Aplicación de Procesamiento Imagenes

7/24/2019 Aplicación de Procesamiento Imagenes

http://slidepdf.com/reader/full/aplicacion-de-procesamiento-imagenes 1/111

2014

Presentado por:

Ricardo Vaquier Martínez

José Oswald Juan Aguilar

Director: Miguel Ángel Rojas Hernán

Sistema De Visión Artificial Para La Detección De Cuerpos Sólidos EnBotellas A Través Del Procesamiento De Imágenes Con LABVIEW.

UNIVERSIDAD VERACRUZANA

FACULTAD DE INGENIERÍA ENELECTRONICA Y COMUNICACIONES

TRABAJO PRÁCTICO TÉCNICOPrevio a la obtención del Título de:

INGENIERO EN ELECTRÓNICA Y TELECOMUNICACIONES



1

ÍNDICE

ÍNDICE .................................................................................................................................................. 1

PRESENTACIÓN .................................................................................................................................... 4

CAPÍTULO 1 ......................................................................................................................................... 5

1 INTRODUCCIÓN ............................................................................................................................ 5

1.1.1 Objetivo .............................................................................................................................. 5

1.1.2 Sistema humano de visión. ................................................................................................ 5

1.1.3 Sistema de visión artificial (SVA) ........................................................................................ 6

1.2 Aplicaciones En La Industria De La Visión Por Computadora. ................................................... 9

1.3 Justificación Del Proyecto. ...................................................................................................... 10

1.4 Limitaciones Del Proyecto. ...................................................................................................... 12

CAPITULO 2 ....................................................................................................................................... 14

2 CONCEPTOS BÁSICOS DEL PROCESAMIENTO DIGITAL DE IMÁGENES. ...................................... 14

2.1 Adquisición De Imágenes. ................................................................................................... 14

2.1.1 Iluminación. ...................................................................................................................... 14

2.1.2 Tipologías de fuentes de luz. ............................................................................................ 15

2.1.3 Tipos de Iluminación. ....................................................................................................... 15

2.2 Procesamiento de imagen. ...................................................................................................... 19

2.2.1 Representación digital de imágenes. ............................................................................... 20

2.2.2 Representación vectorial de los colores. ......................................................................... 21

2.2.3 Algoritmos de procesamiento básico. .............................................................................. 22

2.2.4 Conversión a escala de grises. .......................................................................................... 22

2.2.5 Brillo. ................................................................................................................................ 23

2.2.6 Escalamiento (Scale). ........................................................................................................ 25

2.2.7 Rotación. .......................................................................................................................... 28

2.2.8 Matrices de procesamiento. ............................................................................................ 28

2.3 Segmentación. ......................................................................................................................... 30

2.3.1 Segmentación por Umbral (Thresholding). ...................................................................... 30



2

2.4 Extracción de Características. ................................................................................................. 32

2.4.1 Operaciones Binarias Morfológicas.................................................................................. 32

2.4.2 Medición de Partículas. .................................................................................................... 33

CAPITULO 3 ....................................................................................................................................... 34

3. LABVIEW™ en aplicaciones de procesamiento de imágenes. ................................................... 34

3.1 Introducción al Software de captura de imágenes. ................................................................ 34

3.2 Adquisición y procesamiento de imágenes a través del paquete IMAQ................................ 34

3.2.1. Modulo NI IMAQ. ................................................................................................................ 34

3.3 Adquisición de Imágenes a través del paquete IMAQ. ........................................................... 38

3.3.1. Administración de espacios de memoria. ....................................................................... 38

3.3.2. Manejo y Configuración de la Cámara ............................................................................ 41

3.3.3. Modos de Captura de imágenes. .................................................................................... 443.3.4. Visualización de Imágenes en el panel frontal. ............................................................... 48

3.3.5. Lectura y escritura de Imágenes. .................................................................................... 50

3.4 Procesamiento de imágenes con IMAQdx. ............................................................................. 52

3.4.1. Segmentación Por Umbral. ............................................................................................. 52

3.4.2. Análisis de Partículas. ...................................................................................................... 55

3.4.4. Filtros de Convolución. .................................................................................................... 57

3.4.4. Deteccion de Bordes. ...................................................................................................... 59

3.4.5. Ecualizador. ..................................................................................................................... 61

3.4.6 Histograma. ...................................................................................................................... 62

3.4.7 IMAQ Equalize VI. ............................................................................................................. 62

Capítulo 4. ......................................................................................................................................... 63

4. DISEÑO E IMPLEMENTACIÓN DEL SISTEMA PARA LA DETECCIÓN DE CUERPOS SOLIDOS. .......... 63

4.1 Especificaciones para el diseño del sistema ............................................................................ 63

4.2 Características del Frasco. ....................................................................................................... 64

4.3 Selección del frasco. ................................................................................................................ 654.4 Características del líquido. ...................................................................................................... 66

4.5 Características del Entorno. .................................................................................................... 66

4.5.1 Captura de imagen del frasco .......................................................................................... 68

4.5.2 Características del sistema de iluminación. ..................................................................... 68

4.6 Diseño del Programa detector de objetos en LabVIEW™ con el uso del paquete IMAQ. .......... 70



3

4.6.1 Diagramas de trabajo y Diagramas de Bloques. ............................................................... 70

4.6.2 Implementación del sistema de visión artificial con LabVIEW. ........................................ 75

4.6.3 Captura de la Imagen con IMAQdx. ................................................................................. 75

4.6.4 Procesamiento de imagen con IMAQ............................................................................... 76

Capítulo 5 .......................................................................................................................................... 81

5 ANÁLISIS E INTERPRETACIÓN DE RESULTADOS.............................................................................. 81

5.1 DATOS EXPERIMENTALES. ....................................................................................................... 81

5.1.1 Pruebas realizadas. ........................................................................................................... 81

5.1.2 Análisis de frascos estáticos. ............................................................................................ 81

5.1.3 Pruebas del tipo de frasco. ............................................................................................. 81

5.1.4 Pruebas de iluminación. .................................................................................................. 82

5.2 Datos obtenidos. ..................................................................................................................... 835.3 Análisis de resultados. ............................................................................................................. 84

5.3.1 Pruebas realizadas con chocolate en polvo. .................................................................... 84

5.3.2 Pruebas realizadas con salsa picante. .............................................................................. 85

5.3.3 Pruebas realizadas con jabón en polvo. ........................................................................... 85

5.3.4 Pruebas realizadas con café. ............................................................................................ 86

5.4 Eficiencia Total. ....................................................................................................................... 87

Conclusiones y Recomendaciones. ................................................................................................... 88

Anexos. .............................................................................................................................................. 89

Anexo 1: Tablas de resultados. ..................................................................................................... 89

Pruebas realizadas con chocolate en polvo. ............................................................................. 89

Pruebas realizadas con salsa picante. ....................................................................................... 91

Pruebas realizadas con jabón en polvo. .................................................................................... 93

Pruebas realizadas con café. ..................................................................................................... 95

Anexo 2. ............................................................................................................................................. 96

Instrucciones básicas para la instalación de LabVIEW™. .......................................................... 96Instale NI LabVIEW y Controladores para Control de Instrumentos. ........................................ 96

Instalación del software de National Instruments Vision Acquisition. ........................................... 102

Glosario ........................................................................................................................................... 108

Fuentes de información: ................................................................................................................. 109



4

PRESENTACIÓNEl mejoramiento de tecnologías para maximizar el rendimiento de procesosindustriales es una búsqueda continua e incesante, este fue el principal motivo derealizar este trabajo de investigación: “la detección de cuerpos sólidos en botellas”.

La solución es un prototipo pero con la visión de poder ser implementado en unambiente real, a gran escala con éxito y que también puede servir de base parafuturos proyectos.

Invitamos a usted lector, a investigar, desarrollar e implementar nuevassoluciones con sistemas de visión artificial, un campo interesante, complejo pero ala vez desafiante.

