perda, a nível

económico, comparativamente à inspecção realizada apenas no final. A implementação

de uma inspecção contínua é tecnicamente mais complexa e financeiramente mais

dispendiosa. A opção por uma inspecção ao longo do processo produtivo ou apenas no

final está subordinada aos objectivos da empresa, aos próprios materiais constituintes do

produto, bem como ao seu processamento.

Actualmente muitos dos processos de inspecção são efectuados recorrendo a mão-de-

obra especializada [4], o que conduz frequentemente a resultados deficitários. O

operador humano tem a capacidade de distinguir facilmente objectos, assim como

adaptar-se rapidamente a mudanças no próprio objecto ou no espaço envolvente e tomar

medidas em conformidade, no entanto, o problema da inspecção manual reside no facto

do operador ser propenso a distracções e a falta de concentração ao fim de algum tempo.

Além destes factores, o operador possui uma velocidade de inspecção limitada [5],

Capítulo 1 Introdução

2

desempenha as suas funções num período restrito de horas, está sujeito a acidentes e em

algumas situações a entrar em contacto com matérias perigosas, envolvendo assim um

risco acrescido [6].

A visão artificial constitui, actualmente, uma resposta eficaz às limitações próprias da

inspecção humana [7]. Apesar da visão artificial ainda não substituir a inspecção

humana em todas as aplicações, nos casos em que tal sucede os resultados são muito

superiores, principalmente no factor da repetividade. Situações existem também em que

a inspecção manual é impraticável [8].

Ao recorrer-se a sistemas automáticos de inspecção obtém-se ainda a vantagem de uma

inspecção à totalidade dos produtos, e se poder alocar os recursos humanos

anteriormente despendidos nesta tarefa para outras funções mais proveitosas à

organização.

À semelhança da inspecção por visão humana, a inspecção por visão artificial, não é

destrutiva, uma vez que não existe contacto entre o sistema de visão e o objecto a

inspeccionar, não havendo deste modo desgastes nos materiais físicos envolventes.

O crescente desenvolvimento tecnológico [9], quer ao nível computacional, quer ao

nível de câmaras ou mesmo da iluminação, e a redução dos custos destes produtos

tecnológicos e a maior consciencialização para a utilização desta tecnologia [10], levam

a que o cluster da visão artificial assuma cada vez mais um papel importante não só ao

nível da indústria mas também na área dos serviços da saúde. Este cluster tecnológico

tem tido boas taxas de crescimento [11], de acordo com a EMVA (European Machine

Vision Association). A fonte citada aponta ainda que o sector automóvel, tal como em

anos anteriores, mantém a maior fatia a nível de mercado da visão artificial.

2. Objectivos

O trabalho desenvolvido nesta dissertação tem como finalidade a inspecção de um

componente metálico (Figura 1) utilizado na indústria automóvel. Este componente

constituído por uma liga metálica, é obtido por um processo de injecção. O objecto em

causa apresenta três tipos de defeitos, associados ao processo de fabrico, mais

concretamente a nível da injecção da peça, os quais serão descritos na subsecção 2.2.

A inspecção do referido componente é efectuada recorrendo a técnicas de visão por

computador, sendo que para tal foram desenvolvidos diversos algoritmos com vista à


3

detecção de cada uma das eventuais falhas. Os algoritmos foram efectuados com o

auxílio da biblioteca de processamento de imagem OpenCV [12] e implementados na

linguagem de programação Microsoft™ visual C++ 6.

Os métodos aplicados e os resultados obtidos, bem como todas as considerações

efectuadas sobre os mesmos, serão alvo de uma reflexão nos capítulos posteriores.

2.1. Componente

O componente a inspeccionar é, como já foi dito anteriormente, constituído por uma

liga metálica. Possui um orifício na parte superior e dois pernos com rosca na parte

inferior. Apresenta ainda uma dimensão de aproximadamente 80mm de comprimento

por 60mm de largura.

Na Figura 1 apresenta-se o componente em duas posições diferentes, permitindo-se

assim uma integral percepção do mesmo.

2.2. Defeitos no componente

Durante o processo produtivo podem ocorrer três tipos de defeitos distintos: orifício

fechado ou parcialmente fechado (Figura 2), ausência de rosca num ou nos dois pernos

(Figura 3), e por último, rebarbas (Figura 4). Entenda-se por rebarba excessos de

material que ficam em torno da peça injectada, apresentando dimensões e formas

irregulares e variando consideravelmente entre peças não sendo possível prever a sua

localização [13].

O primeiro defeito apresenta-se na Figura 2, onde se pode observar a parte superior do

componente com especial enfoque no orifício. A seta a verde indica que o componente

não possui defeito, pois o orifício não se encontra fechado. As setas a vermelho indicam

que o componente apresenta defeito: ausência de orifício e orifício parcialmente

fechado, para o componente do centro e para o componente da direita respectivamente.

Figura 1 - Componente a inspeccionar.


4

O segundo defeito está representado na Figura 3. Pode observar-se a parte lateral do

componente com especial enfoque nos pernos. Tal como para o defeito anterior, a seta a

verde indica o componente sem defeito no perno, e as setas a vermelho indicam o

componente com defeito. O componente da esquerda possui rosca nos dois pernos, não

apresentando defeito, já o mesmo não se passa com componente da direita, pois este não

possui rosca no perno da esquerda.

Por último, para a rebarba, pode observar-se na Figura 4 a parte superior do componente

(a), e em (b) e (c) uma vista mais detalhada da rebarba. Como se pode constatar, esta

sobressai, sobretudo em (b).

A detecção das rebarbas deve ter uma precisão da ordem da décima de milímetro, o que

atendendo às dimensões do componente (aproximadamente 80mm X 60mm) conduz

num contexto industrial, uma resolução relativamente elevada.

a) b)

b) a) c)

Figura 2 - Defeito no orifício. a) Componente sem defeito - orifício completamente aberto;

b) Componente com defeito - ausência de orifício; c) Componente com defeito - orifício

parcialmente fechado.

Figura 3 - Defeito nas roscas; a) Componente sem defeito - apresenta roscas nos dois pernos; b)

Componente com defeito - apresenta um perno sem rosca.


5

3. Estrutura da tese

Com o intuito de uma estruturação clara, simples e lógica, optou-se por uma divisão em

cinco capítulos. A saber: introdução, inspecção visual automática, metodologias

aplicadas, análise e discussão de resultados e conclusões.

O primeiro capítulo consiste numa introdução a toda a temática relacionada com o

objecto da dissertação começando por um enquadramento da área. São apresentados os

objectivos, recorrendo à descrição quer do componente a inspeccionar, quer dos

próprios defeitos.

O segundo capítulo é de cariz marcadamente mais teórico, e visa aprofundar, de certa

forma, alguns dos conteúdos introduzidos no enquadramento. O capítulo segue uma

ordem lógica, tendo como escopo posicionar o leitor na presente temática – a inspecção

visual automática. Neste sentido, começa por abordar a questão do controlo de

qualidade. Como meio de assegurar o referido controlo é introduzida a inspecção. Após

uma introdução à inspecção, é retratada a inspecção visual automática, sendo este o

tema basilar do presente trabalho. Por último, é introduzido o modelo genérico das

máquinas de visão, a iluminação, câmaras e processamento de imagem.

O terceiro capítulo aborda os métodos aplicados ao longo do trabalho. Inicia-se com a

apresentação do sistema laboratorial de aquisição, deliberadamente criado para os

a)

b)

c)

Figura 4 - Defeito rebarba. a) Vista superior do componente com rebarba; b) e c) rebarba vista

em detalhe.


6

objectivos a prosseguir. Nesta apresentação inclui-se uma abordagem ao sensor de

imagem utilizado e à sua resolução mínima necessária, assim com à iluminação e à cor

do fundo. Posteriormente, são apresentados os algoritmos para cada tipo de defeito

recorrendo à representação em diagrama a fim de evidenciar melhor o próprio

funcionamento dos mesmos, sendo ainda efectuada uma explicação do seu

funcionamento.

O capítulo seguinte evidencia todos os resultados obtidos com os métodos descritos

anteriormente. Aqui são analisados os tipos de iluminação, as câmaras utilizadas e a cor

do fundo. Os resultados obtidos com os algoritmos descritos são alvo de uma profunda

reflexão.

O último capítulo apresenta as conclusões extraídas de todo o estudo desenvolvido ao

longo da presente tese.

Capítulo

2 Inspecção Visual Automática

7

Este capítulo aborda a inspecção visual automática, desde o controlo da qualidade,

passando (de um modo genérico) pela inspecção, até às máquinas de visão. A

iluminação, câmaras e o processamento de imagem são assuntos também aqui tratados.

Ao longo do capítulo serão ainda apresentados alguns exemplos de soluções aplicadas,

quer ao nível da inspecção visual automática no geral, quer ao nível da inspecção em

componentes para automóvel. Embora se aborde a detecção de rebarbas, convém notar

que as fontes encontradas sobre o mesmo tema são escassas. A opção por uma

exposição inicial atinente à temática do controlo de qualidade, prende-se com o facto do

objectivo primário da dissertação ser a “garantia da qualidade”, neste caso, a qualidade

do componente em questão.

1. Controlo de Qualidade

Existe mais do que uma definição para o termo qualidade. De acordo com [3], qualidade

pode ser definida como “different things to different people”, dependendo da percepção

do valor do produto em consideração e das suas expectativas na performance e

durabilidade do mesmo. Um outro autor [14] define-a como níveis diferentes de

expectativas para diferentes grupos de consumidores. Já a American Society for Quality

Control (ASQC), referenciada em [3], define-a como uma aproximação sistemática à

procura da excelência, sendo sinónimo de produtividade, redução de custos, satisfação

do cliente, trabalho em equipa, vendas e lucros. A qualidade pode também ser definida

como [3]: o grau de excelência que um produto possui, o melhor que o dinheiro pode

comprar e o cumprimento das especificações. O mesmo autor considera ainda que esta

pode também ser vista como a combinação das características ou propriedades de um

produto que o tornam utilizável.

A qualidade é um dos factores mais importantes para o sucesso e crescimento de um

negócio [15]. Os benefícios que uma empresa obtém com o controlo de qualidade (QC)

são incontestáveis. K. Ishikawa [16] descreve como benefícios resultantes deste

Capítulo 2 Inspecção Visual Automática

8

controlo: a diminuição do número de produtos defeituosos, a redução do número de não

conformidades, o aumento da fiabilidade, a melhoria da confiança no produto (e a

consequente obtenção da confiança dos clientes), decréscimo dos custos inerentes à não

qualidade, aumento da produtividade, valorização do produto final (e a possibilidade de

o poder vender a um preço superior). Este autor refere ainda como vantagens:

crescimento do volume de produção, tornando possível a preparação de planos de

produção mais racionais; melhoramento do custo unitário do produto, diminuição do

reprocessamento, aumento da eficiência. Para o mesmo autor o controlo de qualidade só

é bem sucedido quando a administração da organização se sente responsável pela

qualidade dos seus produtos e toma como política a qualidade [16].

Para produzir com qualidade, a organização terá de estar ciente dos requisitos do

mercado, assim como das expectativas dos clientes em torno do produto. A empresa

deverá conhecer as características técnicas do produto e as suas funcionalidades,

estando consciente da sua aplicação final e durabilidade. Deve ser ainda tido em

consideração: o preço a que o produto pode ser vendido (atendendo às quantidades

solicitadas), o prazo de entrega, a capacidade de resposta da organização, a necessidade

de inspecção, recursos técnicos e humanos. Os resultados obtidos com a inspecção

deverão ser objecto de análise e utilizados como uma mais-valia para futuras

implementações, visando a melhoria contínua [17].

Embora possa parecer redundante, para assegurar a qualidade é necessário a

implementação de um controlo de qualidade. O controlo de qualidade é definido pelo

autor [18] como o processo de medir a qualidade, comparando os valores obtidos com

os requisitos especificados e actuando, se possível, na diferença. O mesmo autor

surpreende a existência de quatro passos no controlo, os quais se regem por: estabelecer

planos de melhoria, definir os standards, avaliar a conformidade e actuar quando

necessário. O autor [14] define-o como um sistema usado para manter um nível

desejado de qualidade num produto ou serviço.

Durante algum tempo, o controlo de qualidade consistiu em atribuir a responsabilidade

à última pessoa na linha de produção, de verificar se o produto estava de acordo com as

especificações [18]. Hodiernamente, as práticas de controlo de qualidade começam no

design do produto/processo e continuam durante a fase de manufacturação. À soma de

todos estes esforços é dado o nome de controlo de qualidade total (TQC). O mesmo

autor refere ainda que a qualidade total pressupõe a existência de oito ciclos de

produção para qualidade total, sendo estes: marketing; engenharia de projecto; aquisição


9

de matéria-prima; engenharia de manufactura (planeamento); produção; inspecção e

teste; embalamento; instalação, manutenção e serviço. Daqui resulta que o controlo total

de qualidade envolve toda a organização, desde a concepção do produto até à sua

aplicação pelo cliente final.

2. Inspecção

O propósito da inspecção é assegurar a qualidade. Pode-se definir inspecção como a

apreciação de um artigo ou produto, isto é, se este apresenta ou não defeito de acordo

com um determinado critério de qualidade. Poder-se-á dizer que o propósito da

inspecção é eliminar a necessidade da inspecção [19].

A introdução da inspecção ao longo dos vários estágios da manufactura do produto,

apesar de constituir um custo adicional, espera-se que seja rentável [2]. Os custos

associados a esta estratégia poderão ser recuperados através de uma detecção mais

atempada dos produtos defeituosos e uma subsequente actuação na fonte. Quando numa

determinada fase é detectada a não conformidade, o produto não continua a ser

processado nas etapas posteriores, não se acrescentando, assim, valor ao produto não

conforme. Esta estratégia permite diagnosticar, de forma directa, a origem do problema

[2].

Uma estratégia de inspecção apenas no final do ciclo de manufactura, apresenta custos

de inspecção mais reduzidos. No entanto, o custo de um produto terminado não

conforme é mais elevado. No caso de uma falha no processo, o produto continua a ser

transformado nas etapas seguintes, resultando em perdas de material, tempo, energia e

trabalho [4]. Esta estratégia é limitada, pois não permite diagnosticar as causas de

imediato [2].

A estratégia de inspecção deverá ser delineada de acordo com as necessidades da

organização e em compromisso com os seus objectivos [2]. No entanto, e de um modo

geral, a inspecção deve ser realizada o mais cedo possível a fim de poupar tempo e

dinheiro [3].

A inspecção pode ser classificada [16] de acordo com: o número de itens a inspeccionar

(inspecção a 100% ou inspecção por amostra), as etapas do processo de manufactura,

detalhes da inspecção (desempenho, comportamento ao longo de um período), método


10

de inspecção - se é destrutiva ou não destrutiva, sendo que neste último caso não viável

a inspecção a 100%.

É geralmente difícil através da inspecção por amostragem garantir uma percentagem

inferior a 1% de produtos defeituosos num lote e, particularmente difícil garantir menos

de 0,1% de defeitos por este método [16].

Para garantir um produto isento de defeitos é necessária uma inspecção a 100%. O

técnico de inspecção é muito propenso a erros [16], o que pode levar a uma má

avaliação da conformidade.

