Aplicación de técnicas avanzadas de visión por computador para la detección de la calidad del corcho
- Autores: Beatriz Paniagua Paniagua
- Directores de la Tesis: Miguel Ángel Vega Rodríguez (dir. tes.)
- Lectura: En la Universidad de Extremadura ( España ) en 2010
- Idioma: español
- Tribunal Calificador de la Tesis: Juan Manuel Sánchez Pérez (presid.), César Sánz Alvaro (secret.), Patrick Richey Green (voc.), Eduardo Ros Vidal (voc.), Pablo Bustos García de Castro (voc.)
- Materias:
- Texto completo no disponible (Saber más ...)
- Resumen
Esta Tesis Doctoral presenta una solución a un problema existente en la industria del corcho: la clasificación automática de tapones/discos de corcho en función a su calidad usando un sistema de visión por computador. El corcho es un material natural y heterogéneo, y por esta razón existe una gran variabilidad entre muestras manufacturadas siendo imposible encontrar dos tapones con las misma distribución en sus poros y defectos. Los tapones y discos de corcho son clasificados y vendidos en function a su calidad. En la industria del corcho, existen diferentes clases de calidad (ver figura 1) basadas en una compleja combinación de defectos y otras características presentes en el área de la muestra.
Fig. 1. (a) Disco de Clase 0 (b) Disco de Clase 1 (c) Disco de Clase 2 (d) Disco de Clase 3 (e) Disco de Clase 4 (f) Disco de Clase 5 (g) Disco de Clase 6. La Clase 0 representa la mejor calidad de corcho y la Clase 6 la peor.
Debido a la compleja definición de estas clases de calidad, tradicionalmente el proceso de clasificación se ha realizado manualmente por expertos humanos. Actualmente existen varios modelos de máquinas electrónicas para clasificación de tapones y discos de corcho. El rendimiento de estas máquinas es aceptable para tapones/discos de alta calidad, pero para calidad intermedia o baja el número de muestras clasificadas erróneamente es alto. En conclusión, los tapones/discos deben ser reevaluados posteriormente por expertos humanos. Esto ralentiza y encarece enormemente el proceso.
Todo estas razones nos motivaron para desarrollar el trabajo contenido en esta Tesis Doctoral, cuyo objetivo fundamental es la construcción de un sistema de clasificación basado en métodos de extracción de características y procesado de imágenes más avanzados que los actuales, que permitiera una tasa de aciertos mayor, eliminando así la reevaluación humana de los tapones/discos, pero manteniendo al mismo tiempo unos requisitos aceptables de coste para que se pueda implantar en un entorno industrial. El trabajo necesario para desarrollar la solución propuesta ha incluido un estudio exhaustivo de metodos de extracción y análisis de características (en dos y tres dimensiones), la evaluación de diferentes algoritmos de clasificación y la validación del sistema final propuesto usando técnicas psicofísicas y perceptuales (Eye-tracking). Cada una de las partes de las que se compone este manuscrito estudia y analiza distintos aspectos que pueden influenciar la detección de la calidad del corcho. Los experimentos realizados en el estudio de métodos de extracción de características demuestran que los mejores resultados de clasificación se obtienen utilizando las siguientes características: área del tapón/disco de corcho ocupada por defectos (después de umbralizar), el tamaño del mayor defecto en el área del tapón/disco (operaciones morfológicas), y las Medidas de Energía Textural de Laws (Texture Energy Measurements, TEMs) E5L5TR, E5E5TR, S5S5TR, W5W5TR.
Después, para seleccionar el clasificador adecuado para nuestro sistema final, el set de características anteriormente mencionado se usó con diferentes algoritmos de clasificación. Los seis clasificadores seleccionados fueron: una red neuronal Back-Propagation clásica, un clasificador K-medias, el algoritmo de clasificación de los K-vecinos más cercanos, un clasificador de análisis discriminante multiclase, un clasificador de mínimas distancias Euclideas (con diferentes modificaciones) y un clasificador Neuro-Difuso.
Fig. 2. Resultados finales (tasa de error) obtenidos por los clasificadores estudiados.
Tras de evaluar estos clasificadores, se demostró que los mejores resultados se obtuvieron con el clasificador Neuro-Difuso. Incluyendo lógica difusa y una arquitectura de la red neuronal diferente a la clásica los resultados mejoran las tasas de error obtenidas por los demás algoritmos de clasificación, como puede verse en la figura 2. Además, los resultados obtenidos por el sistema final propuesto y los resultados obtenidos por las máquinas de clasificación existentes a día de hoy en la industria también se compararon (estas máquinas tienen un 40% de tasas de error en tapones de calidad intermedia o baja), demostrando que nuestros resultados mejoran las tasas de error que se encuentran en los sistemas automaticos de clasificación en la industria. Por ultimo, hay que mencionar que nuestros resultados mejoran los obtenidos por otros grupos de investigación trabajando en clasificación automática de corcho: [GON00] (33.33% de tasa de error), [VEG04] (13.94% de tasa de error), [COS06] (14% de tasa de error) y [CHA97] (6.7% de tasa de error).
El último paso era validar el sistema para su aplicación práctica a posteriori. Especificamente, se realizaron experimentos en técnicas psicofísicas y Eye-Tracking con la ayuda de tres expertos en clasificación de corcho. El objetivo de este estudio era analizar la correlación de los resultados de clasificación de los tres expertos y los de nuestro sistema, usando muestras reales (figura 3a) e impresas (figura 3b) de tapones de corcho. También, los mapas de saliencia obtenidos con un sistema de Eye-Tracking fueron evaluados (figura 3c). La conclusion final de todos estos experimentos fue la validación del sistema final, haciéndolo fiable para su futura implantación en la industria corchera. A la vista de todos estos resultados, es posible decir que los resultados de este estudio presentan importantes mejoras y contribuciones que mejorarán la clasificación automática de corcho en función de su calidad.
Fig. 3. Validación del sistema final. (a) Experimentos psicofísicos con muestras reales (b) Experimentos psicofísicos con muestras impresas (c) Configuración para los experimentos en Eye-Tracking.