La globalización y el surgimiento de nuevas empresas, ocasiona que cada

empresa se esfuerce por brindar un producto o servicio de mayor calidad.Por lo que la etapa de control de calidad se convierte en una parte muy importantepara lograr lo antes mencionado.

Actualmente existen diversos mecanismos para determinar la calidad de unproducto y la elección de este mecanismo depende del parámetro que seconsidere de mayor relevancia. Como puede ser el peso, la geometría, color. Enmuchas industrias el control de calidad está a cargo de la inspección visualhumana, sin embargo este tipo de inspección puede tener errores provocando enocasiones un bajo nivel de calidad.

Como una alternativa y solución surgen los sistemas de visión artificial, que soncapaces de detectar aquellos errores que un operario pudiese dejar pasar por alto.

Pero claro, existen situaciones imprevistas en las que un sistema de visión artificialno sabría cómo reaccionar y que un operario puede ser capaz de resolver.

Con el propósito de comprender mejor las ventajas y desventajas de cada uno deestos sistemas es necesario tener conocimiento del funcionamiento, cuandomenos general



5

CAPÍTULO 11 INTRODUCCIÓN

1.1.1 Objetivo

Crear un sistema de visión con LabVIEW™ que permita detectar turbiedades,sólidos en botellas con líquidos transparentes.

1.1.2 Sistema humano de visión.

La vista es uno de los sentidos más complejos y especializados del cuerpo

humano, por medio de la visión el ser humano es capaz de captar la forma, elvolumen, los colores, la luminosidad, el tamaño y demás cualidades de los objetosque lo rodean, lo cual corresponde a tres cuartas partes del total de laspercepciones de la persona. En la figura 1-1 se muestran las partes del ojo y en la1-2 como se forman las imágenes.

Figura 1-1 Partes del Sistema Ocular

El ojo humano funciona básicamente como una cámara fotográfica y como ocurreen ésta, tiene tres partes principales:

Un sistema óptico para focalizar la luz que le llega: el cristalino que es una lentebiconvexa cuya curvatura se puede modificar mediante los músculos filiares.

Un diafragma para controlar la cantidad de luz que le llega: la pupila que puedemodificar su tamaño para dejar pasar más o menos luz.



6

Una superficie sensible a la luz para detectar la imagen resultante: la retinaconstituida por una capa de células sensibles a la luz que enlazan con el nervioóptico.[1]

Figura 1-2 Formación de las imágenes.

1.1.3 Sistema de visión artificial (SVA)

Se puede definir la “Visión Artificial” como un campo de la “Inteligencia Artificial”

que, mediante la utilización de las técnicas adecuadas, permite la obtención,procesamiento y análisis de cualquier tipo de información especial obtenida através de imágenes digitales.

La visión artificial la componen un conjunto de procesos, que se puede ver en lafigura 1-3, destinados a realizar el análisis de imágenes. Estos procesos son:captación de imágenes, memorización de la información, procesado einterpretación de los resultados. [2]

Figura 1-3 Elementos de un sistema de visión artificial.



7

Los elementos principales de un sistema de visión artificial son los siguientes:

Fuente de Luz. Conseguir una correcta iluminación es de vital importancia para laimplementación de cualquier sistema de control de calidad basado en un sistemade visión artificial, ya que debe proporcionar unas condiciones de iluminación

uniforme e independiente del entorno, con la finalidad de extraer los rasgos deinterés. Existen diferentes tipos de iluminación: direccional, difusa, contraluz,estructurada, estroboscópica

Módulo de digitalización: Convierte la señal analógica proporcionada por lacámara a una señal digital (para su posterior procesamiento).

Procesador de imagen: Procesa e interpreta las imágenes captadas por elMódulo de digitalización.

Memoria de imagen: Almacena la señal procedente del módulo de digitalización.

Módulo de entradas/salidas: Gestiona la entrada de sincronismo de captación deimagen y las salidas de control que actúan sobre dispositivos externos en funcióndel resultado de la inspección.

Módulo de visualización. Convierte la señal digital residente en memoria, enseñal de vídeo analógica para poder ser visualizada en el monitor de TV. [2]

Como podernos darnos cuenta un sistema de visión artificial está basado enesencia en el sistema de visión humano

Comparación entre el sistema de visión Artificiales y sistema Humano de Visión

Los componentes del sistema de visión artificial trabajan de manera análoga alsistema humano:

Fuente de luz: Los seres humanos y los sistemas de visión artificial, requieren decondiciones mínimas de iluminación para poder distinguir los objetos que analizanrespectivamente; de no ser así la información que obtienen es errónea o ambigua.

Sensores de imagen: El trabajo que realizan el iris, el cristalino, la pupila, laretina, los conos, los bastones y demás componentes del globo ocular sonemulados por una cámara que también posee una lente, sensores fotoeléctricos,un objetivo, un diafragma y demás componentes de la cámara.



8

Sistema de Adquisición: Mientras que el ser humano posee el nervio óptico, quese encarga de llevar la información brindada por los conos y los bastones hacia elcerebro en forma de pulsos eléctricos; el sistema de visión artificial (SVA) posee elsistema de adquisición, que se encarga de transformar la información eléctrica denaturaleza analógica en una señal digital.

Aplicación de Procesado: En contraste con el cerebro humano, en el SVA laaplicación de procesado depende del programa de aplicación que se encuentreinstalado. El cerebro humano puede sacar toda la información pertinente delobjeto y realizar un trabajo de acuerdo a sus necesidades.

Ventajas y desventajas de un sistema humano de visión y un sistema de visiónartificial.

Un sistema de visión artificial (SVA) es mucho mejor al momento de realizarevaluaciones en magnitudes físicas, ya que el sistema no cae en problemas deilusiones ópticas o en la influencia del entorno al momento de realizar laverificación visual.

El SVA, puede realizar actividades de verificación rutinarias a una gran velocidaden procesos muy rápidos para el limitado ojo humano aumentando laproductividad.

El SVA permite la verificación de lugares inaccesibles a las personas; ya seaporque escapan a la vista del ser humano o por el peligro al que se exponen las

personas.

Un sistema de control de calidad basado en un SVA puede trabajar las veinticuatrohoras del día sin interrupciones; mientras que los operarios son susceptibles alcansancio físico y mental que afectan el control de la calidad y la velocidad de laproducción.

El sistema de visión humano puede ser capaz de entender imágenes deinformación muy compleja o ambigua, y basando en su experiencia (conocimientoprevio) es capaz de tomar la mejor decisión.



9

1.2 Aplicaciones en la industria de la visión por computadora.

Hoy en día, en muchos procesos de fabricación, los límites de detección dedefectos han superado la percepción del ojo humano; por esta razón las empresasdel mundo moderno se han visto en la necesidad de crear sistemas que permitancontrolar en forma precisa y acertada la calidad de sus productos. Es así comonace la visión artificial o visión por computador. En lo correspondiente al área delcontrol de calidad, se puede observar que las aplicaciones que se pueden llevar acabo podrían ser: la inspección de productos, tales como en la industria del papel,aluminio, acero, entre otras; también se puede realizar la inspección de circuitosimpresos, sin dejar a un lado la identificación de diferentes piezas, el etiquetado deenvases en los cuales se desea controlar características como fechas decaducidad, número de lote, además tomando muy en cuenta el área de control decalidad de productos alimenticios, tales como: naranjas, manzanas, flores.

En el área de la biología podríamos distinguir entre aplicaciones microscópicas ymacroscópicas. En una imagen microscópica se pueden encontrar abundantesorganismos, que mediante técnicas de segmentación orientadas a regiones,podrían ser aislados para su identificación mediante las correspondientespropiedades (tamaño, excentricidad, color.) o para contar el número demicroorganismos o células presentes en una imagen.