A forma de assegurar uma inspecção “zero defeitos”, recorrendo a meios humanos,

implica, de acordo com K. Ishikawa, repetir meticulosamente o processo sete a oito

vezes, tornando-a assim extremamente dispendiosa [16].

A inspecção manual nem sempre é exequível, sobretudo quando os níveis de qualidade

são extremamente elevados e/ou a inspecção por amostra não é aplicável [5]. Volumes

elevados de produção e tolerâncias apertadas, são factores que podem inviabilizar a

opção por uma inspecção manual [5]. Inconsistências na avaliação do produto a

inspeccionar, cansaço, aborrecimento [20], inacessibilidade, ambientes austeros, entre

outras causas, levam, além dos motivos económicos presentes para cada caso, a optar

por sistemas automáticos de inspecção, desde que estes apresentem mais-valias

significativas.

Além dos factores anteriormente citados, a exactidão e a eficiência do inspector, de

acordo com [10] é de apenas 70% e para a indústria de semicondutores situa-se entre os

60-80% [21]. De facto, esta é uma área onde desde cedo se procuraram soluções

alternativas à inspecção manual. Importa dizer que os métodos aplicados para obter as

referidas taxas não estão discriminados em nenhuma das fontes.

Algumas pesquisas [22] indicam que a inspecção por lotes, efectuada por inspectores,

tende a ser mais exacta que a inspecção a 100%, devido, provavelmente, à

inconsistência e ao cansaço.

A inspecção manual, ao contrário da inspecção automática, não está condicionada à

existência de programas. Neste caso, o inspector para desempenhar a sua tarefa tem de

ter apenas presente alguns conhecimentos das características do produto.

A inspecção pode ser efectuada com base nos diferentes sentidos: visão, olfacto,

audição, tacto e paladar. Na presente tese o sentido abordado é a visão, não sendo os

outros sentidos pertinentes para a mesma.


11

Os consumidores frequentemente relacionam a qualidade da aparência com a qualidade

funcional. Daí que para garantir o sucesso de um produto é desejado que a aparência

seja visualmente verificada [7]. Impurezas não desejadas, corpos estranhos, são de um

modo geral mais fáceis de detectar visualmente. A sua presença tem, geralmente, uma

consequência mais séria que os defeitos na produção [23], pois podem apresentar perigo

para o consumidor e arruinar a confiança no produto. Cascas, ossos, insectos nos

vegetais, resíduos resultantes do desgaste dos equipamentos produtivos, pedaços do

empacotamento (vidro, plástico), cabelos ou unhas, são alguns exemplos de

contaminação [23].

A inspecção visual pode ser definida como o processo de determinar se um produto se

desvia de um conjunto de especificações, recorrendo ao sentido da visão [22]. Esta

normalmente envolve a avaliação específica de determinadas características no objecto,

tais como: dimensões geométricas, superfície, integridade de montagem.

Uma justificação válida para a utilização da visão na inspecção é o facto de constituir,

de longe, o sentido mais versátil e capaz de captar um grande manancial de informação.

As virtualidades da visão aliadas à necessidade de obter um feedback, garantem a

informação atinente aos erros surgidos no processo, permitindo identificar a causa e

implementar acções correctivas que visem a manutenção da qualidade e da

produtividade [7].

A inspecção visual tem a vantagem de não necessitar de contacto físico, evitando assim,

a paragem da linha de produção. Esta característica é sobretudo importante quando se

trata da inspecção de produtos “sensíveis” na sua manipulação.

3. Inspecção Visual Automática

A justificação para a utilização de sistemas de visão automática pode ser resumida a:

fiabilidade, versatilidade, velocidade, integração nos processos de manufactura e

poupança de custos [24].

Dependendo da tecnologia utilizada, é esperado que um sistema de visão artificial

consiga uma inspecção substancialmente mais eficiente, sendo teoricamente possível

operar durante 24 horas por dia, 7 dias por semana [10].

Além das vantagens anteriormente citadas, a inspecção visual automática tem também

como vantagem a possibilidade de operar em ambientes: de difícil acesso, intoleráveis,

perigosos e desconfortáveis ao homem. Ambientes com: radiação nuclear, níveis


12

sonoros elevados, temperaturas desagradáveis, riscos de explosão, locais perigosos (por

ex. cortador a laser, este apresenta um risco acrescido ao operador), contaminações por

via aérea (pó, vapores tóxicos), presença de produtos químicos e riscos biológicos,

constituem motivos ponderosos para a utilização de sistemas automáticos, sendo estes

por vezes mesmo a única opção [10]. Os sistemas de visão possuem, ainda, a vantagem

de não introduzirem contaminantes na operação, ao contrário dos humanos que podem

transportar resíduos de pó ou gorduras nas mãos ou na roupa [25].

A visão artificial pode também ser útil na detecção de mudanças graduais, em processos

contínuos, que aparecem ao longo de grandes períodos de tempo, em relação aos quais a

inspecção manual tende a falhar [10]. A possibilidade de falha da visão humana é

amplamente demonstrada pela existência de ilusões visuais, ambiguidades e

inconsistências [26]. Apesar dos sistemas automáticos de inspecção apresentarem

diversas vantagens, não são isentos de falhas.

Por norma, um sistema é projectado e optimizado para uma tarefa específica num

ambiente condicionado. Contudo, se os requisitos da aplicação se modificarem, o

sistema terá que ser adaptado, podendo revelar-se difícil e dispendioso.

Por vezes não é possível atingir os melhores resultados apenas com uma inspecção

manual ou com uma inspecção visual automática [10]. Nestes casos é preferível recorrer

a um inspector que opera em simbiose com o sistema artificial de visão. Sylla apresenta

uma pesquisa sobre uma investigação experimental na inspecção de um componente

metálico. Devido ao facto de, separadamente, nem os inspectores humanos nem a

máquina de visão conseguirem atingir uma boa performance, detectando todas as falhas,

a pesquisa do referido autor é orientada no sentido de combinar os dois tipos de

inspecção, no intuito de se atingir um melhor desempenho, estendido a todas as falhas

[5].

A inspecção automática é objecto das mais diversas aplicações, especializando-se em

função de cada uma delas, não havendo nenhum sistema automático de inspecção

(genérico) que se adapte facilmente a uma grande variedade de produtos [22].

Em suma, a inspecção automática é a solução para uma inspecção fiável, capaz de

garantir uma inspecção a 100% [27], sobretudo para volumes elevados de produção.

Além disso, a inspecção automática reúne as características adequadas à integração no

processo de manufactura. É assim possível obter o retorno de forma a facilitar o

controlo da produção [7].


13

Apesar de todas as vantagens enunciadas para a inspecção visual automática, de acordo

com [4] a inspecção na indústria é ainda tradicionalmente manual, sobretudo para

objectos mais complexos e peças metálicas, à excepção das placas de circuito impresso

[28].

No que concerne à inspecção de rebarbas de acordo com [29], esta é também

maioritariamente manual, baseando-se na visão e no toque. O autor em [13] reporta um

sistema de visão automática para a detecção de rebarbas em peças metálicas. A detecção

das rebarbas baseia-se nas variações que ocorrem em pequenos segmentos nos limites

da peça; grandes variações significam ocorrência de rebarba. No artigo [30] são

apresentadas três abordagens para a detecção de rebarbas em painéis para a indústria

automóvel: uma por contacto através de pontas e duas através da visão (CCD e Position

Sensitive Device).

A indústria automóvel, farmacêutica, de defesa e aeroespacial são exemplos nos quais a

segurança na manufactura é crítica.

Na indústria automóvel a utilização de métodos automatizados para construção de peças

é regra. Por exemplo a montagem de travões [31], cujas falhas comuns (ausência de

componentes, componentes mal orientados e contaminação com óleo) caso passem

despercebidas, podem colocar vidas em risco. Este é um caso em que a eliminação de

uma inspecção por operador humano durante o processo de fabrico deverá ser

compensada por uma inspecção precisa [1].

Em [32] é relatada a implementação de um sistema de inspecção a sensores para

airbags, numa indústria de componentes automóveis. A aplicação do sistema evita que

os sensores com defeito sejam montados e mais tarde rejeitados nos testes de

aceleração. Os resultados obtidos mostram que 99,8% das peças com defeito são

detectadas e uma taxa inferior a 1% diz respeito a falsos alarmes. Segundo o autor a

iluminação mostrou ser uma tarefa difícil devido ao facto de uma parte do componente

ser metálica. A escolha da iluminação recaiu sobre uma lâmpada de halogéneo de 150

watt num esquema de iluminação estruturada.

Os produtos farmacêuticos, por seu turno, podem ser potencialmente letais (aquando

uma utilização indevida), pelo que é especialmente necessário verificar se na

embalagem estão indicados de forma correcta e legível a identificação do produto, o

código do lote e validade [1]. Produtos com embalagem em vidro, como o leite

engarrafado, por exemplo, são processados em ambientes hostis ao trabalho humano

devido às temperaturas altas e níveis de ruído consideráveis. As fissuras e fragmentos


14

de vidro são defeitos comuns, cuja premente eliminação não se compadece com as

debilidades próprias do olho humano [1]. Além das condições adversas, o elevado

volume de produção impossibilita uma inspecção detalhada realizada por operadores

humanos. Máquinas de visão utilizando técnicas de iluminação controlada podem

desempenhar tal tarefa de inspecção de forma mais profícua [1].

4. Máquinas de Visão

O actual crescimento das máquinas de visão na manufactura deve-se a diversos factores

[10]: redução do preço dos recursos computacionais, consciencialização para a

aplicação de máquinas de visão como um componente integral de um desenvolvimento

a longo prazo de um processo de automação. Todos estes factores, aliados às

responsabilidades legais envolvidas na produção e venda de produtos não conformes,

mostram a importância da utilização de máquinas de visão na inspecção.

A maioria das aplicações de máquinas de visão está relacionada com pelo menos um

dos quatro tipos de inspecção [6]: inspecção dimensional, inspecção da qualidade da

superfície, inspecção da montagem correcta (qualidade estrutural) e inspecção da

exactidão da operação ou operação correcta (qualidade operacional).

A inspecção dimensional engloba: dimensões, forma, orientação, alinhamento,

circularidade e cantos. A inspecção estrutural da montagem abrange: montagem

(presença de: orifícios, fendas, rebites, parafusos, grampos) e objectos estranhos (pó,

rebarbas). Por sua vez, a inspecção da superfície abrange: covas, riscos, quebras,

desgaste, rugosidade, textura, costuras, dobras e continuidades. E, por último, a

inspecção operacional engloba: incompatibilidade da operação para as especificações e

standard. Os três primeiros tipos de inspecção são também referidos em [33]. Apesar

das diferenças nas quatro categorias de inspecção, todas elas são reduzidas à acção de

confirmação da satisfação dos critérios de qualidade e cumprimento das especificações

do cliente, o que na maior parte dos casos se resume a uma decisão binária – conforme

ou não conforme [6].

O modelo genérico das máquinas de visão pode ser decomposto em sete blocos distintos

[1], representado na Figura 5. O modelo é composto por: condicionamento do ambiente,

aquisição da imagem, pré-processamento, segmentação, extracção das características,

classificação e/ou interpretação e por fim a actuação.


15

O primeiro bloco representa o ambiente industrial, no qual a tarefa de manufactura se

desenrola. O ambiente é condicionado com o intento de se reduzir a complexidade em

todos os níveis subsequentes. Uma condicionante típica nestes casos é a iluminação

controlada.

O segundo bloco é composto pelo sensor de imagem, e tem como finalidade a

transformação da informação óptica em informação digital, podendo esta ser

posteriormente tratada por um computador.

O bloco seguinte (pré-processamento) tem como propósito o melhoramento da imagem

adquirida no bloco anterior. São exemplos de pré-processamento: filtragem de ruído,

correcção de cor, rotação, correcção da distorção do sensor.

O quarto bloco (segmentação) é o estágio inicial no processo de reconhecimento. Aqui a

imagem é dividida em regiões, separando-se os objectos e o fundo. A segmentação é por

vezes utilizada como um processo de detecção de defeitos, revelando algumas

anomalias na superfície dos objectos. Existem duas abordagens diferentes na

segmentação, a primeira baseia-se na binarização e a segunda nos gradientes.

O quinto bloco é o processo de aquisição da informação necessária para a interpretação.

O descritor do objecto deve conter a informação relevante da forma e tamanho do

objecto contido na imagem. Este deve ainda ser invariante da posição e da orientação.

São exemplos de descritores geralmente utilizados: o perímetro, a área, o rectângulo

mínimo envolvente, o centro da área, a informação sobre buracos (número, diâmetro,

posição), a circularidade (perímetro2/área).

O sexto bloco diz respeito ao processo de reconhecimento de padrões. Este processo

utiliza as características ou descritores extraídos da imagem na fase anterior. A

eficiência da classificação depende não só dos algoritmos aplicados, mas também da

qualidade das imagens adquiridas [6].

O último bloco encerra o ciclo permitindo a interacção no ambiente, e é aqui que

finalmente é tomada uma acção específica de acordo com a avaliação efectuada no

bloco anterior.


16

Figura 5 - Modelo genérico das máquinas de visão. Modelo adaptado de [1]

É desejável que uma máquina de visão possua como características: flexibilidade,

eficiência, exactidão, velocidade adequada ao processo de manufactura, relação custo/

eficiência acessível e robustez [6]. A exactidão pode ser mantida através de um sistema

de calibração capaz de eliminar os problemas de desvio [34]. A fiabilidade e a

durabilidade podem ser asseguradas: evitando a acumulação de sujidade nas lentes da

câmara (através de um sopro de ar ou através da definição de limpezas periódicas no

plano de manutenção), controlando a temperatura ambiente e considerando outros

potenciais riscos [34]. A fiabilidade e a relação custo eficiência podem ser melhoradas

através de uma monitorização regular das falhas e taxas de rejeição [34].

A escolha do sistema de iluminação e do sensor de imagem são factores extremamente

importantes para o sucesso de uma máquina de visão. Um bom sistema de iluminação

pode poupar processamento desnecessário, evitando algoritmos mais rebuscados e

complexos. Se o sistema de iluminação ou o sensor de imagem não forem eficazes não

haverá algoritmos capazes de processar a informação e produzir os resultados

pretendidos.

4.1. Iluminação

A iluminação desempenha um papel vital na simplificação da tarefa de inspecção. É

mais proveitoso despender algum tempo no desenvolvimento de um esquema de

iluminação com qualidade, que desenvolver um algoritmo complexo capaz de superar

os problemas associados a uma má iluminação [35]. O autor em [10] vai mesmo ao

ponto de afirmar que nunca se deve compensar o fraco desempenho de um sistema de

iluminação com o aumento da sofisticação do processamento de imagem. O autor de

[36] afirma que geralmente é menos dispendioso melhorar o sistema de iluminação que

o sistema de processamento de imagem.


17

Fundos com alto contraste e iluminação controlada eliminam sombras indesejadas [4].

A projecção do sistema de iluminação deve garantir que não há influência por parte de

outras fontes de luz (outras lâmpadas, luz do dia) na proximidade da máquina de visão

[37].

Objectos que apresentam uma elevada reflexão especular, colocam especiais desafios no

que concerne à sua iluminação. A recuperação da forma original do objecto exige

amiúde a utilização de técnicas de iluminação estruturada [38].