Para la Inspección en tarjetas de circuitos impresos, también es importante unsistema SVA, Existen muchos aspectos diferentes en el proceso de fabricación decircuitos impresos que requieren inspección. Por ejemplo, verificar que loscomponentes han sido colocados en sus lugares correctos, comprobar las pistaspara identificar cualquier ruptura, componentes inclinados sobre la tarjeta, verificarsoldaduras incorrectas

Otros campos como la astronomía y la meteorología, donde las aplicaciones quepermiten el análisis, exploración del espacio exterior, y también se permitiría lapredicción de condiciones climáticas. [3]

Todo lo escrito anteriormente permite darse cuenta que realmente existenmúltiples aplicaciones que implican la utilización de sistemas de visión artificial que

facilitan y mejoran procesos en los que el ojo humano puede no ser suficiente.



10

1.3 Justificación del proyecto.

Con el problema de posibles errores en un sistema de inspección manual, surge laidea de una solución que en el presente trabajo se describe, una aplicación devisión artificial, mediante el uso del software LabVIEW™, que permite la detección

de cuerpos sólidos en botellas. El objetivo es poder determinar la presencia deobjetos extraños en el contenido del frasco, con un algoritmo que sea capaz depoder identificar botellas en las cuales el contenido no es deseado.

Esta implementación puede ser aplicada para verificar que las botellas estén libresde objetos extraños antes de verter el contenido en ellas, así como para lacomprobación de que el contenido vertido sea el esperado. Por tanto, puede seraplicado en la industria farmacéutica, bebidas gaseosas, etc.

Se escogió LabVIEW™ porque esta herramienta ofrece versatilidad para el diseño

de aplicaciones de instrumentación virtual y control de procesos, también por serun programa mundialmente usado para el desarrollo e implementación de este tipode tareas, tiene un soporte muy amplio en cuanto a información y susherramientas. Pero esto, no es una restrictiva para otras personas que decidandesarrollar las aplicaciones en otro software incluso de código abierto.

En seguida se mencionan varias de las razones por las que se eligió el softwarede National Instruments (NI) como el más adecuado, debido a que se puedenescoger también alternativas de herramientas basadas en programas de códigoabierto.

Elección de Cámara: El software y hardware de NI es compatible con cientos decámaras abarcando desde cámaras analógicas de bajo costo hasta las deescaneo de líneas de alta velocidad.

Figura 1-4 Tipos de Cámaras.

Mejoramiento del hardware: Así como escoger la cámara correcta es crucialpara cualquier aplicación, la posibilidad de cambiar el hardware es otra



11

consideración importante. Debido a que la tecnología en el desarrollo de cámarasavanza rápidamente, algún día se deseará usar una cámara de mejorescaracterísticas. NI proporciona varios paquetes (NI-IMAQ drivers) para cambiar lacámara sin necesidad de cambiar el software.

Figura 1-5 Tarjeta de adquisición de datos de NI.

Software de fácil manejo: Programar una aplicación de visión artificial suele

resultar algo complejo, pero NI proporciona una herramienta conocida como el Asistente de Visión (Vision Assistant); el cual proporciona al usuario un ambientede pruebas con diferentes funciones de visión para observar cómo trabaja laaplicación y la eficiencia del programa.

Figura 1-6 Asistente de Visión de NI.

Algoritmos de amplitud y precisión: Todas las funciones proporcionadas por elmódulo de Desarrollo de Visión presentan la ventaja de utilizar precisión de sub-píxeles para realizar interpolaciones, medir distancias y demás medidas que vandesde el décimo de píxel.

Desempeño del algoritmo: NI Vision Software está altamente optimizado paramaximizar el rendimiento de cada posible fuente, resultando ser un software querivaliza con otros paquetes de alta velocidad a nivel mundial.

Las empresas que requieren soluciones de tipo SVA, o más aún, industrias queutilicen dispositivos de visión artificial; hace evidente la necesidad de creación deempresas que sean capaces de proveer soluciones en este campo.



12

Uno de los propósitos esenciales del desarrollo de nuestro tema es el de motivar eincentivar, primordialmente a los lectores de la presente investigación, aldesarrollo de nuevas aplicaciones.

Por otro lado pudiera pensarse que implementar un sistema de esta naturaleza

sería muy costoso y no redituable. Si bien es cierto que existen equipos de altocoste, el proyecto muestra una alternativa que emplea cámaras USB de resoluciónregular y a precios módicos. También se toma en cuenta que en la actualidad lascomputadoras son poderosas, que pueden ser adquiridos a precios accesibles, yque pueden sustituir la necesidad de utilizar equipos más especializados y porende abatir costos.

1.4 Limitaciones Del Proyecto.

El objeto del proyecto es detectar cuerpos sólidos, o también turbiedades que noformen parte del contenido esperado dentro del frasco o bien una variación en latonalidad del líquido.

Según el diccionario de la Real Academia Española turbio se define

como: Mezclado o alterado por algo que oscurece o quita la claridad natural

o transparencia.

Se determinaron las siguientes limitaciones para el proyecto:

El número de capturas de imágenes por unidad de tiempo que la cámara puederealizar, lo que a su vez está vinculado a la velocidad máxima de procesamientodel programa y la cámara misma.

• La botella (frasco) a ser utilizado debe ser completamente transparente, parabrindar la facilidad de poder identificar el contenido almacenado. También seráimportante que su forma uniforme.

• El líquido contenido sea transparente en un 80%, es decir su nivel de

transparencia debe ser alta a moderadamente alta, debe ofrecer todas lasfacilidades para apreciar objetos que se encuentre sumergidos en el líquido.

• El líquido contenido debe ser homogéneo, por ejemplo agua, bebidas gaseosasclaras, alcohol.



13

• Para el proceso de captura de imagen, se deben tener las consideraciones que

se describirán más adelante, respecto a iluminación, posición de la botella,distancia entre la cámara y la botella.



14

CAPITULO 22 CONCEPTOS BÁSICOS DEL PROCESAMIENTO DIGITAL DE IMÁGENES.

El procesamiento digital de imágenes (PDI) se remonta a la década de los 60,aparece tardíamente en la historia de la computación, ya que antes de pensar enello, había que desarrollar el hardware y los sistemas operativos gráficos quepermitieran hacerlo. En ese tiempo la NASA daba seguimiento al programa deciencia lunar una vez tomadas las imágenes tenían que ser enviadas a la Tierra,tras varios intentos fallidos, surgió el proyecto Ranger 7 que logro enviar dichasimágenes a la Tierra y una vez aquí fueron convertidas de su forma analógica adigital este proceso dio inicio al empleo de computadoras para procesar imágenes.[4]

Por otro lado, los algoritmos y las técnicas de optimización que han tenido quedesarrollarse para el procesamiento digital de imágenes son muy sofisticados yelaborados. En la actualidad existen muchas herramientas de software quepermiten el procesamiento digital de imágenes, este caso en particular LabVIEWproporciona técnicas de procesamiento necesarias para el proyecto.

2.1 Adquisición De Imágenes.

Todo sistema de adquisición de imágenes debe contar con los siguienteselementos:

• La fuente de luz para iluminar la escena (iluminación).

• El sistema que permite capturar la imagen (cámara).

• Una interfaz entre el sistema sensor y el computador.

2.1.1 Iluminación.

El diseño correcto de un ambiente de iluminación es muy importante para laimplementación de un SVA, La iluminación es la parte más crítica dentro de unsistema de visión. Las cámaras capturan la luz reflejada de los objetos. Elpropósito de la iluminación utilizada en las aplicaciones de visión es controlar laforma en que la cámara va a ver el objeto.



15

La luz se refleja de forma distinta si se ilumina una bola de acero, que si se iluminauna hoja de papel blanco y el sistema de iluminación por tanto debe ajustarse alobjeto a iluminar. Una buena iluminación permitirá principalmente reducir lacomplejidad de la imagen a analizar.

2.1.2 Tipologías de fuentes de luz.

Existen diferentes factores que se deben analizar al momento de elegir una fuentede luz, como la intensidad luminosa, la versatilidad del diseño, el precio, el tiempode vida útil, aquí se presentan las fuentes lumínicas más usadas:

Iluminación mediante fluorescentes. (Anulares, lineales, lineales de apertura, depanel). Este tipo de iluminación proporciona una luz brillante, sin sombras. Laslámparas han sido diseñadas para suministrar el máximo de intensidad durante almenos 7000 horas. Lo que proporciona una mayor productividad. Existenlámparas blancas en distintas temperaturas de color, Y también ultravioletas (UV).Esta iluminación se aplica en entornos que requieren mucha luz, y ningún tipo desombra, (análisis biológicos, inspección y la microscopía, Ensamblaje, Inspecciónde circuitos, Industria, Laboratorios, Visión Industrial, Fotografía, Control deCalidad, Robótica, etc...)

Iluminación mediante diodos led. Proporcionan una luz difusa muy útil para laaplicación en ciertos objetos. Pueden ser de iluminación directa y en anillo.

Funcionan a baja tensión, consumen poca potencia, disipan poco calor alambiente, son pequeños, livianos y tienen un tiempo de vida de 100 000 horas. [5]

La aberración cromática es un fenómeno óptico en el cual no coinciden lasimágenes de un mismo objeto por los diferentes colores que componen la luz,ocasionando bordes coloreados en la imagen final del objeto. Este fenómenopuede ser corregido mediante el uso de diodos emisores de luz, debido a sunaturaleza monocromática (longitud de onda fija).

2.1.3 Tipos de Iluminación.

La elección de la fuente de luz es tan solo una parte del diseño del sistema deiluminación, a continuación se debe seleccionar la forma de iluminar la escena y elobjeto.

La manera en que la luz incida sobre el objeto de interés, resaltará ciertascaracterísticas y aunque también ocultará otras.



16

Entre las técnicas de iluminación más utilizadas se tienen las siguientes:

Iluminación direccional frontal: Se utiliza en objetos planos con superficies sinbrillo (mates). La cámara se ubica en la misma dirección que la luz y recibe la luzreflejada por el objeto, como se ve en la figura 2-1. El tipo de fuente que se utiliza

con esta técnica son los LEDs, los domos y fuentes puntuales de fibra óptica.

Figura 2-1 Iluminación Frontal Unidireccional.

Contraluz: En este tipo de iluminación, la fuente de luz principal está detrás delobjeto y de frente al fotógrafo, como se muestra en la figura 2-2.

Figura 2-2 Iluminación contraluz

Con esta ubicación de la luz principal detrás del objeto fotografiado, se consiguensiluetas muy contrastadas.Se anulan prácticamente los colores y obtenemos zonas o muy claras, o muyoscuras. También conseguimos “separar” el objeto del fondo.

http://fotografiaperfecta.files.wordpress.com/2010/10/contraluz.jpg



17

Luz cenital: La iluminación Vertical (cenital o inferior) aísla los objetos de su fondoy el elevado contraste que da a la imagen les confiere un aire dramático.Especialmente en retratos, puede llegar a hacer el rostro tenebroso eirreconocible. [5]

Figura 2-3 Luz cenital.

2.1.4 Cámaras.

Su función es capturar la imagen proyectada en el sensor, para poder transferirlaa un sistema electrónico. Las cámaras utilizadas en visión artificial requieren deuna serie de características que permitan el control del disparo de la cámara para

capturar piezas que pasan por delante de ella en la posición requerida. Son mássofisticadas que las cámaras convencionales, ya que tienen que poder realizar uncontrol completo de: tiempos, señales, velocidad de obturación, sensibilidad, etc.[2]

Se las divide en dos grandes grupos: cámaras de dispositivo de carga acoplada(CCD, siglas en inglés) y cámaras de semiconductor de óxido metálicocomplementario (CMOS, siglas en inglés).

Tanto los sensores CCD como los CMOS están fabricados con materialesSemiconductores de Metal-Óxido (MOS) y estructurados en forma de matriz.

Acumulan una carga eléctrica en cada celda de la matriz (o pixel) en proporción ala intensidad de la luz que incide sobre ella localmente.

No obstante existen diferencias notables entre ambas tecnologías:



18

Figura 2-4 Esquema de un sensor CCD.

En un sensor CCD (Charge Coupled Device) o Dispositivo de Cargas Acopladas,para recuperar una imagen, se procede a la lectura de estas cargas, mediantedesplazamientos sucesivos y de forma secuencial.

El CCD convierte finalmente estas cargas en Voltaje y entrega una señalanalógica a su salida, que debe ser digitalizada y procesada por los circuitos de lacámara.

Figura 2-5 Esquema de un sensor CMOS.

En un sensor CMOS, (Complementary Metal Oxide Semiconductor) los fotonesque recibe cada celda son convertidos en carga eléctrica y en voltaje en la misma



19

celda receptora, de esta manera al contrario que en los CCD, las celdas sontotalmente independientes de sus vecinas.

Al contrario que el CCD, el sensor CMOS realiza la digitalización píxel a píxel, elloconlleva que el resultado que entrega a la circuitería de la cámara este ya

digitalizado.

En resumen CCD obtiene más calidad de imagen a costa de un tamaño mayor yconsumo más elevado.

Por su lado CMOS es superior en integración y bajo consumo a costa de perdercalidad de imagen en situaciones de poca luz. Sin embargo pensar que un CCDde una cámara compacta media es superior en calidad de imagen a un CMOS decámara de alta gama seria equivocado.

Como siempre no hay nada superior de por sí, sino situaciones en las que cada

tecnología es más adecuada. [6]

2.1.5 Tarjeta de Adquisición de Imágenes.

Las tarjetas de adquisición de imágenes tienen como propósito transmitir lainformación (analógica o digital) obtenida por los sensores de la cámara a lacomputadora, para que se puedan llevar a cabo los procesos del sistema de visiónartificial.

2.2 Procesamiento de imagen.

Para iniciar se definirá cual será el contexto bajo el cual se manejará el conceptode procesamiento de imágenes para evitar confusiones en el lector de estetrabajo, de manera general se denomina procesamiento al tratamiento de losdatos. La detección de bordes, segmentación, la búsqueda de patrones de color,etc. son procesamientos digitales de la imagen; pero son procesos cuyacomplejidad amerita ser tratada aparte.

En esta sección se presentan los procesos menos complejos que pueden ayudar amejorar la calidad de las imágenes tales como el realce, suavizado, conversión a

escala de grises, rotación y redimensionamiento. Muchos expertos en elProcesamiento Digital de Imágenes llaman a esto pre-procesamiento.





21

Cuando la imagen se representa con mapas de bits (bitmap) usando el modelo decolor RGB, cada elemento de la matriz tiene un valor de 3 bytes, uno para cadacolor (rojo, verde, azul), cuya combinación es el color del píxel. Lo que se conocecomo planos de la imagen, cuando se trabaja con imágenes en escala de grisesse usa un solo plano, a diferencia las imágenes a color que se requieren de tres

planos, sin importar el modelo de color que se use porque siempre se usan tresparámetros.

2.2.2 Representación vectorial de los colores.

Los colores se codifican en tres bytes representando su descomposición en lostres colores primarios. Matemáticamente puede interpretarse un color como unvector en el espacio tridimensional de Rojo, Verde y Azul.

Bajo esta interpretación pueden aplicarse algunos conceptos de la geometríaanalítica en el tratamiento de colores y en la generación de filtros otransformaciones.

Figura 2-7 Representación vectorial de los colores.

Donde a, b, y c son valores enteros que pertenecen al intervalo [0-255]. Así, porejemplo un tono de amarillo se puede expresar:

Amarillo=255*rojo+255*verde+0*azul, Amarillo= (255, 255, 0)



22

Representar a los colores a través de vectores hace posible utilizar herramientas yconceptos matemáticos que permitirán implementar los algoritmos de pre-procesamiento.