Existem vários aspectos sobre a temática da iluminação que devem ser considerados no

projecto de uma máquina de visão. Assumem aqui particular relevância a localização da

(s) fonte (s) de luz, tipo de lâmpada e sua temperatura. No artigo [37] são abordadas

diversas técnicas de iluminação, assim como alguns exemplos de aplicação.

Podem-se considerar as seguintes técnicas de iluminação:

• Iluminação frontal

o Omnidireccional

o Direccional

• Iluminação oposta

• Iluminação estruturada

A técnica de iluminação frontal é utilizada para a inspecção de características na

superfície do objecto [37]. No artigo citado é reportada uma inspecção dos taipais

traseiros de carrinhas de caixa aberta recorrendo a esta técnica. A referida técnica

divide-se em dois tipos (omnidireccional e direccional). A iluminação omnidireccional

proporciona uma iluminação uniforme, permitindo a eliminação de sombras no objecto,

desde que posicionada adequadamente. Esta iluminação pode obter-se colocando uma

superfície difusora por cima do objecto, e o foco (ou focos) de luz apontado para aquela.

A utilização de uma meia cúpula esférica de material difusor é uma boa solução para

atingir uma iluminação uniforme [34]. A iluminação direccional permite destacar a

textura superficial do objecto. Com esta técnica é possível identificar orifícios na

superfície, não sendo aí reflectida a luz [34].

A técnica de iluminação oposta proporciona um melhor contraste, realçando a silhueta

do objecto [37]. Esta técnica tem como aplicações típicas: medir e averiguar a

presença/ausência de determinadas características. O objecto fica entre a câmara e a

fonte de luz, devendo esta apresentar-se difusa. Para a inspecção de objectos

transparentes, coloca-se na superfície da fonte de luz uma máscara de dimensões


18

ligeiramente superior ao objecto em questão. O tamanho da máscara é importante e

afecta a qualidade da definição do contorno [1].

Com a técnica de iluminação estruturada, a forma e orientação de um objecto

tridimensional podem ser reveladas através da incidência de tiras de luz sobre o objecto

em causa. Com esta técnica é obtido um contraste elevado, as relações entre superfícies

e descontinuidades tornam-se mais nítidas, revelando a natureza tridimensional do

objecto [1]. De uma forma simples, luz estruturada pode ser definida como a projecção

de uma fonte luminosa com a forma de um feixe ou padrão controlado. Esta técnica é

utilizada quando se pretende reduzir a complexidade da vista ou para extrair informação

tridimensional da vista utilizando o vulgar sistema de visão bidimensional [37].

É de salientar, ainda, a iluminação estroboscópica. É uma técnica frequentemente

utilizada na indústria e consiste na iluminação do objecto através de uma sucessão de

impulsos de luz de duração reduzida e intensidade elevada. Esta técnica visa eliminar o

efeito de movimento.

Existem diversos tipos de fonte de luz que podem ser aplicados nas máquinas de visão:

• Lâmpadas de incandescência

• Lâmpadas de halogéneo

• Lâmpadas fluorescentes

• Lâmpadas de xénon

• Diodos emissores de luz ( Leds)

As lâmpadas de incandescência são semelhantes às de uso corrente, podendo apresentar,

ou não, reflector.

As lâmpadas de halogéneo possuem uma luz intensa e de cor branca, podendo ser

acopladas a fibras ópticas de modo a iluminar locais inacessíveis. Caracterizam-se,

ainda, por permitir uma iluminação bastante flexível ao nível da sua geometria. A curta

duração das lâmpadas e a dissipação de calor são problemas a ter em consideração, cuja

atenuação pode ser conseguida operando com tensões ligeiramente inferiores [37]. O

certo é que estas lâmpadas não dispensam a utilização de um sistema de arrefecimento.

As lâmpadas fluorescentes são mais eficientes, uma vez que comparativamente às fontes

citadas, geram menos energia com espectro infra-vermelho [37]. A sua luz é difusa,

sendo útil em aplicações em que se pretende inspeccionar materiais (metálicos) com

reflexão especular elevada. A dissipação de calor não é significativa, dispensando

sistemas de arrefecimentos. As lâmpadas fluorescentes comuns, de um modo geral, não


19

são apropriadas para aplicações de visão, dado que apresentam oscilações na

intensidade, provocando mudanças de intensidade ou cores indesejadas na imagem

capturada. Uma solução para eliminar as referidas oscilações consiste na aplicação de

lâmpadas fluorescentes de alta frequência - bastante superior à de captura da câmara. As

lâmpadas fluorescentes existem em tamanhos e formas variadas. O seu baixo custo e

uma vida útil alargada tornam esta fonte de luz uma opção atractiva.

As lâmpadas xénon são utilizadas em aplicações que requerem uma fonte de luz

estroboscópica, portanto, intensa e de curta duração.

Os diodos emissores de luz são dispositivos semicondutores que irradiam luz

monocromática, com um comprimento de onda dependente da sua composição química.

Esta fonte de luz apresenta muitas vantagens quando comparada com as demais. E

devido ao seu tamanho reduzido pode ser utilizada em diversas geometrias. Luz em

anel, ponto, área ou linha são algumas das configurações geométricas possíveis de obter

com este tipo de fonte. É, ainda, possível controlar cada LED independentemente,

podendo-se obter condições de iluminação diferentes (ângulos de iluminação diferentes,

ou intensidades). Os LEDs podem ser utilizados em aplicações que requeiram luz

estroboscópica. Esta fonte mostra-se ainda mais eficiente que todas as citadas,

apresentando consumos mais reduzidos e uma durabilidade mais elevada, cerca de 100

000 horas contra as 10 000 horas para as lâmpadas fluorescentes [9]. Esta fonte tem

ainda como vantagem não produzir oscilações de intensidade visíveis na imagem. Todas

estas características levam a que este tipo de iluminação possa adaptar-se a uma grande

variedade de tarefas de inspecção.

Apesar das inúmeras vantagens da iluminação com diodos emissores de luz, para certas

aplicações estes não apresentam o desempenho mais adequado. O artigo [39] aborda um

sistema de inspecção de vedantes para automóvel aplicando redes neuronais, no qual a

iluminação é constituída por LEDs e uma lâmpada com fibra óptica. A utilização da

lâmpada, e não apenas LEDs, deve-se ao facto destes não terem intensidade suficiente

para a tarefa em causa. Em [40] o autor chega à conclusão que para superfícies

especulares a aplicação de LEDs na iluminação é o melhor mas o fabrico de dispositivos

de larga dimensão recorrendo a esta tecnologia continua a ser uma problemática.


20

4.2. Câmaras

As câmaras podem ser divididas em dois tipos distintos: câmaras analógicas e câmaras

digitais.

As primeiras fornecem o sinal de vídeo em formato analógico, sendo necessário

posteriormente recorrer a um dispositivo digital de aquisição (frame-grabber).

As câmaras digitais disponibilizam à saída a imagem em formato digital. Estas

apresentam algumas vantagens relativamente às analógicas, nomeadamente, maior

imunidade ao ruído, levando a uma boa relação sinal/ruído, resoluções e taxas de

aquisição superiores.

As câmaras possuem alguns ajustes que permitem a obtenção de uma melhor imagem,

tais como: regulação do tempo de exposição, ganho, brilho e balanceamento de cor.

Alguns destes ajustes podem, ainda, ser efectuados de modo automático.

O varrimento do sensor nas câmaras pode ser entrelaçado ou progressivo. No primeiro a

imagem é dividida em duas, sendo adquiridas em separado as linhas horizontais pares e

as linhas horizontais ímpares do sensor. No varrimento entrelaçado as linhas horizontais

pares são adquiridas em separado das linhas horizontais ímpares. No varrimento

progressivo a imagem é adquirida na totalidade. As câmaras com varrimento

progressivo são mais adequadas para adquirir objectos em movimento.

Para a escolha de uma câmara dever-se-á ter presente as seguintes características:

resolução, taxa de aquisição, formato da imagem, interface, sensibilidade, relação

sinal/ruído, tensão de alimentação e consumo. As características das câmaras variam,

em certa medida, com o tipo de sensor de imagem utilizado.

Relativamente aos sensores de imagem, existem diversos tipos, uns mais complexos que

outros. Na presente tese o enfoque é colocado nos sensores de imagem baseados na

tecnologia CMOS e CCD, pois estes são os mais pertinentes para a realização do

trabalho.

No artigo [9] são apresentadas algumas propostas dos fabricantes de câmaras. Esta

publicação dá conta dos interfaces e resolução de diversos modelos, sem deixar de parte

as câmaras inteligentes. Em [41] é abordado o funcionamento, assim como a perspectiva

histórica das referidas tecnologias. No artigo [42] são comparadas as características dos

sensores de imagem CCD e CMOS. Relativamente à tecnologia CMOS, o seu

funcionamento, desempenho e recentes desenvolvimentos são relatados em [43] , e em

[44] é apresentado o estado da arte no que concerne a estes sensores.


21

Existem alguns critérios para a apreciação dos sensores de imagem [6], a saber: resposta

do sensor, gama dinâmica, sensibilidade, uniformidade, velocidade de operação e

fiabilidade.

A resposta do sensor é a medida do nível do sinal por unidade da energia óptica. Os

sensores CMOS são ligeiramente melhores que os CCD nesta categoria, o que se

justifica pelos elementos de ganho serem mais fáceis de colocar no circuito.

A gama dinâmica, por sua vez, é definida como a relação do nível de saturação do pixel

com o seu sinal limiar.

No que tange à sensibilidade, os sensores CCD são melhores porque possuem menos

circuitos incorporados, o que reduz o ruído e melhora a sensibilidade do sensor.

A uniformidade indica a consistência da resposta para pixéis diferentes sobre condições

idênticas de iluminação. Os sensores CMOS são mais sensíveis a essas variações devido

aos circuitos adicionais incorporados no sensor.

Velocidade de operação, os sensores CMOS são mais rápidos devido aos circuitos

encontrarem-se incorporados no circuito do sensor, sendo assim menor a distância e não

sendo assim necessário recorrer a outros circuitos em placa de circuito impresso.

Fiabilidade, os sensores CMOS são superiores aos CCD devido ao alto nível de

integração contido no circuito do sensor. Maior integração significa menos ligações

externas que são susceptíveis à corrosão e a outros problemas associados com as soldas

em ambientes agressivos. No geral os sensores CCD oferecem um desempenho superior

e flexibilidade à custa do tamanho. Os sensores CMOS oferecem maior integração,

menor consumo, menor tamanho à custa da qualidade da imagem [6].

Apesar da maturidade da tecnologia CCD, o potencial da tecnologia CMOS é bastante

elevado, considerando a integração de sensores inteligentes e processamento autónomo.

Muitas aplicações na indústria requerem operações autónomas, o que significa que

existe a necessidade de câmaras inteligentes que forneçam capacidades de

processamento rápido no seu interior.

Em suma a tecnologia CMOS tem como grande vantagem possuir a capacidade de

integrar de forma flexível o sensor e o processamento no mesmo circuito, podendo

atender às necessidades das diferentes aplicações [43].


22

4.3. Processamento de Imagem

O processamento de imagem é definido por diversas fontes [1,26,45] como um processo

que gera uma imagem de saída, mais conveniente, a partir da modificação de uma

imagem de entrada. O processamento de imagem pode também ser compreendido como

um procedimento de manipulação e análise da imagem. Deste fazem parte o

melhoramento da imagem, a restauração e a compressão [26,46], a análise e a síntese

[46].

O melhoramento da imagem tem como propósito melhorar a sua aparência aos olhos

humanos [26], são exemplos: o ajuste do brilho ou contraste e a redução de ruído.

A restauração da imagem tem como finalidade a correcção de degradações que possam

ter ocorrido, o efeito de arrastamento dos objectos em movimento é um exemplo de

degradação; a correcção geométrica é um exemplo de restauração.

A compressão de imagem tem como escopo a representação das imagens de uma forma

mais compacta, mantendo um nível de qualidade aceitável.

A segmentação, extracção de características e classificação dos objectos fazem parte da

análise da imagem [46]. Estas operações não resultam numa imagem. A segmentação da

imagem é frequentemente descrita como sendo o processo pelo qual se subdivide a

imagem nas suas partes constituintes [47]; de uma forma objectiva, esta pode ser vista

como a separação entre o fundo e os objectos [48]. A segmentação é um dos métodos

mais usados no processo de redução de informação da imagem, e consiste em dividir a

imagem em regiões que correspondam a cada objecto, permitindo assim a distinção,

quer dos objectos, quer do fundo [1]. A segmentação pode ser abordada de duas formas,

através de técnicas de binarização e através de técnicas baseadas nos gradientes da

imagem de primeira ordem (Sobel) ou de segunda ordem (Laplacianos). As operações

de diferenciação acentuam as variações de intensidade, o que permite detectar as

fronteiras do objecto. Na extracção de características são identificadas as propriedades

inerentes às diferentes regiões da imagem. As descrições do objecto deverão conter toda

a informação relevante acerca da forma e tamanho, sendo conveniente que estas sejam

invariantes em relação à posição, orientação e, idealmente, à escala [1]. São exemplos

de descritores, como referido anteriormente: área, perímetro, rectângulo mínimo

envolvente, orifícios (número, tamanho, posição), circularidade (perímetro2/área), entre

outros. A classificação tem como propósito o reconhecimento das características obtidas

a partir dos descritores extraídos da imagem.


23

As operações de síntese da imagem resultam na criação de imagens a partir de outras

imagens ou de outro tipo de informação. Tais operações são utilizadas quando a imagem

pretendida é impossível de adquirir ou não existe, sequer. Existem dois tipos de

operações de síntese: reconstrução e visualização. A primeira consiste na reconstrução

da imagem, com base em múltiplas imagens, sendo disso um exemplo a tomografia

computorizada. A visualização consiste na criação de imagens para apresentações,

podendo ser, ou não, baseadas em objectos que existam. O domínio de aplicação deste

tipo de operação de síntese enquadra-se em áreas tais como a computação gráfica e a

imagem médica.

Existem diversos trabalhos que retratam o processamento de imagem, são disso

exemplo os livros referenciados [1,7,23,33,46,48,49,50]. Uns apresentam uma

componente mais ligada à disciplina do processamento de sinal, outros dedicam

especial atenção ao processamento de imagem e outros, ainda, abordam o

processamento de imagem sob o ponto de vista das máquinas de visão [1] ou

relacionado com a inspecção [23]. Algumas das obras mencionadas apresentam

algoritmos de processamento de imagem [33,49]. O autor em [33] mostra diversos

algoritmos básicos de processamento de imagem, como sejam: filtro mediana, diversas

máscaras, binarização, erosão, dilatação e convex hull.

Dos algoritmos aplicados no presente trabalho, a transformada de Hough merece

especial destaque dada a sua importância e complexidade.

4.3.1. Transformada de Hough

A transformada de Hough tem como propósito a detecção de linhas, curvas, círculos,

elipses e outras formas. Inicialmente foi aplicada na detecção de linhas e só mais tarde

se estendeu à detecção a curvas e elipses. A referida transformada possui a

particularidade de, teoricamente, detectar objectos na presença de ruído ou que se

encontrem apenas parcialmente na imagem [50]. A sua principal desvantagem é a

quantidade de memória necessária à sua implementação [51].