2.2.3 Algoritmos de procesamiento básico.

Para la representación de las imágenes a través de matrices de píxeles en funciónde las coordenadas (x,y) pertenece al dominio espacial bidimensional. Estopermite realizar transformaciones lineales a las imágenes, simplemente sonmatrices que se pueden sumar, restar o multiplicar.

2.2.4 Conversión a escala de grises.

En el modelo RGB, la escala de grises se caracteriza por tener la misma magnituden los valores para el rojo, verde y azul. En el espacio vectorial, dichos colores seencuentran en la dirección del vector V = (1, 1, 1). Para poder convertir un color aescala de grises, debemos determinar la proyección de cada componente sobre elvector V y así determinar el nivel de gris para ese color.

Figura 2-8 Representación vectorial de colores y la conversión a escala de grises.

En resumen, para convertir una imagen en color a escalas de grises debemosobtener los componentes RGB de cada píxel de la imagen y cambiar su valor porel correspondiente promedio de los tres componentes en ese píxel.



23

Figura 2-9 Ejemplo de conversión a escala de grises.

2.2.5 Brillo.

Aumentar el brillo de una imagen consiste en sumar o restar una constante a loscolores que constituyen un píxel, cuidando siempre de nunca rebasar los límites 0y 255. Si observamos la siguiente figura, aumentar o disminuir el brillo en unaimagen consiste en aumentar o disminuir la ordenada al origen de la línea rectacon pendiente a 45 grados que representa los grises.

Figura 2.10 Aumento o disminución de Brillo. [4]

Aumentar o disminuir el brillo consiste en aumentar o disminuir la ordenada al

origen de la línea recta con pendiente de 45º. Como se ve en la figura 2.10

Y en caso contrario aumentar o disminuir el contraste implica modificar lapendiente de la recta.



24

Por otro lado Si se pretende realizar un modificación de brillo y contraste, primerose debe efectuar la de contraste y a continuación la de brillo.

Figura 2-11 Transformación: variación del contraste.

Estas transformaciones en escala de grises también pueden ser usadas enimágenes a color. El mecanismo consiste en aplicar las transformaciones a cadacomponente del color por separado y al final reconstituir el color.

Figura 2-12 Descomposición de imagen a color en modelo RGB.

Las transformaciones aquí mostradas son lineales, existen otras transformacionesno lineales que son bastante usadas en el tratamiento de imágenes tales como lacorrección gamma y exponencial.



25

2.2.6 Escalamiento (Scale).

Existen varios algoritmos para reducir o aumentar el tamaño de una imagen, a

continuación se presenta el algoritmo del redimensionamiento lineal de unaimagen. Esta modificación sirve para alterar el tamaño de una imagen, copiandosolamente algunos pixeles de la imagen original en el caso de reducción o biencalculando colores intermedios en el caso de amplificaciones. [4]

Los pasos en el proceso para redimensionar el ancho de una imagen se basa enlas siguientes premisas:

• El ancho de la imagen final se denomina Wout.

• El ancho de la imagen original Win.

• La imagen es considerada como una matriz de pixeles (Win y Wout deben sernúmeros enteros positivos).

Considere una sola fila de la imagen original y la imagen de salida como semuestra en la Figura 2-13.

Figura 2-13 Redimensionamiento de una fila.

Se sabe que el algoritmo es lineal, por lo tanto la imagen de salida y de entrada

deben ser semejantes, es decir ser proporcionales. Por lo que se puede establecerla siguiente relación:



26

En base a esta relación se sabe que al píxel Xi le corresponde el color del píxel Ci.Como se mencionó entre las premisas Win y Wout son números enteros positivos,lo que no implica que el cociente entre ellos sea otro entero positivo, puederesultar en un fraccional ocasionando que la coordenada del píxel Ci sea unfraccional, lo cual es imposible dado que las imágenes son matrices.

Ante el inconveniente de que Ci es un fraccional, se presentan dos posiblesdecisiones:

• Tomar el valor entero más cercano de Ci, es decir Xi= E (Ci).

• Hacer una linealización entre E (Ci) y E (Ci)+1, es decir sacar un valor ponderadoentre los dos píxeles, brinda un efecto de suavizado más agradable. En la Figura2.14 se muestra la ponderación que se suele utilizar en este tipo de algoritmos deredimensionamiento lineal.

La pendiente de la recta es la siguiente:

Figura 2.14 Redimensionamiento lineal



27

Para hallar la pendiente es usando la siguiente relación:

Podemos expresar el valor de “a” en base a la pendiente:

a = m× F(Ci) = F(Ci) ×Color(E(Ci) + )1 − Color(E(Ci))

En la imagen 2.12 se puede apreciar que el color de Ci será el Color de E (Ci)más el desplazamiento “a”:

El proceso llevado a cabo para redimensionar el largo de una imagen es idéntico,

la imagen original será la imagen resultante de la primera etapa y las variables deinterés serán ahora Hin y Hout.

Figura 2.15 Ejemplo de redimensionamiento.



28

2.2.7 Rotación.

A continuación se presenta uno de los procedimientos más sencillos para rotarimágenes. Denominamos x e y a las coordenadas de un píxel en un mapa de bits,para localizar su imagen (x’, y’) a través de la rotación del centro (xo, yo) y ángulo α

usamos las siguientes ecuaciones:

Si se utilizan estas ecuaciones partiendo de cada píxel de la imagen original, seobtendrán muchos espacios en blancos en la imagen de salida. Estos agujeros sedeben al hecho de que (x, y) son enteros. La solución a este inconveniente espartir de cada píxel de la imagen de salida y obtener el píxel de procedencia; pero

sigue el problema de que los valores de (x,y) que se obtengan no siempre seránenteros, la solución es muy similar a la del redimensionamiento lineal: tomar elvalor entero más cercano o sacar un valor promedio entre los dos píxeles máspróximos a las coordenadas.

Figura 2-16 Ejemplo de rotación.

2.2.8 Matrices de procesamiento.

A continuación se presentarán las matrices de pre-procesamiento de uso comúnpara procesar una imagen digitalmente.

• Filtro Gradiente.- Los filtros de nitidez se caracterizan por resaltar los detallesdelicados de una imagen o mejorar los aquellos que han sido atenuados por erroro por los efectos de ruido en la adquisición.



29

El gradiente es un operador se lo define como:

El gradiente apunta hacia la dirección de máxima variación de la intensidad.El filtro gradiente es un filtro de derivada de primer orden que destaca lasvariaciones de intensidad luminosa en una determinada dirección, cuyo kernelsigue el siguiente modelo:

Donde los valores de a, b, c y d son enteros y x puede tomar el valor de 1 ó 0.

Figura 2-16 Ejemplo de filtro gradiente.

Filtro Gaussiano.- Un filtro Gaussiano atenúa las variaciones de la intensidadluminosa en la vecindad de un píxel. Se caracteriza por suavizar la forma de losobjetos y atenuar los detalles. Es similar a un filtro de suavizado; pero su efecto dedifuminado es más tenue, presenta una simetría circular, todas las líneas y bordesson tratados de la misma forma.



30

La descomposición de una matriz gaussiana como el producto de dos vectores,representa una gran ventaja al momento de optimizar el tiempo de ejecución delos algoritmos; es más rápido multiplicar matrices (imagen) por vectores(descomposición del filtro gaussiano) que matriz por otra matriz (imagen por elkernel del filtro gaussiano). [4]

Figura 2-17 Resultado de filtro gaussiano.

2.3 Segmentación.

El primer paso en cualquier proceso de análisis de imagen es la segmentación.Mediante la segmentación vamos a dividir la imagen en las partes u objetos que laforman. El nivel al que se realiza esta subdivisión depende de la aplicación enparticular, es decir, la segmentación terminara cuando se hayan detectado todoslos objetos de interés para la aplicación.

Los algoritmos de segmentación de imagen generalmente se basan en dospropiedades básicas de los niveles de gris de la imagen: discontinuidad y similitud.Dentro de la primera categoría se intenta dividir la imagen basándonos en loscambios bruscos en el nivel de gris. Las áreas de interés en esta categoría son ladetección de puntos, de líneas y de bordes en la imagen. Las áreas dentro de lasegunda categoría están basadas en las técnicas de umbrales, crecimiento deregiones, y técnicas de división y fusión. [8]

2.3.1 Segmentación por Umbral (Thresholding).

Este proceso se encarga de segmentar una imagen en base al nivel de intensidadde los píxeles. Debido a su simplicidad es uno de los métodos de segmentaciónmás usados en el procesamiento digital de imágenes. El resultado de este procesoes una imagen binaria, se asigna uno a los píxeles de interés y cero al fondo y/odemás regiones que no son de interés para el análisis.



31

La segmentación por umbral es uno de los primero pasos en una variedad deaplicaciones de visión artificial como análisis de partículas, plantillas decomparación, clasificación de partículas binarias.

La principal herramienta que se usa para escoger el mejor umbral es un

histograma de los niveles de intensidad de los píxeles, como se muestra en laFigura 2-18, allí se puede apreciar claramente que existen dos agrupaciones detonalidades y que se podría tomar sin problema como un umbral la intensidad 166(recordemos que estamos en escala de gris y las intensidades van de 0 a 255)

Figura 2-18 Histograma de intensidad de píxeles.

En la Figura 2-19 podemos ver la imagen original y el resultado después de haberaplicado una segmentación por umbral, el intervalo de umbral marcado en la

Figura 2-18 son los pixeles de intensidad 166 a 255, es decir las partes másbrillantes de la imagen.

Figura 2-19 Ejemplo de segmentación de imágenes.

El umbral de la segmentación puede establecerse de dos maneras: manual yautomática; la segmentación manual no es conveniente en procesosautomatizados, ya que la calidad de la imagen y el ruido tienen una gran influencia



32

en la segmentación y establecer un valor fijo para todas las imágenes no es lomás conveniente. [9]

El modulo NI Vision de Labview™ (que se detallara más adelante) proporcionamétodos estadísticos que determinan el mejor umbral en base al análisis del

histograma de intensidades de la imagen. Estas técnicas son adecuadas paracondiciones en las cuales la intensidad luminosa varía de imagen a imagen, estosson: entropía, inter-varianza, métrica, momentos y agrupación.

2.4 Extracción de Características.

La segmentación es el proceso que se encarga de resaltar los objetos de interésdel fondo de la imagen, y da como resultado una imagen binaria. De esta imagenbinaria se puede obtener varías características de los objetos, tales comoperímetro, área, agujeros en las partículas, longitudes, etc.

Previo a la medición de las partículas, existe una etapa de mejoramiento de lospíxeles conocida como operaciones binarias morfológicas. Debido a que lasegmentación por umbral es un proceso subjetivo, la imagen resultante binariapuede contener información innecesaria, como partículas producto del ruido,partículas que topan los bordes de la imagen, partículas en contacto con otraspartículas, y partículas con fronteras desiguales. [9]

2.4.1 Operaciones Binarias Morfológicas.

Los operadores morfológicos cambian la forma de las partículas que procesan enbase al número de sus vecinos y sus valores. Se define al vecino como un píxelcuyo valor afecta los valores de los píxeles cercanos durante ciertas funciones deprocesamientos de imágenes.

Después de identificar un conjunto de píxeles que pertenecían a un mismo rangode intensidades en la segmentación, el siguiente paso es agrupar los píxeles en

partículas. NI Vision presenta varias operaciones morfológicas y las dividen en dosgrupos: simples y avanzadas. [10]

Las operaciones morfológicas simples que presenta NI Vision son: erosión,dilatación, apertura, cierre, gradiente interno, gradiente externo, adelgazamiento,engrosamiento.



33

Las operaciones avanzadas incluidas en el software NI Vision son: eliminación debordes, relleno de agujeros, filtro pasa bajos, filtro pasa altos, separación,segmentación. Se usan estas operaciones para rellenar agujeros en las partículas,remover partículas que topan el borde de la imagen, remover partículasinnecesarias grandes o pequeñas.

2.4.2 Medición de Partículas.

El concepto de partícula es considerado como un conjunto de píxeles contiguosdiferente de cero en una imagen binaria. Las partículas pueden ser caracterizadaspor medio de mediciones relacionadas con sus atributos, tales como la ubicación,área y forma.

Además de hacer las mediciones convencionales de los píxeles, las funciones demediciones de partículas de NI Vision son capaces de usar información decalibración para dar las medidas aproximadas a valores del mundo real. Seconsidera que un píxel tiene un área de una unidad cuadrada.

En definitiva, la imagen de una pantalla de ordenador es como un mosaico con unnúmero de pequeños cuadros en horizontal y en vertical. Cuando se dice que lapantalla tiene una resolución de 1024 x 768 o 800 x 600, la primera cifra indica elnúmero de cuadros en horizontal que va a tener el escritorio y la segunda cifra loscuadrados en vertical.

Figura 2-20 Representación de píxel.



34

CAPITULO 33. LABVIEW™ EN APLICACIONES DE PROCESAMIENTO DE IMÁGENES.

LabVIEW (Laboratory Virtual Instrument Engineering Workbench) es un lenguajede programación gráfico para el diseño de sistemas de adquisición de datos,instrumentación y control. Con LabVIEW es facil diseñar una aplicación con el usode diagramas a bloques. Es a la vez compatible con herramientas de desarrollosimilares y puede trabajar con programas de otra área de aplicación, como porejemplo Matlab. Tiene la ventaja de que permite una fácil integración con elhardware, específicamente con tarjetas de medición, adquisición y procesamientode datos (incluyendo adquisición de imágenes). [11]

A continuación se presentará una breve introducción a la utilización del software

LabView™, con la finalidad de realizar el análisis, inspección y procesamientodigital de imágenes.

3.1 Introducción al Software de captura de imágenes.

National Instruments (NI) ha sido el líder en visión artificial y procesamiento deimágenes por cerca de una década. El software de visión de NI se encuentradisponible en dos paquetes: el módulo de desarrollo de visión (NI Vision

Development Module) y el constructor de visión para inspección automatizada (NIVision Builder for Automated Inspection). [12]

En el presente proyecto se utilizará el módulo de desarrollo de NI VisiónDevelopment y el módulo NI IMAQ .

3.2 Adquisición y procesamiento de imágenes a través del paquete IMAQ.

3.2.1. Modulo NI IMAQ.El Módulo LabVIEW™ NI Vision Development es para científicos, ingenieros ytécnicos que desarrollan aplicaciones de visión artificial. Cuenta con una extensabiblioteca con cientos de algoritmos de procesamiento de imágenes y funciones devisión artificial para mejorar imágenes, verificar presencia, ubicar características,identificar objetos y medir partes.



35

Para poder capturar imágenes con LabVIEW™ con una webcam se debe contarcon un controlador llamado IMAQdx , el cual está disponible en el paquete de NI

IMAQ y nos permite comunicarnos con cualquier cámara.

Una vez que se cuenta con este controlador, se instalará una paleta de funciones

en LabVIEW™ que permite hacer la adquisición y diferentes tipos deprocesamientos de imágenes.

Una de las herramientas más importantes de IMAQdx para los científicos, radicaen la identificación de las coordenadas de elementos físicos de diferentes formas,esto permite obtener las coordenadas de movimiento de los objetos en tiemporeal, lo cual facilita la realización de cálculos de velocidad, posición, aceleración,entre otras. Las herramientas de NI IMAQ son fáciles de implementar, y lo mejores que permiten un gran control de los procesos.