A transformada de Hough pode também ser utilizada para detectar outras formas além

de linhas, curvas e elipses. A esta variante dá-se o nome de transformada de Hough

generalizada.

São várias as aplicações da transformada de Hough. Na agricultura, por exemplo, na

detecção de tomates e melões [52]. Ao nível da indústria existem muitos componentes

que apresentam diversas formas geométricas básicas, um exemplo é a detecção de


24

rolamentos reportada em [53]. O referido artigo apresenta a inspecção de rolamentos

utilizados nos contadores de energia recorrendo à transformada de Hough. Em [54] é

apresentado um sistema de inspecção de garrafas de água recorrendo à transformada

generalizada de Hough.

5. Conclusão

O objectivo primário da dissertação é o estudo de um meio capaz de assegurar a

“qualidade”, mais concretamente, a qualidade do componente apresentado.

O propósito da inspecção é assegurar a qualidade. A inspecção pode ser definida como a

apreciação de um artigo ou produto, isto é, se este apresenta ou não defeito de acordo

com um determinado critério de qualidade.

A inspecção pode ser efectuada ao longo dos vários estágios da manufactura do produto.

Embora constitua um custo adicional, espera-se que seja rentável, pois os custos

associados a esta estratégia poderão ser recuperados através de uma detecção mais

atempada dos produtos defeituosos e uma subsequente actuação na fonte.

Uma outra estratégia consiste na inspecção apenas no final do ciclo de manufactura.

Apesar de ser menos dispendiosa, o custo de um produto terminado não conforme é

mais elevado.

A inspecção pode ser classificada de acordo com: o número de itens a inspeccionar

(inspecção a 100% ou inspecção por amostra), as etapas do processo de manufactura,

detalhes da inspecção (desempenho, comportamento ao longo de um período) e método

de inspecção - se é destrutiva ou não destrutiva.

A inspecção manual nem sempre é exequível, níveis de qualidade extremamente

elevados, volumes elevados de produção e tolerâncias apertadas podem inviabilizar a

opção por uma inspecção manual. Além dos factores citados, o cansaço, o

aborrecimento, e nalguns casos a inacessibilidade e ambientes austeros penalizam e

podem mesmo inviabilizar a inspecção manual.

Os consumidores frequentemente relacionam a qualidade da aparência com a qualidade

funcional. Para garantir o sucesso de um produto é desejável que a aparência seja

visualmente verificada.

A inspecção visual pode ser definida como o processo de determinar se um produto se

desvia de um conjunto de especificações, recorrendo ao sentido da visão. Este modo de


25

inspecção tem a vantagem de não necessitar de contacto físico, evitando assim, a

paragem de linha de produção. Esta característica assume particular importância quando

se trata da inspecção de produtos “sensíveis” na sua manipulação.

A justificação para a utilização de sistemas de visão automática pode ser resumida a:

fiabilidade, versatilidade, velocidade, integração nos processos de manufactura e

poupança de custos. A esta justificação acresce ainda o facto de ser (teoricamente)

possível um sistema automático operar durante 24 horas por dia; e a possibilidade de

operar em ambientes de difícil acesso, intoleráveis, perigosos e desconfortáveis ao

homem. Apesar de todas as vantagens enunciadas da inspecção visual automática, a

inspecção na indústria é ainda tradicionalmente manual, sobretudo para objectos mais

complexos e peças metálicas. A inspecção de rebarbas é maioritariamente manual,

baseando-se na visão e no toque.

O actual crescimento das máquinas de visão na manufactura deve-se a diversos factores:

redução do preço dos recursos computacionais, consciencialização para a aplicação de

máquinas de visão como um componente integral de um desenvolvimento a longo prazo

de um processo de automação. Todos estes aspectos, aliados às responsabilidades legais

envolvidas na produção e venda de produtos não conformes, mostram a importância da

utilização de máquinas de visão na inspecção.

A escolha do sistema de iluminação e do sensor de imagem são factores extremamente

importantes para o sucesso de uma máquina de visão. Um bom sistema de iluminação

pode poupar processamento desnecessário, evitando algoritmos mais rebuscados e

complexos.

Fundos com alto contraste e iluminação controlada eliminam sombras indesejadas. A

projecção do sistema de iluminação deve garantir que não haja influência por parte de

outras fontes de luz (outras lâmpadas, luz do dia) na proximidade da máquina de visão.

A localização da (s) fonte (s) de luz, tipo de lâmpada e sua temperatura assumem

particular relevância no projecto de uma máquina de visão. Existem diversas técnicas de

iluminação, nomeadamente: iluminação frontal (omnidireccional, direccional),

iluminação oposta e iluminação estruturada, sendo ainda de salientar a iluminação

estroboscópica. São vários os tipos de fonte de luz que podem ser aplicados nas

máquinas de visão: lâmpadas de incandescência, lâmpadas de halogéneo, lâmpadas

fluorescentes, lâmpadas de xénon e diodos emissores de luz (Leds). Estes últimos, cuja

utilização tem sido crescente, destacam-se pela sua durabilidade, resposta e a

possibilidade de assumirem as mais diversas geometrias.


26

As câmaras podem ser divididas em dois tipos distintos: câmaras analógicas e câmaras

digitais. As segundas apresentam algumas vantagens relativamente às analógicas: maior

imunidade ao ruído, excelentes resoluções e taxas de aquisição superiores. As câmaras

possuem alguns ajustes que permitem a obtenção de uma melhor imagem: regulação do

tempo de exposição, ganho, brilho e balanceamento de cor. Na escolha de uma câmara

dever-se-á ter presente as seguintes características: resolução, taxa de aquisição, formato

da imagem, interface, sensibilidade, relação sinal/ruído, tensão de alimentação e

consumo.

O processamento de imagem pode ser definido como um processo que gera uma

imagem de saída, mais conveniente, a partir de uma imagem de entrada modificada. O

processamento de imagem pode também ser compreendido como um método de

manipulação e análise da imagem. Deste fazem parte o melhoramento da imagem, a

restauração, a compressão, a análise e a síntese.

A transformada de Hough tem como propósito a detecção de linhas, curvas, círculos,

elipses e outras formas. A referida transformada possui a particularidade de,

teoricamente, detectar objectos na presença de ruído, ou que se encontrem apenas

parcialmente na imagem. A sua principal desvantagem é a quantidade de memória

necessária à sua implementação.

Capítulo

3 Metodologias Aplicadas

27

Este capítulo descreve os métodos aplicados na detecção de cada um dos defeitos

descritos anteriormente, assim como o sistema laboratorial de aquisição desenvolvido.

Como já referido, os métodos foram implementados na linguagem C++ recorrendo ao

compilador Microsoft™ visual C++ 6 e à biblioteca de processamento de imagem

OpenCV.

Os resultados obtidos serão apresentados no capítulo seguinte.

1. Sistema laboratorial de aquisição

Tendo em vista resolução do problema proposto, foi desenvolvido um protótipo

laboratorial de aquisição. A imagem do componente a inspeccionar é obtida num

ambiente condicionado. Desta forma a iluminação exterior não constitui um problema,

pois o sistema encontra-se isolado. A escolha da iluminação, assim como a cor do fundo

são importantes para a obtenção dos melhores resultados.

Figura 6 - Sistema laboratorial de aquisição

Capítulo 3 Metodologias Aplicadas

28

1.1. Fundo

A obtenção dos melhores resultados passa por um bom contraste entre o componente e

o fundo. A cor do fundo assume aqui particular relevância, tendo sido alvo de estudo no

presente trabalho. Foram realizadas experiências com fundo branco e fundo preto, com

o propósito de aferir o fundo mais adequado ao cumprimento dos objectivos

inicialmente propostos.

1.2. Sistema de iluminação

O sistema de iluminação é extremamente importante num sistema de visão. Um bom

sistema de iluminação pode evitar processamento desnecessário.

O componente a inspeccionar é constituído por uma liga metálica que, quando exposta

directamente à luz, apresenta uma reflexão especular elevada. Por esse motivo, é

utilizada uma configuração que apresenta a iluminação relativamente uniforme. A

configuração em causa é a iluminação frontal, colocada de modo a ser omnidireccional,

obtendo-se assim uma iluminação difusa.

Foram utilizadas quatro fontes diferentes de iluminação: uma lâmpada de

incandescência, uma lâmpada fluorescente de forma circular, quatro lâmpadas

fluorescentes compactas (economizadoras) e barras de LEDs.

1.3. Câmaras

Para a detecção dos três tipos de defeitos são necessárias duas câmaras, uma para a

detecção das roscas nos pernos e uma segunda para os outros dois defeitos. A última

deve apresentar uma resolução elevada, uma vez que é pretendida a detecção de

rebarbas até uma décima de milímetro. A primeira câmara não necessita de uma

resolução tão elevada quanto a segunda. As câmaras podem ser monocromáticas, dado

que a informação relativa à cor não é relevante. A câmara orientada para a detecção do

defeito das roscas é colocada perpendicularmente aos pernos do componente, enquanto

a outra é disposta frontalmente acima do componente.

A resolução necessária para a aquisição do componente na íntegra (80mm X 60mm),

com uma precisão de uma décima de milímetro, é dada pela Equação 1.


29

�� 80

0,1� 2 � 1600 ��é��

�� 61

0,1� 2 � 1220 ��é��

Equação 1 - Resolução mínima necessária

A câmara utilizada é uma Allied Oscar F810C, a cores, com um sensor de imagem

CCD, varrimento progressivo e uma resolução de 3272x2469 pixéis. Para a detecção

das roscas nos pernos foi usada a mesma câmara, no entanto as imagens foram

adquiridas com uma resolução inferior - 1024x768 pixéis. A resolução máxima da

câmara utilizada resulta em 4 pixéis por décima de milímetro, o que significa que com

esta câmara obtém-se o dobro dos pixéis necessários, assim respeitando o teorema da

amostragem.

2. Algoritmos

Os algoritmos foram implementados na linguagem de programação C++ recorrendo ao

compilador Microsoft™ visual C++ 6 e à biblioteca de processamento de imagem

OpenCV.

A biblioteca de processamento de imagem OpenCV, para além de apresentar um

conjunto de funções base de processamento, possui a grande vantagem de ser uma

ferramenta “open source”, pelo que não são necessárias licenças especiais. As funções

incluídas na referida biblioteca revelaram, ainda, uma grande utilidade à implementação

dos algoritmos utilizados na presente tese.

Para cada defeito foram implementados algoritmos distintos. Na detecção do orifício

realizaram-se duas abordagens diferentes, enquanto que para a detecção dos restantes

defeitos foi efectuada uma abordagem para cada um deles.

2.1. Orifício

A primeira abordagem baseia-se no rectângulo envolvente do componente, já a segunda

concretiza-se através da transformada de Hough. Porém, a análise da abertura do

orifício, em particular, é idêntica nas duas abordagens. Na Figura 7 pode-se observar em

pormenor o orifício a inspeccionar a) e em b) os dois orifícios não conformes.


30

2.1.1. Abordagem pelo rectângulo envolvente

O orifício encontra-se no centro do componente, o que significa que o centro do

componente é o mesmo do orifício. Partindo deste princípio, e considerando o raio

como sendo uma proporção de uma medida (comprimento ou largura) do componente,

facilmente se obtém a área interior do círculo. O rectângulo envolvente é obtido a partir

da informação do contorno externo do componente.

Na Figura 8a) pode-se observar o diagrama do algoritmo implementado. A imagem do

componente é adquirida sendo de seguida efectuada uma binarização. Posteriormente, é

extraído o contorno externo, através da função cvFindContours da biblioteca de

processamento de imagem OpenCV, recorrendo ao algoritmo Chain Code. Com a

sequência de pontos do contorno externo obtém-se o rectângulo envolvente, recorrendo

à função cvBoundingRect. As dimensões do rectângulo são verificadas e caso estas não

se encontrem dentro dos limites esperados, a inspecção termina indicando que o

componente não está conforme. Caso contrário a inspecção continua. Seguidamente, são

calculados o centro do orifício (com base no centro do rectângulo) e o seu raio (a partir

de uma proporção entre o comprimento do rectângulo e o raio conhecido do

componente). Adquiridos o centro e raio do orifício, procede-se a análise do seu interior

- este passo é igual para as duas abordagens.

O valor do limiar de binarização, o comprimento e largura mínimos e máximos para o

rectângulo envolvente são parâmetros ajustáveis.

Todavia, esta abordagem apresenta uma falha que será discutida no capítulo seguinte.

a) b)

Figura 7 - Orifício que se pretende analisar. a) Vista em pormenor do orifício conforme. b)

Orifícios não conformes.


31

2.1.2. Abordagem pela transformada de Hough

O orifício em causa apresenta uma forma circular, como se pode observar na Figura 7.

A transformada de Hough possui a capacidade de identificar círculos em imagens.

Na Figura 8c) pode observar-se o diagrama do algoritmo implementado. A imagem do

componente é adquirida, havendo de seguida a possibilidade de um ajuste no brilho e no

contraste a fim de melhorar a detecção do círculo. Posteriormente é aplicada a

transformada de Hough, recorrendo à função cvHoughCircles da biblioteca de

processamento de imagem. Após a obtenção do centro e raio da circunferência, verifica-

se que este último está entre os limites pretendidos, em caso afirmativo analisa-se o

interior do orifício, caso contrário a inspecção é terminada.

O valor de ajuste do brilho e do contraste, assim como o raio de referência mínimo e

máximo, são parâmetros ajustáveis.

Esta abordagem apresenta também uma deficiência que será descrita no capítulo

seguinte.

2.1.3. Validação do orifício (aberto, parcialmente fechado e fechado)

Após a obtenção da área do orifício, independentemente da abordagem seguida, é criada

uma máscara circular com as dimensões do orifício. Os pixéis nessa área são

comparados com uma intensidade de referência e são contabilizados os que possuem

uma intensidade superior ao parâmetro de referência. Após esta contabilização, em

percentagem, o resultado é comparado com um valor de referência (próximo de 100%).

Se o resultado for inferior ao valor de referência, o orifício encontra-se aberto (0%) ou

parcialmente aberto, encontrando-se não conforme. O valor da intensidade de referência

máxima e mínima, assim como a percentagem de pixéis de referência são parâmetros

ajustáveis.

Na Figura 8b) pode observar-se o diagrama do algoritmo implementado, comum às duas

abordagens anteriormente citadas. No capítulo seguinte poder-se-á observar os

resultados obtidos com o referido algoritmo.


32

Figura 8 - Diagrama do algoritmo de detecção do defeito no orifício. a) Abordagem com rectângulo

envolvente. b) Análise dos pixéis no interior do orifício. c) Abordagem com a transformada de

Hough.

2.2. Roscas

O componente possui dois pernos. Para que estes se apresentem conformes deverão

possuir rosca. A abordagem seguida para a detecção da rosca baseia-se na avaliação das

transições nos pernos. O algoritmo implementado analisa o comportamento periódico

nos pernos, o qual se assemelha a um sinal triangular como se pode observar na Figura

9.

a) b) c)


33

A Figura 10 apresenta os pernos a inspeccionar, o componente da esquerda possui

roscas nos pernos, não apresentando defeito. O componente da direita apresenta um

perno sem rosca, o que significa uma não conformidade.

Na Figura 11 pode observar-se o diagrama do algoritmo implementado. A imagem do

componente é adquirida sendo de seguida efectuada uma binarização. Posteriormente é

aplicado um filtro morfológico (close), no sentido de eliminar ruído resultante da

binarização. De seguida são identificadas as posições de cada um dos pernos, e com a

informação obtida é aplicada a detecção de rosca. Este passo consiste na análise das

transições ocorridas ao longo de uma linha no perno, tendo esta a mesma orientação.

Para cada linha, é contabilizado o número de transições ocorridas ao longo da mesma.

As transições deverão ocorrer dentro de um intervalo de pixéis para que sejam contadas

como passo da rosca. A informação sobre o passo mínimo e passo máximo são

parâmetros que podem ser afinados. Para que uma linha seja considerada como

possuindo rosca é necessário que haja um número de transições válidas superior a um

valor de referência. Após a verificação da existência de rosca em todas as linhas que

compõem cada perno, é contabilizado o número de linhas em que se verifica a

a) b)

Figura 10 - Pernos a inspeccionar. a) Pernos sem defeito. b) Perno esquerdo sem rosca.

Figura 9 - Comportamento periódico da rosca ao longo de uma linha.


34

existência de rosca. Se o número de linhas for superior a um valor mínimo de

referência, significa que a rosca ocorre no perno, estando este conforme.

O valor do limiar de binarização, o valor mínimo e máximo de pixéis para validação da

rosca, o número mínimo de roscas ocorridas por linha e o número de linhas nas quais se

verifica a ocorrência de rosca, são parâmetros igualmente ajustáveis.

Figura 11 - Diagrama do algoritmo de detecção do defeito das roscas.


35

2.3. Rebarba

A abordagem seguida para a detecção da rebarba assenta no comportamento do

contorno externo do componente. Para que a abordagem seja exequível é necessário que

o componente se encontre alinhado com a horizontal, caso contrário os resultados

obtidos não serão verdadeiros. Trata-se de uma limitação do algoritmo, mas que é

superada pela inclusão de uma funcionalidade de correcção da orientação do

componente. Esta limitação poderá, ainda, ser evitada ao colocar o componente já

alinhado no processo.

Na Figura 12 pode observar-se em pormenor a rebarba no componente.

Devido às irregularidades geométricas do componente e para que o algoritmo funcione,

torna-se necessário a divisão do mesmo em diversos sectores. Após uma análise da

geometria do componente optou-se por dividi-lo em 20 partes. Apesar de à primeira

vista parecerem demasiadas divisões, este número deve-se, além da própria geometria

do componente, a uma optimização do algoritmo. Deste modo, é possível detectar

melhor a rebarba nos sectores que possuem curva. O algoritmo além de detectar a

presença de rebarba, indica a sua localização desde o início até ao fim.

Na Figura 13 pode observar-se o componente a) e o seu contorno externo dividido nos

referidos sectores b).

a)

b)

c)

Figura 12 - Defeito rebarba. a) Componente com rebarba; b) e c) rebarba vista em detalhe.


36

O algoritmo baseia-se na análise da variação do contorno externo do componente,

focando-se na variação da direcção ao percorrer em cada sector os pontos constituintes

do contorno. Para cada sector é previamente definido um quadrante. O conceito de

quadrante significa a direcção da variação entre dois pontos consecutivos do contorno.

Existem quatro quadrantes, o primeiro possui as direcções 0, 45º, 90º; o segundo possui

as direcções 90º, 135º, 180º; o terceiro possui as direcções 180º, 225º, 270º; e o quarto

as direcções 270º, 315º, 0º. Na Figura 14a) encontram-se representadas as direcções

possíveis para os quatro quadrantes.

Tomando como exemplo a Figura 14 (representativa do sector 1), as setas verdes

indicam as direcções nas quais não ocorre rebarba e as setas a vermelho indicam a

ocorrência de rebarba. Na mesma Figura, em b), pode observar-se mais em pormenor

parte do sector. Seguindo as setas, tem-se dois movimentos com direcção favorável

(quadrante 3) ao sector, seguido de um na direcção errada, significando que a direcção

do movimento ocorre noutro quadrante (quadrante 4). A ocorrência de movimento no

quadrante não esperado indica a presença de rebarba. É este o princípio básico do

algoritmo implementado.

Na Figura 15 pode observar-se o diagrama do algoritmo implementado. A imagem do

componente é adquirida, sendo de seguida efectuado o alinhamento do componente com

a horizontal. A detecção do ângulo da direcção é obtida através da função

cvMinAreaRect2, recorrendo à informação dos contornos externos. Esta função

encontra-se incluída na biblioteca de processamento de imagem. Após a informação da

orientação do componente, este é rodado no sentido inverso através da função

cvGetQuadrangleSubPix, para que fique alinhado com a horizontal. A função enunciada

recorre à interpolação bilinear e ainda a uma matriz de transformação para efectuar a

b) a)

Figura 13 - Sectores do componente. a) Componente. b) Divisão em sectores.


37

rotação. Após o componente estar alinhado com a horizontal é efectuada uma

binarização e um alisamento da imagem, de forma a atenuar ligeiramente as transições.

Posteriormente, é extraído novamente o contorno exterior do componente, agora

alinhado, e são efectuadas as divisões em sectores. A fase seguinte é a análise das

rebarbas. Nesta fase é percorrido o contorno em cada sector. Quando é detectado

movimento num quadrante diferente do esperado, os pixéis seguintes são analisados.

Caso estes possuam mais que um determinado número de pixéis no quadrante não

esperado, é considerada a existência de rebarba. Após a detecção, o algoritmo procura o

ponto onde a rebarba termina. O ponto terminal do defeito é o ponto que apresenta uma

das componentes semelhante ao ponto inicial; esta componente (horizontal ou vertical)

varia de acordo com o sector em questão.

A aplicação do método descrito para os sectores em curva falha num determinado tipo

de rebarba, por esse motivo a detecção da rebarba nestes sectores é tratada de um modo

diferente. É calculado o ponto central do sector incluído no contorno. A variação de

uma das componentes ocorre com maior frequência até ao meio da curva, mudando de

componente a variar com maior frequência para a outra metade. A variação da outra

componente é reduzida mas aumenta com a presença de rebarba. Após ser detectada, a

rebarba é “desenhada” desde o início até ao fim.

O valor do limiar de binarização, o alisamento horizontal e vertical, o número de pixéis

em avanço para os sectores rectos e curvos, e o número mínimo de pixéis para os

1

a) b)

2

4 3

Figura 14 - Exemplificação do algoritmo. a) Quadrantes, as setas verdes indicam as direcções

esperadas para o sector representado em b), as setas a vermelho indicam os quadrantes em que irá

ocorrer rebarba no sector. b) Sector 1, vista em pormenor no lado direito.


38

sectores rectos e curvos em que ocorre o quadrante não esperado ao longo dos pixéis em

avanço, são parâmetros ajustáveis.

Figura 15 - Diagrama do algoritmo de detecção de rebarba.


39

3. Conclusão

Neste capítulo foram descritos os métodos aplicados para a detecção dos defeitos.

No sentido de se obter uma imagem de qualidade superior, foi desenvolvido um sistema

laboratorial de aquisição. Para se alcançarem os melhores resultados, é desejável um

bom contraste entre o componente e o seu fundo; daí ter-se abordado a questão da cor

do fundo. O sistema de iluminação é extremamente importante num sistema de visão,

podendo evitar processamento desnecessário. Dada a constituição do material do

componente, o esquema de iluminação utilizado foi a iluminação frontal numa

configuração omnidireccional, obtendo-se assim uma luz difusa. Foram utilizadas ainda

quatro fontes diferentes de luz.

Ao nível da implementação computacional, descreveram-se os algoritmos efectuados,

com o objectivo de se detectarem os defeitos propostos. Estes foram acompanhados

com um diagrama do algoritmo, ilustrações do problema e uma explicação do mesmo

para cada tipo de defeito.

Para o defeito do orifício foram efectuadas duas abordagens diferentes, a primeira

baseada no rectângulo envolvente e a segunda baseada na transformada de Hough.

Ambas as abordagens apresentaram uma falha, embora de natureza diferente. No

capítulo seguinte será apresentada a solução que colmata ambas as falhas.

Para o defeito na rosca foi efectuada uma abordagem baseada nas transições ao longo de

uma linha do perno.

Para o defeito da rebarba a abordagem realizada assentou na variação da direcção ao

percorrer o contorno externo do componente, o que implicou a divisão do mesmo em

diversos sectores.

Capítulo

4 Análise e Discussão de Resultados

40

Este capítulo aborda todos os resultados obtidos com os métodos descritos no capítulo

anterior. É descrito ainda um método aplicado, cujo resultado não foi o melhor.

Os resultados obtidos com as diversas fontes de luz, assim como a cor do fundo e as

câmaras utilizadas são objecto de reflexão.

Para o defeito do orifício foram efectuadas duas abordagens diferentes, ambas

apresentaram uma falha, neste capítulo é descrita a solução encontrada no sentido da sua

resolução.

1. Sistema laboratorial de aquisição

Os resultados apresentados neste capítulo obtiveram-se a partir de um sistema

laboratorial de aquisição desenvolvido conforme o descrito no capítulo anterior.

Para o sucesso do sistema de aquisição concorreram diversos factores: a cor do fundo, a

iluminação e as câmaras.

Inicialmente foi utilizada a câmara Firewire DFX21F04 da ImagingSource, que

apresenta uma baixa resolução (640X480 pixéis), não possuindo as características

necessárias ao cumprimento dos requisitos propostos.

1.1. Fundo

A cor do fundo influencia, na imagem, o contraste entre o componente e a área

envolvente. A escolha de um fundo que proporcione um maior contraste resulta numa

melhor definição do componente na imagem.

A questão inicial foi a escolha da cor do fundo. Das alternativas testadas, fundo preto e

fundo branco, constatou-se que ambas apresentavam vantagens. O fundo preto apresenta

como vantagem uma melhor definição do orifício, mas uma péssima definição dos

limites do componente, penalizando assim a detecção de rebarba. O fundo branco tem

como vantagem uma boa definição dos limites do componente, favorecendo a detecção

Capítulo 4 Análise e Discussão de Resultados

41

da rebarba, mas apresenta uma péssima definição do orifício. Na Figura 16 pode

observar-se as vantagens de cada fundo.

Uma solução encontrada, eventualmente capaz de resolver o problema, pode ser vista na

Figura 17. Esta consiste na colocação de uma faixa negra debaixo do orifício. Todavia,

esta solução pode não ser viável a nível de integração com o processo.

Para o defeito da rosca nos pernos a cor do fundo é indiferente, em qualquer dos fundos

a rosca surge bem definida. Procurou-se determinar um fundo que permitisse a

inspecção do componente, com a melhor qualidade possível, abarcando

simultaneamente o defeito no orifício e a rebarba. A resposta surgiu com a câmara

Oscar F810C da Allied. Com esta, o fundo para um orifício fechado ou parcialmente

fechado encontra-se bem definido, como se pode constatar na Figura 18. O fundo

Figura 16 - Fundo preto, fundo branco.

Figura 17 - Fundo branco com faixa negra.


42

branco na inspecção não constituiu um problema, revelou-se, antes, como aquele que

permite o melhor contraste entre o componente e o fundo, na detecção dos defeitos

propostos.

1.2. Sistema de iluminação

Foram testados quatro tipos de fonte de iluminação: lâmpada de incandescência,

lâmpada fluorescente circular, lâmpada fluorescente compacta (lâmpada

economizadora), e barras de LEDs.

Numa abordagem primária utilizou-se uma lâmpada de incandescência colocada por

cima do componente, contudo os resultados obtidos não foram satisfatórios. Com um

fundo branco não foi possível obter uma imagem branca do fundo. A oscilação da

iluminação, devido à rede eléctrica, era bem visível na imagem. As sombras, mesmo

com as paredes brancas, eram bastantes, o que resultava numa má definição da cor do

fundo.

A abordagem seguinte passou pela utilização de uma lâmpada fluorescente circular.

Com este tipo de lâmpada pretendia-se obter uma iluminação o mais uniforme possível.

Os resultados foram muito superiores aos anteriores mas a oscilação continuava

elevada. Persistiam as sombras, embora bastante inferiores em área. O fundo ainda não

se apresentava uniforme e branco, como pretendido. As imagens obtidas com este tipo

de iluminação foram adquiridas com a câmara DFX21F04, da ImagingSource,

apresentando uma menor qualidade. Na Figura 19 pode observar-se os resultados

alcançados com este tipo de iluminação.

Figura 18 - Fundo branco, orifício bem definido.


43

Posteriormente foram utilizadas lâmpadas fluorescentes compactas. A utilização desta

fonte, de acordo com a disposição apresentada na Figura 6 do capítulo três, permitiu

atingir bons resultados. As sombras reduziram-se substancialmente, assim como as

oscilações da luminosidade, além disso, o fundo branco apresenta-se com a cor

pretendida. Na Figura 20 pode observar-se as imagens obtidas com este tipo de

iluminação. As imagens foram adquiridas com a câmara Oscar F810C da Allied. Como

se pode constatar, independentemente de estas apresentarem uma distribuição bastante

mais uniforme, a definição é também superior.

A iluminação com LEDs, permitiu também atingir bons resultados. A luminosidade não

oscila e é uniforme. Este tipo de iluminação, como referido no capítulo dois, possui uma

durabilidade superior a qualquer das fontes utilizadas, bem como um consumo de

energia bastante mais reduzido, dissipando uma menor quantidade de calor. Os LEDs

possuem, ainda, a vantagem de poderem ser actuados apenas no momento da aquisição

da imagem, reflectindo-se também numa durabilidade superior. Por motivos diversos,

não foi possível utilizar a mesma caixa com este tipo de iluminação. Pode assumir-se

que, tanto a iluminação com as lâmpadas fluorescentes compactas, como a iluminação

com barras de LEDs, apresentam bons resultados. A distribuição da luminosidade é boa,

e não ocorrem oscilações para ambas as fontes. Sob o ponto de vista económico, a

última fonte, comparativamente às lâmpadas fluorescentes compactas, não é tão viável,

uma vez que as barras de LEDs apresentam um custo elevado. Tendo em conta que se

Figura 19 - Resultados obtidos com a lâmpada fluorescente circular.

Figura 20 - Resultados obtidos com as lâmpadas fluorescentes compactas.


44

alcançaram bons resultados com as lâmpadas fluorescentes compactas, a escolha poderá

recair nestas, sobretudo se o orçamento for um critério relevante.

1.3. Câmaras

Foram usadas duas câmaras diferentes. Numa fase inicial foi utilizada a câmara a cores

firewire DFX21F04 da ImagingSource, a qual possui um sensor de imagem CCD,

varrimento progressivo e uma resolução de 640x480 pixéis. Numa fase mais avançada

do trabalho foi utilizada a câmara Allied Oscar F810C a cores, com CCD, varrimento

progressivo, firewire e uma resolução de 3272x2469 pixéis.

A questão inicial consistiu em encontrar a posição, o número de câmaras e a resolução

necessária para o cumprimento dos objectivos.