NI IMAQdx es un módulo que cuenta con un controlador para adquirir, visualizar,registrar y monitorear imágenes desde varios tipos de cámaras. Este software estáincluido con todo el hardware de visión (NI Smart Cameras, sistemas de visión,tarjetas de adquisición de imágenes) y todas las licencias del software de visión(Módulo Vision Development) y licencias del NI Vision Builder for AutomatedInspection (incluyendo licencias de ejecución). [12]

En esta sección se procederá a realizar una explicación más a detalle de algunasde las herramientas que componen al módulo NI Vision.

Figura 3-1.Menú de Instrumentos Virtuales de Vision And Motion

El conjunto de librerías que nos facilita IMAQ Vision para el diagrama de bloquesson las siguientes:

Ni-IMAQ: Posee los instrumentos virtuales (Virtual Instruments, VI) que establecenel sistema de adquisición y captura las imágenes. [13]



36

Figura 3-2. Menú de NI-IMAQ.

Vision Uti l i t ies: Esta herramienta proporciona los instrumentos virtuales quepermiten crear y manipular imágenes, por ejemplo: leer imágenes en diferentesformatos, establecer regiones de interés, manipular los píxeles, sobreponer líneas

o rectángulos, calibrar para realizar conversiones de medidas de píxeles amedidas del mundo real. [14]

Figura 3-3. Menú de Vision Utilities.

Image Processing : Contiene un conjunto de instrumentos virtuales que se utilizanpara analizar, filtrar y procesar imágenes.

Figura 3-4. Menú de Image Processing.



37

Machine Vis ion: Presenta instrumentos virtuales que se utilizan en la visiónartificial para realizar inspecciones de objetos, búsqueda de patrones, localizaciónde bordes, análisis de partículas, selección dinámica de regiones de interés, etc.

Figura 3-5. Menú de Machine Vision.

IMAQdx: Proporciona los instrumentos virtuales necesarios para establecer elfuncionamiento y adquisición de imágenes a través de cámaras USB.

Figura 3-6. Menú IMAQdx.

En el panel frontal se encuentran un conjunto de controles que proporciona NI

Vis ion para presentar las imágenes.



38

Figura 3-7. Menú del Panel Frontal de Vision.

3.3 Adquisición de Imágenes a través del paquete IMAQ.

Para una mejor comprensión al lector del presente trabajo se muestran sencillosejemplos sobre el manejo de IMAQ Vision para la adquisición y manejo deimágenes.

3.3.1. Administración de espacios de memoria.

Los siguientes instrumentos virtuales se localizan en la librería Vision Uti l i t ies , enla sección Image Managemen t .

Para que LabVIEW™ pueda manejar archivos gráficos debe reservar un espacio

de memoria para su almacenamiento temporal; en este caso se usa IMAQ Create.

Figura 3-8. IMAQ Create.

Image Name : es la entrada más importante de este VI; en ella se proporciona elnombre propio de la imagen, debe ser único.

Bord er Size : sirve para especificar el tamaño del borde.

Image Type : se puede seleccionar varias opciones: escala de grises, color ocompleja.



39

New Image , nos proporciona la salida de la imagen, que a su vez sirve de entradaa las muchas funciones usadas por NI Vision.

En la Figura 3-9 se muestra el ejemplo para crear un espacio de memoria paratrabajar con imágenes en formato RGB de 32 bits.

Figura 3-9. Ejemplo de IMAQ Create.

Es importante tener cuidado de reservar localidades de memoria, pero también loes liberar el espacio de memoria cuando ya no se utilizará más, para esto se usael instrumento virtual IMAQ Dispos e .

Figura 3-10 .IMAQ Dispose.

Este VI es capaz de destruir una imagen y liberar su espacio de memoria o el detodas las imágenes creadas.

En la Figura 3-11 se observa el uso de IMAQ Dispos e para destruir una solaimagen.



40

Figura 3-11. Ejemplo de IMAQ Dispose.

La función IMAQ Copy , la cual nos permite duplicar una imagen. Uno de lospropósitos de este VI es almacenar una copia de la imagen original antes decualquier procesamiento y así poder comparar al final del proceso.

Figura 3-12. IMAQ Copy.

Respecto a las entradas y salidas de este VI, la entrada Image Src es la imagenfuente que se desea copiar, mientras que Image Dst es la referencia de la imagen

donde se va a copiar. Image Dst Out es la imagen copiada, la cual debe ser lamisma que Image Dst.

En la Figura 3-13 se muestra un ejemplo del uso de este VI.

Figura 3-13. Ejemplo de IMAQ Copy.



41

3.3.2. Manejo y Configuración de la Cámara

En seguida se muestran los instrumentos virtuales que permiten iniciar y detenerla cámara, configurar las propiedades y conocer el nombre de la cámaraconectada. Estos VIs se encuentran en la librería IMAQdx USB.

IMAQdx USB Enumerate Cameras: Crea un listado de todas las cámaras USBdisponibles encontradas en el sistema que pueden ser utilizadas.

Figura 3-14. IMAQdx USB Enumerate Cameras.

Cuando se encuentra conectada la cámara USB que se utilizara, y corriendo laconfiguración ubicada en la Figura 3-14. Se puede obtener los nombres de todaslas cámaras conectadas en el computador y reconocidas por LabVIEW™ y

algunas de sus características. El resultado se puede visualizar en el panel frontal,será algo parecido al de la Figura 3-15.



42

Figura 3-15. Panel Frontal de IMAQdx USB Enumerate Cameras.

IMAQdx Open Camera: Crea una sesión de IMAQdx USB, una vez proporcionadoel nombre de la cámara USB. Esta permite escoger el modo de adquisición de lacámara por medio del parámetro modo de video.

Figura 3-16. IMAQdx Open Camera.



43

IMAQdx Enumerate Attributes: Es capaz de realizar la apertura del cuadro dediálogo de configuración de la cámara USB, que es proporcionado por elfabricante de la cámara.

Figura 3-17. IMAQdx Enumerate Attributes.

IMAQdx Stop Acquisition: Permite cancelar o detener una adquisición deimágenes continúa. Para volver a capturar imágenes se debe volver a usar el VIIMAQdx USB Snap .

Figura 3-18. IMAQdx Stop Acquisition.

IMAQdx Close Camera: Este VI permite ejecutar el cierre de la sesión de lacámara USB, para ejecutar esta acción se le debe proporcionar la referencia de lacámara creada por IMAQdx Open Camera.



44

Figura 3-19. IMAQdx Close Camera.

3.3.3. Modos de Captura de imágenes.

LabVIEW™ ofrece la posibilidad de poder escoger entre varios modos de

adquisición de imágenes a través de una cámara, dependiendo del tipo deaplicación que se necesite realizar. Entre los tres modos de captura disponibles enLabVIEW™ se tienen los siguientes: snap, grab y sequence . Se dará una breveexplicación de los modos snap y grab que fueron los utilizados en el proyecto.

Modo Snap: En este tipo de captura solo se realiza una captura de imagen que esalmacenada en el búfer de memoria. Este modo de adquisición debe ser utilizadocuando se desee adquirir una sola imagen.

Figura 3-20. IMAQ USB Snap.

En la Figura 3-21 se muestra un ejemplo de adquisición de imagen en modo

Snap , y también se puede observar que se han utilizado los instrumentos virtuales

descritos en las secciones anteriores.



45

Figura 3-21 .Diagrama de bloques con uso de IMAQ USB Snap

.

Y el resultado se puede ver en el panel frontal se obtendrá una imagen como la

que se muestra en la Figura 3-22.

Figura 3-22. Panel Frontal de la captura en modo snap.

Un aspecto importante es el tiempo necesario para enfocar la imagen, que es vitalpara poder realizar las capturas. Para mejorar la adquisición de imágenes delejemplo anterior y evitar que se produzcan fallas provocadas por el tipo de capturay el tiempo para enfocar, es necesario realizar múltiples capturas de manera quese pueda escoger la toma final con una mejor resolución.



46

Figura 3-23. Diagrama de bloques con uso de IMAQdx Snap y lazo de repetición.