Em relação ao posicionamento das câmaras, a solução encontrada passou pela instalação

de uma câmara colocada perpendicularmente aos pernos e outra colocada por cima do

componente. A primeira tem como finalidade a inspecção da rosca no perno, e a

segunda a detecção dos defeitos rebarba e orifício. No que concerne à resolução das

câmaras, e de acordo com os requisitos mínimos necessários, esta característica é mais

elevada para a inspecção da rebarba do que para os outros defeitos. A primeira câmara

utilizada não possui a resolução mínima que garanta uma precisão de décima de

milímetro, motivo pelo qual não pode ser utilizada na inspecção da rebarba. A segunda

câmara utilizada já possui a resolução necessária, como se pode constatar pela Equação

1, apresentada no capítulo anterior. Para uma precisão de uma décima de milímetro e

respeitando as condições mínimas do teorema da amostragem, tem-se como resolução

mínima 1600x1220 pixéis. A

Equação 2 mostra que utilizando a câmara Oscar F810C, e considerando que o

componente surge alinhado com a horizontal, para o caso menos favorável (horizontal)

tem-se 40,9 pixéis por milímetro (ppm). O que significa aproximadamente 4 pixéis por

décima de milímetro, sendo assim possível cumprir o critério mínimo do teorema da

amostragem, sobrando ainda alguma margem.

�� !"#$

�3272

80' 40,9 �� ; ��

+,�"�-#$�

2469

60' 41,1 ��

Equação 2 - Cálculo dos pixéis por milímetro utilizando a câmara Oscar F810C e considerando que

o componente surge alinhado com a horizontal.


45

Considerando que o componente pode surgir rodado até 45º (caso extremo), a Equação

3 mostra que é possível obter 24,9 ppm para o pior caso (vertical); o que significa

aproximadamente 2,4 pixéis por décima de milímetro, sendo ainda possível cumprir o

critério mínimo do teorema da amostragem.

�� !"#$

�3272

.80 / 600 � cos.45º0' 33 ��

��+,�"�-#$

�2469

.60 / 800 � sin.45º0' 24,9 ��


o componente pode surgir rodado até 45º em relação à horizontal.

Analisando os pixéis por milímetro obtidos para os dois casos, pode concluir-se que

para o primeiro (componente alinhado com a horizontal) consegue-se atingir o número

máximo de pixéis por milímetro. Contudo, obriga a que o componente no processo surja

alinhado com a horizontal e com uma posição bem definida, não havendo espaço para

qualquer margem. No segundo caso, ao permitir-se que o componente surja com um

determinado ângulo desperdiça-se resolução, mas torna a solução mais prática sob o

ponto de vista industrial.

Tomando em consideração que no processo é possível garantir uma posição e orientação

em que o componente não ultrapassa uma margem de 10 milímetros, quer na horizontal,

quer na vertical, verifica-se, de acordo com a Equação 4, uma resolução de 35,2 ppm

(vertical), sendo ainda possível cumprir o critério mínimo do teorema da amostragem.

�� !"#$

�3272

90' 36,3 �� ; ��

+,�"�-#$�

2469

70' 35,2 ��


o componente não ultrapassa uma margem de 10 milímetros quer na horizontal, quer na vertical.

2. Defeitos

Nesta secção são apresentados os resultados obtidos na detecção de cada um dos

defeitos, sendo estes objecto de uma reflexão. Ao longo da secção é ainda introduzido

um método básico, que após a sua implementação se revelou inadequado ao


46

cumprimento dos objectivos propostos. São também apresentados os tempos de

inspecção para cada tipo de defeito, tempos estes obtidos recorrendo a um computador

com processador Intel® Celeron D 2,93MHz 1Gb de memória e o sistema operativo

Microsoft Windows XP Profissional SP2.

2.1. Orifício

Para a detecção deste defeito foram efectuadas duas abordagens distintas. A primeira

através do rectângulo envolvente e a segunda através da transformada de Hough. A

análise do orifício, em particular, é efectuada da mesma forma para as duas abordagens.

Na Figura 21 encontram-se duas vistas do software implementado, a do lado esquerdo

apresenta a parametrização para a abordagem através do rectângulo envolvente e a

segunda através da transformada de Hough.

Na Figura 22 pode observar-se o resultado das duas abordagens na detecção do defeito

em causa. Para a abordagem através do rectângulo envolvente - Figura 22a) - o valor do

parâmetro “percentagem min. pixéis” utilizado foi de 94%. Apesar do orifício se

a) b)

Figura 21 - Parametrização do software para o defeito no orifício. a) Através da abordagem pelo

rectângulo envolvente. b) Através da transformada de Hough.


47

encontrar completamente aberto, a sua detecção não se encontra totalmente correcta,

pois o centro apresenta-se ligeiramente deslocado.

Se o parâmetro “percentagem min. pixéis” for superior a 94,2%, o resultado obtido pela

abordagem do rectângulo envolvente indicará o componente sem defeito como não

conforme, tratando-se de um falso positivo. Como se pode observar, esta abordagem

apresenta uma debilidade associada ao facto do rectângulo envolvente ser obtido a partir

do tamanho máximo que o componente apresenta. Na presença de rebarba o tamanho do

rectângulo envolvente é influenciado, e quando esta apresenta uma dimensão

considerável, o centro do rectângulo desloca-se. O que significa que o seu centro passa a

não coincidir com o centro do componente, como se pode observar na Figura 23.

A detecção errada do orifício, com deslocamento, resulta numa análise errada dos

pixéis, pois passarão a ser contabilizados pixeis que não pertencem ao orifício.

a) b) c)

d) e) f)

Figura 22 - Resultados obtidos na detecção do defeito no orifício. a), b), c) Abordagem pelo

rectângulo envolvente. d), e) e f) Abordagem através da transformada de Hough. a) e d)

Componente conforme. b), c), e) e f) Componente não conforme.


48

Desta forma, não é possível apertar os critérios de validação dos pixéis que pertencem

ao fundo (aumentar o parâmetro “percentagem min. pixéis” para valores próximos de

100%), no sentido de se obterem resultados mais fidedignos. O estreitamento do

referido parâmetro, poderá resultar no aumento de ocorrências de falsos positivos.

Na Figura 24 pode observar-se o resultado final da inspecção de um orifício conforme,

através da abordagem do rectângulo envolvente. A detecção do orifício teve como

resultado um ligeiro deslocamento, o que significa que se o referido parâmetro for mais

apertado (próximo dos 100%) o componente apresentar-se-á como não conforme. Neste

caso, a inspecção com o parâmetro superior a 94,2% resulta num falso positivo e com

um parâmetro inferior tem como resultado a conformidade do componente.

O tempo de inspecção foi de aproximadamente 350 milissegundos (para imagens com

um resolução de 3272x2469 pixéis, nas condições inicialmente descritas). Se forem

efectuadas duas pirâmides, no sentido de se baixar a resolução da imagem, o tempo

reduz-se para 230 milissegundos. Na Tabela 1 pode observar-se os tempos obtidos para

as diferentes abordagens.

a) b)

Figura 23 - Detecção do orifício com deslocamento.

Figura 24 - Influência do parâmetro "percentagem min. pixéis" na presença de deslocamento. a)

Parâmetro superior a 94,2%. b) Parâmetro inferior a 94,2%.


49

A abordagem pela transformada de Hough também apresenta um problema. Em

determinadas situações apresenta falsos círculos, como se pode observar na Figura 25;

embora nesta figura a obtenção do círculo tenha sido propositada, aumentando o

parâmetro do raio máximo. A presença de determinados brilhos no componente pode

conduzir a esta falsa detecção de círculos pela transformada de Hough.

Um outro inconveniente reside no tempo de inspecção - este é de aproximadamente 8,9

segundos, para imagens com uma resolução de 3272x2469 pixéis nas condições

inicialmente descritas. Se forem efectuadas duas pirâmides inferiores o tempo de

inspecção reduz-se para 580 milissegundos. Na Tabela 1 pode observar-se os tempos

obtidos para as diferentes abordagens.

A solução encontrada para que a inspecção do orifício seja mais fidedigna, passa pela

combinação das duas abordagens. Primeiro é calculado o rectângulo envolvente, e

mediante a divisão do tamanho deste último por uma constante cria-se uma região de

interesse centrada no centro do rectângulo. Nesta região de interesse, com tamanho

superior ao orifício e consideravelmente inferior ao rectângulo envolvente, é aplicada a

transformada de Hough. Como se trata de uma área inferior, o procedimento está mais

imune à ocorrência de falsos círculos.

Na Figura 26 pode observar-se o diagrama do método aplicado na inspecção do defeito

no orifício, obtendo-se o melhor de cada uma das abordagens.

Figura 25 - Falsa detecção de círculo.


50

Figura 26 - Diagrama do algoritmo aplicado na detecção do defeito no orifício.

A Figura 27 evidencia os parâmetros necessários à detecção do orifício através deste

novo algoritmo. Os parâmetros, tal como o algoritmo, resultam da combinação das duas

abordagens anteriores. Os cinco primeiros parâmetros (a contar de cima) têm como

finalidade a parametrização do rectângulo envolvente, os seis seguintes têm como

objectivo a parametrização para a transformada de Hough e os últimos três têm como

intuito a parametrização da detecção dos pixéis na área do orifício.


51

Figura 27 - Parametrização do software para o defeito no orifício através da abordagem final.

A Figura 28 mostra os resultados obtidos com esta fusão. Como se pode constatar,

obtêm-se resultados mais reais, não havendo o problema de deslocamento do centro do

orifício na presença de rebarba com dimensões significativas.

Figura 28 - Resultados obtidos na detecção do defeito no orifício conjugando as duas abordagens.


52

O tempo de processamento é de aproximadamente 228 milissegundos, apresentando

sensivelmente o mesmo tempo de inspecção que a abordagem pelo rectângulo

envolvente, recorrendo ao uso de pirâmides inferiores.

A Tabela 1 apresenta os tempos resultantes da inspecção do orifício com as diferentes

abordagens.

Tabela 1 - Tempo de processamento para a inspecção do orifício

Tempos Rectângulo envolvente Transformada de Hough Combinação das duas

Sem Pirâmides 350 ms 8900 ms -

Com Pirâmides 230 ms 580 ms 228 ms

(resolução da imagem 3272x2469 pixéis)

Tempos Rectângulo envolvente Transformada de Hough Combinação das duas

Sem Pirâmides 38 ms 750 ms 49 ms

(resolução da imagem 1024x768 pixéis)

Da análise dos resultados obtidos, a abordagem mais correcta para este defeito é a que

resulta da combinação das outras duas. Esta junção é mais robusta, obtendo-se assim

resultados mais fidedignos. Além da vantagem citada, esta abordagem apresenta

também um tempo de processamento aceitável, sobretudo se comparado com a

abordagem pela transformada de Hough em exclusivo e sem recorrer às pirâmides. À

medida que a resolução da imagem aumenta, o tempo de processamento sobe, sobretudo

para as duas primeiras abordagens. Estas, com a resolução mais elevada, demoram

aproximadamente dez vezes mais, relativamente à resolução mais baixa testada. A

segunda abordagem demora sempre mais tempo, tal facto deve-se à complexidade

computacional que o algoritmo que implementa a transformada de Hough requer, assim

como a grande quantidade de memória alocada para o mesmo fim. Pode observar-se na

Tabela 2 a quantidade de memória alocada para cada abordagem com as duas

resoluções. Os valores foram obtidos a partir da variação da memória utilizada pelo

computador. Trata-se de uma análise grosseira, mas permite ter uma ideia da quantidade

de memória necessária. O motivo de se efectuarem testes com as imagens de resolução

mais elevada deve-se ao facto da imagem do defeito “orifício” ser comum à da rebarba,

requerendo esta última uma resolução considerável. Contudo, é possível adquirir com a

mesma câmara imagens com resoluções diferentes.


53

Tabela 2 - Memória alocada para as diversas abordagens na detecção do defeito no orifício

Memória Rectângulo envolvente Transformada de Hough Combinação das duas

1024x768 pixéis 9Megabyte 11Megabyte 5Megabyte

3272x2469 pixéis 149Megabyte 169Megabyte 43Megabyte

2.2. Roscas

O algoritmo implementado analisa o comportamento periódico nos pernos, ao longo de

uma linha. Tal comportamento assemelha-se a um sinal triangular, como se pode

observar na Figura 29. O gráfico apresentado resulta da transição dos pixéis (brancos

para pretos e vice-versa) ao longo de uma linha, sendo o eixo das ordenadas

representado pelo número de pixéis ocorrido em cada bloco (passo da rosca).

A Figura 30 evidencia os parâmetros necessários à detecção da rosca nos pernos. O

primeiro (a contar de cima) é relativo ao limiar de binarização. O seguinte tem como

função o ajuste da ordenada a partir da qual é considerado o início do perno, o algoritmo

calcula os pontos extremos horizontais e soma o parâmetro em causa. Os dois

parâmetros seguintes têm como finalidade a caracterização da rosca pretendida, e

referem-se ao passo da rosca (em pixéis). Os dois últimos parâmetros têm por objectivo

a validação da análise; o primeiro refere-se ao número mínimo de roscas encontradas ao

longo de uma linha vertical do perno e o segundo refere-se ao número mínimo de linhas

consideradas como contendo rosca.

Na Figura 31 pode observar-se os resultados obtidos na detecção da rosca nos pernos.

Os rectângulos a verde indicam que o perno está conforme e os rectângulos vermelhos

indicam que o perno não apresenta rosca. As imagens foram obtidas através da câmara

Oscar F810C da Allied, possuindo uma resolução de 1024x768 pixéis.

-10-505

101520253035

1 2 3 4 5 6 7 8 9 10 11 12

Figura 29 – Comportamento periódico da rosca ao longo de uma linha.


54

Figura 31 - Resultados obtidos na detecção do defeito nos pernos.

Analisando os resultados obtidos, o componente que não possui defeito nos dois pernos

apresenta 16 linhas no perno esquerdo e 17 linhas no perno direito, resultando numa

avaliação positiva da conformidade do componente. Para o componente que apresenta

defeito num dos pernos, são detectadas, no perno que possui rosca, 15 linhas com passo

de rosca, e zero linhas no perno defeituoso. No componente que não apresenta rosca nos

dois pernos são detectadas zero linhas.

Figura 30 - Parametrização do software para o defeito na rosca.


55

O algoritmo atinge os requisitos pretendidos, tendo a capacidade de distinguir a

presença de rosca nos pernos, de acordo com as características desejadas. O tempo de

processamento para a detecção deste defeito é de aproximadamente 78 milissegundos.

A validação da rosca é efectuada de acordo com a parametrização atrás descrita.

2.3. Rebarba

Inicialmente foi testada a hipótese de detecção da rebarba recorrendo à subtracção da

imagem binarizada com a imagem erodida. O principio seria que a erosão eliminaria

parte da rebarba e o resultado da subtracção seria a rebarba. Este método revelou-se

ineficaz, tendo sido rejeitado nas futuras análises. O algoritmo utilizado mais tarde foi o

descrito no capítulo anterior.

A ocorrência de rebarba, de acordo com o algoritmo utilizado, é determinada pela

variação da direcção ao longo do contorno externo do componente. Este método de

detecção de rebarba divide o componente em sectores e para cada um destes encontra-se

associado um quadrante. A rebarba ocorre quando o movimento ao longo do contorno

no sector se desloca fora do quadrante previsto. Este é o princípio básico do algoritmo.

Dependendo do sector a analisar, o algoritmo detecta o início ou o fim da rebarba. Na

Figura 32 pode observar-se a detecção do início de rebarba no sector 1.

Inicialmente o algoritmo determinava apenas o início ou o fim da rebarba. Com o

desenvolvimento do algoritmo, surgiu a hipótese da rebarba poder ser “desenhada”

desde o início até ao fim. O princípio básico do algoritmo mantém-se, mas para cada

a) b) c)

Figura 32 - Detecção do início da rebarba. a) Sector 1 (de acordo com o original). b) Detecção do

início da rebarba. c) Contorno do sector e identificação do início da rebarba.


56

sector existe associada a informação de “desenhar” a rebarba, para a frente (para os

sectores em que é detectado o início da rebarba), ou para trás (para os sectores em que é

detectado o fim da rebarba). Os sectores são também diferenciados por “Rectas

Horizontais”, “Rectas Verticais”, “Curva_1” e “Curva_2”, que se encontram igualmente

associados a cada sector. A diferenciação entre sectores com rectas verticais e

horizontais tem apenas como propósito a funcionalidade de desenho da rebarba, não

interferindo na detecção da mesma (inicio ou fim).

Para que o algoritmo funcione correctamente é necessário que o componente se

encontre alinhado com a horizontal. O método aplicado inclui a funcionalidade de

correcção do componente, alinhando-o com a horizontal. O resultado desta pode ser

visualizado na Figura 33.

A parametrização do algoritmo pode dividir-se em dois grupos, o primeiro encontra-se

relacionado com a preparação da imagem e o segundo com os critérios que permitem a

validação da rebarba. O primeiro grupo é constituído pelo parâmetro de afinação do

nível limiar de binarização, pelo ajuste do ângulo de compensação e pelo alisamento

(“smooth”) vertical e horizontal da imagem binarizada. Este último tem por objectivo

uma uniformização, para que não seja tão sensível a detecção de rebarba. O segundo

grupo é constituído pelo parâmetro “nº de pixéis em avanço” e pelo “nº mínimo de

pixéis”. Estes encontram-se em duplicado, para que seja possível haver critérios

a) b) Figura 33 - Resultado do alinhamento com a horizontal. a) Imagem original. b) Componente

alinhado com a horizontal.


57

diferentes nos sectores rectos e nos curvos, pois a natureza do algoritmo é diferente. Os

parâmetros necessários ao método aplicado encontram-se evidenciados na Figura 34.

Os resultados obtidos com o algoritmo implementado encontram-se nas ilustrações

seguintes. Para cada componente inspeccionado pode observar-se a respectiva imagem

binarizada e a imagem com a detecção da rebarba (a vermelho), sobreposta ao contorno

externo do componente (a azul).

Analisando a Figura 35, Figura 36 e Figura 37 pode observar-se para cada componente

os resultados obtidos na detecção da rebarba. O primeiro componente é o que apresenta

menos defeito, tendo o algoritmo assinalado três rebarbas. Os dois componentes

seguintes apresentam um número mais elevado de rebarbas, como se pode constatar na

Figura 36b) e Figura 37b).

Os resultados obtidos encontram-se muito dependentes do nível limiar de binarização, o

que limita a robustez do algoritmo. Para a obtenção dos melhores resultados é

fundamental que a iluminação seja o mais uniforme possível e o parâmetro limiar de

binarização esteja devidamente ajustado. A Figura 38 é um exemplo de uma má

binarização. O componente é o mesmo da Figura 35, com os mesmos parâmetros de

detecção, mas com um nível limiar de binarização inadequado, induzindo uma falsa

Figura 34 - Parametrização do software para o defeito na rebarba.


58

detecção de rebarba. A binarização efectuada com o nível ajustado e o seu resultado

encontram-se em miniatura.

Figura 35 - Resultados obtidos na detecção da rebarba no componente A. a) Imagem binarizada. b)

Detecção da rebarba.

a)

b)


59

Figura 36 - Resultados obtidos na detecção da rebarba no componente B. a) Imagem binarizada. b)


a)

b)


60

Figura 37 - Resultados obtidos na detecção da rebarba no componente C. a) Imagem binarizada. b)


a)

b)


61

a)

Figura 38 - Resultados obtidos na detecção da rebarba no componente A com um nível limiar de

binarização inadequado. a) Imagem binarizada com um nível inadequado. b) Imagem binarizada

com o nível adequado. c) Detecção da rebarba com um nível limiar de binarização inadequado. d)

Detecção da rebarba com um nível limiar de binarização adequado.

a)

c)

b)

d)


62

Apertando os critérios de detecção de rebarba para o componente A, é detectado um

número de rebarbas superior ao real (Figura 39 e Figura 35), devido à sensibilidade do

algoritmo.

A Figura 40 mostra a detecção da rebarba de acordo com os critérios extremos. Todas

as variações são detectadas, indicando a ocorrência de falsas rebarbas.

Tabela 3 - Parâmetros utilizados na detecção da rebarba

Recta Figura 35b) Figura 36b) Figura 37b)

“Nº pixéis avanço” 10 10 10

“nº min. de pixéis” 4 4 4

Curva



Recta Figura 39a) Figura 39b) Figura 40



Curva



Recta Figura 41a) Figura 41b)

“Nº pixéis avanço” 10 10

“nº min. de pixéis” 6 8

Curva



a) b)

Figura 39 - Detecção da rebarba com os critérios de acordo com a Tabela 3.


63

Figura 40 - Detecção da rebarba no componente A, com os critérios extremos.

O motivo de se ter optado pelo componente A, para a análise da detecção de rebarba

com os critérios de detecção mais apertados, deve-se ao facto deste ser o que menos

rebarba apresenta.

Alargando os critérios de detecção de rebarba, pode observar-se ainda, para o

componente A (Figura 41a), que a rebarba superior direita deixa de ser detectada e

aumentando mais o critério do número mínimo de pixéis (Figura 41b)) o algoritmo não

detecta qualquer rebarba. Para os restantes componentes, facilmente serão detectados

rebarbas.

À medida que o critério “nº mínimo de pixéis” se torna mais elevado (Tabela 4), para o

componente B (Figura 42), pode constatar-se que a detecção da rebarba deixa de se

verificar nalguns pontos.

Relativamente ao componente C, com o aumento do critério do número mínimo de

pixéis, para um valor máximo igual ao parâmetro “nº de pixéis em avanço”, são

detectadas apenas duas rebarbas (Figura 43b)).


64

a) b)

a) b)

a) b)

Figura 41- Detecção da rebarba para o componente A com critérios alargados, de acordo

com a Tabela 3.

Figura 42 - Detecção da rebarba para o componente B com critérios alargados, de acordo

com a Tabela 4.

Figura 43 Detecção da rebarba para o componente C com critérios alargados, de acordo

com a Tabela 4.

a) b)


65

Tabela 4 - Parâmetros utilizados na detecção da rebarba




Curva






Curva



Em relação à funcionalidade de alinhamento com a horizontal, pode observar-se na

Figura 44 que um alinhamento não horizontal conduz à não detecção da rebarba. A

detecção do lado esquerdo encontra-se correcta, pois o componente está alinhado com a

horizontal. Já o componente da direita apresenta uma inclinação, o que levou à não

detecção de uma rebarba no lado superior esquerdo e outra no lado superior direito.

Como se pode constatar, o alinhamento é fundamental para o sucesso do algoritmo.

A detecção do ângulo do componente com a horizontal, por vezes é imprecisa,

resultando num alinhamento incorrecto (Figura 45b)). Como se pode notar, existem

a) b) Figura 44 - Influência do alinhamento horizontal. a) Componente alinhado com a horizontal. b)

Componente com um desvio em relação à horizontal.


66

ligeiras diferenças nos resultados da detecção da rebarba. Estas, para os casos

estudados, não influenciaram significativamente os resultados.

A robustez do algoritmo é um pouco limitada pelo nível de limiar de binarização, o que

pode introduzir uma falsa detecção de rebarbas. O reduzido número de amostras não

permite uma análise de resultados mais realista, embora esta seja uma limitação comum

aquando do desenvolvimento primário de soluções de visão artificial na detecção de

defeitos. A solução é testada para um número reduzido de amostras e posteriormente é

integrada na produção para testes.

A funcionalidade de alinhamento com a horizontal apresenta por vezes algumas

imprecisões, que podem levar a uma falsa detecção das rebarbas. O algoritmo de

a) b)

c) Figura 45 - Alinhamento do componente com a horizontal. a) Componente desalinhado. b) Falha

no alinhamento. c) Alinhamento correcto.


67

detecção de rebarba, num trabalho futuro, necessita de alguns ajustes para que se torne

mais eficaz.

Em relação ao tempo de inspecção, o algoritmo demora cerca de 1500 milissegundos a

detectar este tipo de defeito.

3. Conclusão

Neste capítulo foram abordados e analisados os resultados obtidos.

Após um estudo da cor do fundo, chegou-se à conclusão que o fundo branco permite

obter os melhores resultados, sobretudo a nível da detecção da rebarba. Um fundo de

cor branca possibilita um melhor contraste com o componente.

Foram testadas diversas fontes de iluminação, sendo que a iluminação por lâmpadas

fluorescentes compactas e a iluminação por barras de LEDs permitiram obter bons

resultados. Apesar da iluminação por LEDs apresentar algumas vantagens relativamente

às lâmpadas fluorescentes compactas, os resultados obtidos com estas últimas foram

igualmente bons, e dado que o seu custo é substancialmente mais reduzido, a escolha

recai neste tipo de iluminação, sobretudo se o orçamento for uma questão importante.

Relativamente às câmaras, foram utilizadas duas, embora apenas uma delas cumpra a

resolução mínima necessária. Admitindo uma precisão de décima de milímetro e

respeitando as condições mínimas do teorema da amostragem, tem-se como resolução

mínima 1600x1220 pixéis. A câmara Oscar F810C apresenta uma resolução

aproximadamente duas vezes superior ao mínimo (admitindo o componente

perfeitamente alinhado com a horizontal). Considerando como caso extremo a situação

do componente surgir com um ângulo de 45º, obtém-se aproximadamente 2,4 pixéis por

décima de milímetro.

Os algoritmos desenvolvidos cumprem o seu objectivo. Foram analisadas diversas

situações para cada um deles. O reduzido número de amostras impossibilita uma análise

de resultados mais realista, embora esta seja uma limitação comum aquando do

desenvolvimento primário de soluções de visão artificial na detecção de defeitos. A

solução é testada para um número reduzido de amostras e ulteriormente é integrado na

produção para testes.


68

Na detecção do defeito no orifício efectuaram-se duas abordagens distintas. A primeira

baseia-se no centro do rectângulo envolvente e a segunda assenta na detecção da

circunferência (que coincide com o orifício) através da transformada de Hough. Na

primeira abordagem o centro do rectângulo envolvente é bastante influenciado pela

ocorrência de rebarbas de dimensões consideráveis, o que representa um problema. O

componente apresenta reflexões especulares quando em presença de uma fonte de luz,

que podem conduzir a uma falsa detecção de círculos por parte da transformada. A

solução final passou por uma combinação das duas abordagens iniciais, resultando

numa detecção mais robusta e rápida. O tempo de detecção é de aproximadamente 228

milissegundos.

O algoritmo implementado para a detecção de roscas nos pernos analisa o

comportamento periódico destes ao longo de uma linha. São avaliadas as transições dos

pixéis (brancos para pretos e vice-versa) ao longo das várias linhas verticais que

compõem o perno. O algoritmo atinge os requisitos pretendidos, tendo a capacidade de

distinguir a presença de rosca nos pernos, de acordo com as características desejadas. O

tempo de processamento para a detecção deste defeito é de aproximadamente 78

milissegundos.

O princípio básico do algoritmo de detecção de rebarba consiste na análise da variação

da direcção ao longo do contorno externo do componente. Para que seja possível aplicar

este algoritmo é necessário dividir o componente em sectores. Para cada sector

encontra-se associado um quadrante. A rebarba ocorre quando o movimento, ao longo

do contorno no sector, tem lugar fora do quadrante previsto. Para que o algoritmo

funcione correctamente é necessário que o componente se encontre alinhado com a

horizontal. O método aplicado inclui a funcionalidade de correcção do componente,

alinhando-o com a horizontal. Os resultados obtidos encontram-se muito dependentes

do nível limiar de binarização, o que limita a robustez do algoritmo, podendo introduzir

uma falsa detecção de rebarba. Para a obtenção dos melhores resultados é fundamental

que a iluminação seja o mais uniforme possível e o parâmetro limiar de binarização

esteja devidamente ajustado. A detecção do ângulo do componente com a horizontal é

por vezes imprecisa, resultando num alinhamento incorrecto do componente e podendo

assim induzir a detecção de uma falsa rebarba. O algoritmo de detecção de rebarba, num

trabalho futuro, necessita de alguns ajustes para se tornar mais eficaz. O tempo de

inspecção necessário é de aproximadamente 1500 milissegundos.

Capítulo

5 Conclusões

69

1. Conclusões

Na presente tese é abordado o tema da inspecção visual automática como meio de

garantir o controlo de qualidade. A inspecção, de um modo geral, e sobretudo a

inspecção visual automática foram aqui focadas. Enunciam-se alguns exemplos de

aplicações de sistemas de visão na indústria, assim como os seus constituintes. Existe

lugar ainda para uma abordagem básica sobre a visão artificial, câmaras, sistemas de

iluminação e processamento de imagem. Tudo isto sob um pano de fundo teórico.

Sob um ponto de vista mais prático, foram analisadas as mais diversas questões surgidas

ao longo da implementação. A existência de um bom sistema de iluminação é

fundamental para o sucesso de um sistema de visão. Um contraste bem definido pode

eliminar a necessidade de algoritmos extremamente rebuscados, os quais, dependendo

da qualidade da imagem, poderão ser mesmo impossíveis de concretizar. No caso do

componente a analisar, o fundo branco revelou um contraste superior. Foi desenvolvido

um protótipo laboratorial de aquisição, composto por quatro lâmpadas fluorescentes e

paredes brancas, para que a iluminação se distribua mais uniformemente. O motivo

desta distribuição uniforme reside no facto do componente ser constituído por uma liga

metálica, a qual apresenta uma reflexão especular elevada. Testaram-se ainda diversas

fontes de iluminação. As que mais se adequaram ao cumprimento dos objectivos foram

as lâmpadas fluorescentes compactas e as barras de LEDs. Estas últimas apresentam

diversas vantagens a nível técnico (menor consumo, menor dissipação de calor, maior

durabilidade, possibilidade de utilizar apenas no momento da aquisição) mas têm como

grande óbice o seu custo. As lâmpadas fluorescentes compactas, cumprem os objectivos

propostos, igualmente com bons resultados, pelo que atendendo ao factor económico, a

escolha deverá recair sobre estas.

A câmara utilizada (Oscar F810C) cumpre as especificações desejadas, embora a

informação de cor não seja relevante para a solução implementada. Esta câmara

apresenta uma resolução aproximadamente duas vezes superior ao mínimo (admitindo o

componente perfeitamente alinhado com a horizontal). Considerando como caso

Capítulo 5 Conclusões

70

extremo a situação do componente surgir com um ângulo de 45º, obtém-se

aproximadamente 2,4 pixéis por décima de milímetro, encontrando-se assim com uma

resolução ligeiramente acima do necessário (considerando o teorema da amostragem).

Ao nível da implementação computacional, foram descritos os algoritmos efectuados no

sentido de se detectarem os defeitos propostos. Estes cumprem o seu objectivo.

Procedeu-se à análise de diversas situações para cada um deles. O reduzido número de

amostras impede uma análise de resultados mais realista, embora esta seja uma

limitação comum aquando do desenvolvimento primário de soluções de visão artificial

na detecção de defeitos. A solução é testada para um número reduzido de amostras e

posteriormente é integrado na produção para testes.

Efectuaram-se duas abordagens distintas para a determinação do defeito no orifício,

ambas apresentam problemas, embora de natureza diferente. A primeira abordagem

baseia-se no centro do rectângulo envolvente, sendo sensível às rebarbas de dimensão

considerável, pois o centro do rectângulo é influenciado por estas. A segunda

abordagem é efectuada através da transformada de Hough. O facto de o componente

apresentar reflexões especulares, quando em presença de uma fonte de luz, pode

conduzir a uma falsa detecção de círculos. A solução final passou por uma combinação

das duas abordagens iniciais, resultando numa detecção mais robusta e rápida. O tempo

de detecção é de aproximadamente 228 milissegundos.

O algoritmo de detecção do defeito das roscas nos pernos atinge os requisitos

pretendidos, tendo a capacidade de distinguir a presença de rosca nos pernos, de acordo

com as características desejadas. Este analisa o comportamento periódico nos pernos ao

longo de uma linha, avaliando as transições dos pixéis (brancos para pretos e vice-versa)

ao longo das várias linhas verticais que compõem o perno. O tempo de processamento

para a detecção deste defeito é de aproximadamente 78 milissegundos.

A abordagem utilizada na detecção de rebarba consiste na análise da variação da

direcção ao longo do contorno externo do componente. Para que esta abordagem seja

possível é necessário dividir o componente em sectores. A cada sector está associado

um quadrante. A rebarba ocorre quando se regista movimento fora do quadrante

previsto para o sector em questão. Para que o algoritmo funcione correctamente é

necessário que o componente se encontre alinhado com a horizontal. O método aplicado

inclui a funcionalidade de correcção do componente, alinhando-o com a horizontal. A

robustez do algoritmo é limitada pelo nível limiar de binarização, podendo este

introduzir uma falsa detecção de rebarba. Para a obtenção dos melhores resultados é

Capítulo 5 Conclusões

71

fundamental que a iluminação seja o mais uniforme possível e o parâmetro limiar de

binarização esteja devidamente ajustado. A detecção do ângulo do componente com a

horizontal, por vezes é imprecisa, resultando assim num alinhamento incorrecto do

componente, o que pode induzir a detecção de uma falsa rebarba. O algoritmo de

detecção de rebarba, assim como o método de detecção do ângulo num trabalho futuro,

necessitam de alguns ajustes, para que se tornem mais eficazes. O tempo de inspecção

necessário é de aproximadamente 1500 milissegundos.

O trabalho desenvolvido cumpre os objectivos inicialmente propostos. A detecção de

cada um dos defeitos funcionou correctamente. Os algoritmos possuem um elevado

grau de flexibilidade, podendo ser ajustados os mais diversos parâmetros associados a

cada um deles. No que concerne ao tempo de processamento, é possível reduzi-lo,

optimizando ainda mais o código e aproveitando sinergias entre as diferentes detecções,

mais concretamente a detecção dos defeitos no orifício e a rebarba.

Os testes realizados no protótipo laboratorial indiciam uma perspectiva promissora, no

sentido da sua implementação na indústria, não dispensando claro está, alguns ajustes,

assim como mais testes com diferentes amostras.

Deste trabalho resultou um artigo publicado na conferência IEEE International

Symposium on Industrial Electronics 2008 (ISIE08) com o título “Detection of Defects

in Automotive Metal Components Through Computer Vision”.

Referências

72

Bibliografia

[1]. Awcock, G. W. and Thomas, R. Applied Image Processing. s.l. : The MacMillan

Press LTD, 1996.

[2]. A survey of inspection strategy and sensor distribution studies in discrete-part

manufacturing processes. Sampatraj S. Mandroli, Abhishek K. Shivastava, Yu

Ding. s.l. : IIE Transactions (2006), 2006. Vol. 38, pp. 309–328.

[3]. Mehta, Pradip V. An Introduction To Quality Control For The Apparel Industry.

s.l. : ASQC Quality Press, 1992.

[4]. Newman, Timothy S. and Jain, Anil K. A survey of automated visual inspection.

Computer Vision andImage Understanding. March 1995, Vol. 61, pp. 231-262.

[5]. Sylla, Cheickna. Experimental investigation of human and machine-vision

arrangements in inspection tasks. Control Engineering Practice. March, 2002, Vol. 10,

pp. 347–361.

[6]. Malamas, Elias N., et al. A SURVEY ON INDUSTRIAL VISION SYSTEMS,

APPLICATIONS AND TOOLS. Image and Vision Computing. 2, 2003, Vol. 21, pp.

171–188.

[7]. Vernon, David. Machine Vision, Automated Visual Inspection and Robot Vision.

s.l. : Prentice Hall, 1991.

[8]. Development of Inspection Robot for Nuclear Power Plant. Yamamoto, Shinji.

1992.

[9]. Connolly, Christine. Machine vision developments. Sensor Review. 4, 2006, Vol.

26, pp. 277–282.

[10]. Batchelor, Bruce G. and Whelan, Paul F. Intelligent Vision Systems for

Industry. 2002. http://elm.eeng.dcu.ie/~whelanp/ivsi/.

[11]. Schwarzkopf, Patrick. Machine Vision Market Europe Results 2006. [Online]

2007. [Cited: 12 1, 2007.] http://emva.org.

[12]. Definição do OpenCV na enciclopédia online Wikipedia.

http://pt.wikipedia.org/wiki/Opencv. [Online] [Cited: 6 22, 2008.]

Referências

73

[13]. Tsai, DM and Lu, WJ. Detecting and locating burrs of industrial parts.

International Journal of Production Research. 11, 1996, Vol. Vol. 34, pp. 3187-3205.

[14]. Mitra, Amitava. Fundamentals Of Quality Control An Improvement. Second

Editon. s.l. : Prentice Hall, 1998.

[15]. Chandra, M. Jeya. Statistical Quality Control. s.l. : CRC Press, 2001.

[16]. Ishikawa, Kaoru. Introduction to Quality Control. s.l. : 3ª Corporation, 1990.

[17]. Caplen, Rowland. A Practical Approach To Quality Control. 5º Edition. s.l. :

Business Books, 1988.

[18]. Pyzdek, Thomas. What Every Engineer Should Know About Quality Control. s.l. :

Marcel Dekker Inc, 1989.

[19]. Mizuno, Shigeru. Company – Wide Total Quality Control. s.l. : Asien

Productivity Organization, 1988.

[20]. Kroemer, K. H. E. and Grandjean, E. Fitting the Task to the Human - A

Textbook of Occupational Ergonomics. s.l. : Taylor & Francis, 1997. 0-7484-0665-4.

[21]. Chou, Paul B., et al. Automatic defect classification for semiconductor

manufacturing. Machine Vision and Applications. 4, 1997, Vol. 9, pp. 201–214.

[22]. NEWMAN, TIMOTHY S. and JAIN, ANIL K. A SYSTEM FOR 3D CAD-

BASED INSPECTION USING RANGE IMAGES. Pattern Recognition. 10, 1995, Vol.

28, pp. 1555-1574.

[23]. Marshall, A. D. and Martin, R. R. Computer Vision Models and Inspection. s.l. :

World Scientific Publishing Co, 1992.

[24]. Chan, J. P. and Palmer, G. S. MACHINE VISION - APPLICATlONS IN

INDUSTRY. [ed.] The Institution of Electrical Engineers (IEE). 1995.

[25]. Harms, Toni M. MACHINE VISION: WHAT CAN IT DO FOR YOU. 1992.

[26]. Nalwa, Vishvjit S. A Guied Tour of Computer Vision. s.l. : Addison-Wesley

Publishing Company, 1993.

[27]. Barkman, William E. In-Process Quality Control For Manufacturing. s.l. :

Marcel Dekker INC, 1989.

[28]. Katafuchi, Norifum, et al. A method for inspecting industrial parts surfaces

based on an optics mode. Machine Vision and Applications. 2000, Vol. 12, pp. 170–

176.

[29]. Meum, Erik. Development of Burr Measurement System. Laboratory for

Manufacturing Automation. [Online] [Cited: 11 2, 2007.]

http://lma.berkeley.edu/research/2000/2000_Meum_1/index.html.

Referências

74

[30]. Benati, F., et al. A robot-based burr measurement system for the automotive

industry. IEEE, 1999, pp. 1740-1744.

[31]. Total quality control for automotive raw foundry brake disks. Lerones, P.M., et

al. s.l. : Springer-Verlag London Limited, 2005. pp. 359–371.

[32]. Automated Visual Inspection to assembly of Frontal Airbag Sensors of

Automobiles. Fernández, Javier, Benchetrit, David and Gachet, Diego. Antibes-Juan

les Pins, France : IEEE, 2001. Emerging Technologies and Factory Automation. Vol. 2,

pp. 631-634.

[33]. Davies, Er. Machine Vision, Theory, Algorithms, Practicalities. s.l. : Academic

Press, 1990. ISBN 0-12-206090-3.

[34]. Where IS the Intelligence in Machine Vision? Awcock, Graeme. Brighton,UK :

IEEE, 2000. Fourth International Conference on knowledge-Based Intelligent

Engineering Systems &Allied Technologies. pp. 25-32.

[35]. Thomas, A.D.H., et al. Real-Time Industrial Visual Inspection – A Review. Real-

Time Imaging. Academic Press Limited, 1995, Vol. 1, pp. 139-158.

[36]. Gunasekaran, Sundaram. Review Computer vision technology for food quality

assurance. Trends in Food Science & Technology. 8 1996, Vol. 7, pp. 245-256.

[37]. FUNDAMENTALS OF MACHINE VISION LIGHTING. Alltrista Corporation -

Amir Novini. 1985. Vision 86.

[38]. OREN, MICHAEL and NAYAR, SHREE K. A Theory of Specular Surface

Geometry, , 24(2), (1996),. International Journal of Computer Vision. Kluwer

Academic Publishers., 1996, Vol. 24, pp. 105–124 .

[39]. Pham, D.T., Jennings, N.R. and Ross, I. INTELLIGENT VISUAL

INSPECTION OF VALVE-STEM SEALS. Control Eng. Practice. No. 9, 1995, Vol.

Vol. 3, pp. 1237-1245.

[40]. Seulin, R, Merienne, F. and Gorria, P. Dynamic lighting system for specular

surface inspection. [Online] [Cited: 06 28, 2008.] http://vision.u-

bourgogne.fr/Le2i/user_data/publications/seu01a.pdf.

[41]. Shortis, Mark and Beyer, Horst. Chapter 5 : Sensor Technology for Digital

Photogrammetry and Machine Vision. Mark Shorti's Homepage. [Online] [Cited: 06 28,

2008.] http://www.geomsoft.com/markss/papers/Shortis_Beyer_Ch5.pdf.

[42]. CCD vs. CMOS:Facts and Fiction. Litwiller, Dave. s.l. : Laurin Publishing Co.

Inc., January 2001, PHOTONICS SPECTRA,.

Referências

75

[43]. CMOS Image Sensors. Gamal, Abbas El and Eltoukhy, Helmy. MAY/JUNE

205, IEEE CIRCUITS & DEVICES MAGAZINE, pp. 6-20.

[44]. Theuwissen, Albert. CMOS Image Sensors : State-Of-The-Art and Future

Perspectives. IEEE, 2007, pp. 21-27.

[45]. Machine Vision Online. Glossary of Machine Vision Terms. Machine Vision

Online. [Online] [Cited: 07 21, 2008.]

http://www.machinevisiononline.org/public/articles/articlesdetails.cfm?id=127.

[46]. Baxes, Gregory A. Digital Image Processing. s.l. : John Wiley & Sons, Inc, 1994.

[47]. Zhang, Yu-Jin. An Overview of Image and Video Segmentation in the Last 40

Years. s.l. : IRM Press, 2006.

[48]. Russ, John C. The Image Processing – Handbook. Third Edition. s.l. : CRC Press

LLC, 1999.

[49]. Phillips, Dwayne. Image Processing in C. Second Edition. s.l. : R & D

Publications, 1994. ISBN 0-13-104548-2.

[50]. Hussain, Zahid. Digital Image Processing – Practical Applications of Parallel

Processing Techniques. s.l. : E. Horwood, 1991.

[51]. Suetens, Paul, Fua, Pascal and Hanson, Andrew J. Computational Strategies for

Object Recognition. ACM Computing Surveys . 1, March 1992, Vol. 24.

[52]. Jiménez, A.R., Ceres, R. and Pons, J.L. A Survey of Computer Vision Methods

for Locating Fruit on Trees. Transaction of the ASAE. 6, 2000, Vol. 43, pp. 1911-1920.

[53]. Derganc, Joze, Likar, Bos tjan and Pernus, Franjo. A machine vision system

for measuring the eccentricity of bearings. Computers in Industry. Elsevier Science

B.V, 2003, Vol. 50, pp. 103–111.

[54]. Fault detection and localization in empty water bottles through machine vision.

Shafait, Faisal, Imran, Syed Muhammad and Klette, Sven. 2004. IEEE International

Conference on ETechnology - E Tech 2004. pp. 30-34. 0-7803-8655-8.

[55]. Chibesakunda, Emanuel S. Parametric Cost Model for Deburring Processes.

Laboratory for Manufacturing Automation. [Online] [Cited: 11 2, 2007.]

http://lma.berkeley.edu/research/2000/2000_Chibesakunda_1/index.html.

Referências

76

Internet:

Dicionário online de visão por computador e processamento de imagem

http://homepages.inf.ed.ac.uk/rbf/CVDICT/

Glossário sobre máquinas de visão

http://bruce.cs.cf.ac.uk/bruce/LVM/Glossary/Glossary.htm

http://www.machinevisiononline.org/public/articles/articlesdetails.cfm?id=127

Glossário de termos aplicados na indústria

http://logmgt.nkmu.edu.tw/news/articles/Glossary%20of%20Industry%20Terms.pdf

Glossário sobre óptica

http://www.edmundoptics.com/TechSupport/DisplayArticle.cfm?articleid=297

OpenCV

http://opencvlibrary.sourceforge.net/CvReference

http://www.lamce.ufrj.br/grva/data/realidade_aumentada/opencv/OpenCVReferenceMa

nual.pdf

http://pt.wikipedia.org/wiki/Opencv

Computer Vision Source Code

http://www.cs.cmu.edu/~cil/txtv-source.html

Provérbios

http://elm.eeng.dcu.ie/~whelanp/proverbs/proverbs.pdf

Desenvolvimento de um sistema de visão para o controlo de...

Documents

Transcript of Desenvolvimento de um sistema de visão para o controlo de...