El resultado se puede observar en la Figura 3-24.

Figura 3-24. Panel Frontal de la captura correcta en modo snap.



47

Modo Grab: Este modo se ejecuta continuamente a una alta velocidad deadquisición de datos, los cuales son enviados a un único búfer ubicado en lamemoria del computador.

Figura 3-25. IMAQ USB Grab Acquire.

En la Figura 3-26 se puede observar el diagrama de bloques como ejemplo decaptura usando el modo Grab . Se capturará de manera indefinida dentro del lazowhile, hasta que el operario detenga el programa presionando el botón de Stop .

Figura 3-26. Diagrama de bloques con uso de IMAQ USB Grab



48

En la Figura 3-27 tenemos el panel frontal del ejemplo de captura del modo grab.

Figura 3-27. Panel Frontal de la captura en modo Grab.

3.3.4. Visualización de Imágenes en el panel frontal.

En la sección anterior se utilizó el instrumento virtual Image Display en el panelfrontal para poder visualizar las capturas realizadas por la cámara USB.

Image Display contiene varias herramientas, en la parte lateral izquierda es

posible hacer ampliaciones o reducciones de la Figura, mientras que en la partelateral derecha e inferior presenta barras de desplazamiento.



49

Figura 3-28. Panel Frontal de Image Display.

Es muy recomendable para evitar errores, especificarle a Image Display el tipo deimagen que se está visualizando, en el presente proyecto se trabajó con imágenes

RGB, binarias y en escala de grises. Para indicarle al Image Display el tipo deimagen se da clic derecho sobre el VI y se escoge la opción Palette y seselecciona el tipo de imagen, tal como se muestra en la Figura 3-29.



50

Figura 3-29 .Elección del tipo de imagen en el Image Display.

3.3.5. Lectura y escritura de Imágenes.

Para poder leer archivos de imágenes en LabVIEW™ se usa el instrumento virtualllamado IMAQ Read File, que se muestra a continuación en la Figura 3-30.

Figura 3-30 .IMAQ Read File.

Esta herramienta de LabVIEW™ permite realizar la lectura de imágenes tipoJPEG, BMP, TIFF, PNG.

La Figura 3-31 muestra un ejemplo simple para leer una imagen y mostrarla en elpanel frontal de LabVIEW™ con el Image Display , para esto se usa el VI IMAQ

Load Image Dialog , esta herramienta lanzará una ventana para navegar entre losarchivos de usuario y cargar una imagen manualmente. Es importante tambiénindicarle a imaq create , el tipo de imagen que se usará, para poder visualizarla deforma correcta de lo contrario no se mostrará la imagen.



51

Figura 3-31. Ejemplo de IMAQ Read File.

Así como se puede cargar o leer una imagen en LabVIEW™, también es posible

guardar imágenes capturadas en diferentes formatos disponibles tales como BMP,JPEG o PNG.

Figura 3-32. IMAQ Write File.

En este VI (vir tual instrum ent ) las entradas más importantes son la referencia deentrada a la imagen (image ) y la dirección en la que se almacenará el archivo (fi lepatch ) que le indica la ruta donde se almacenará.

En el siguiente ejemplo se ha modificado la captura en modo snap para guardarla última captura en un archivo con extensión .png en la misma carpeta donde seencuentra guardado el programa. Para que la imagen se guarde correctamente, esnecesario colocar un nombre y la extensión como se ve en el VI Bu ild Patch .



52

Figura 3-33. Ejemplo de IMAQ Write File.

3.4 Procesamiento de imágenes con IMAQdx.

En la siguiente sección se darán ejemplos sencillos con la finalidad de mejorar yfacilitar la comprensión de las herramientas VI utilizadas para el procesamiento deimágenes del proyecto que se usaran más adelante.

3.4.1. Segmentación Por Umbral.

NI Vision ofrece muchos y variados instrumentos virtuales dentro de la libreríaImage Processing , existe la sección Processing. A continuación se tomarán encuenta solo dos de ellos que son los de interés en el proyecto: IMAQ Threshold eIMAQ AutoB Threshold 2 .

La Figura 3-34 muestra el VI IMAQ Thresho ld , es necesario indicar en la entradaRange el rango de valores para la segmentación: el más bajo (que lo define el

programador de la aplicación) y el más alto (que por defecto es 255). Seránecesario hacer pruebas con diferentes valores para tener el resultado deseado,esto es primordial ya que la flexibilidad de estos valores permite hacer cambios delentorno del trabajo y conservar la funcionalidad de todo el algoritmo.





54

Usar una segmentación manual presenta ciertas desventajas cuando se la aplicaen procesos que deben ser automatizados. Para resolver esto, NI Visionproporciona otra herramienta: IMAQ AutoB Threshold.

En la Figura 3-37 se muestra dicho instrumento virtual con sus respectivas

entradas y salidas.

Figura 3-37. IMAQ AutoB Threshold

La entrada Method indica al VI como calcular el umbral; pero no le indica si el lainformación de interés está sobre o por debajo del umbral. Para indicarle esto seutiliza la entrada Look For , al cual tiene dos opciones: objetos brillantes u objetososcuros. Al decir que se selecciona objetos brillantes lo que se le indica al VI esque busque los píxeles de valor superior al umbral; o bien lo contrario al escoger laopción objetos oscuros.

La Figura 3-38 muestra un sencillo ejemplo de la segmentación por umbralautomática, de acuerdo a lo descrito anteriormente se ha elegido resaltar los

objetos brillantes y también determina el umbral en base a la entropía.

Figura 3-38. Diagrama de bloques de detección de umbral usando IMAQ AutoB Threshold



55

En la Figura 3-39 se muestra el resultado de esta segmentación y la imagen usadaen este caso fue la misma que para el ejemplo anterior, se pueden apreciar asimple vista la diferencia con la Figura 3-36.

Figura 3-39 .Panel frontal de la segmentación usando IMAQ AutoB Threshold.

3.4.2. Análisis de Partículas.

Con NI Vision es posible detectar partículas de una imagen y para esto presentados instrumentos virtuales que permiten obtener información de las partículas deuna imagen binaria. Estos son IMAQ Particle Analysis e IMAQ Particle AnalysisReport.

Figura 3-40. IMAQ Particle Analysis Report.

En la Figura 3-40 se puede ver IMAQ Particle Analysis Report, las únicas entradasson la imagen fuente y una entrada lógica binaria para indicar el tipo de



56

conectividad. La salida de mayor interés es Particle Reports (Pixels), la cual es unarreglo de clústeres que entrega información básica como: área, rectángulo,centro de masa, orientación y dimensiones.

La Figura 3-41 muestra el código en lenguaje G (gráfico) de este ejemplo,mientras en la Figura 3-42 se muestra el resultado.

Figura 3-41. Diagrama de bloques con el uso de IMAQ Particle Analysis Report.

Figura 3-42. Panel frontal con los resultados de IMAQ Particle Analysis Report.



57

3.4.4. Filtros de Convolución.

Los filtros basados en la convolución tienen una gran utilidad en el mejoramientode los detalles de las imágenes con muchos propósitos según la aplicación, sepuede resaltar detalles, atenuar o mejorar los bordes para detectarlos. IMAQ

cuenta con un VI que permite trabajar con filtros de convolución, cuyo nombre esIMAQ Con volute.

Figura 3-43. IMAQ Convolute.

Para trabajar con IMAQ Convo lute son necesarias imágenes en escala de grisesde 8 bits. Las entradas más importantes de este VI son la imagen fuente y elkernel de convolución, este último definirá si el filtro es de nitidez o suavizado.

En la Figura 3-44 se muestra el diagrama de bloques para un filtro de suavizado yen la Figura 3-45 se ven la imagen original y la atenuada.

Figura 3.44. Diagrama a bloques para filtro de convolución suavizado.



58

Figura 3-45. Resultados en panel frontal para filtro de convolución suavizado.

Para el siguiente ejemplo se modificó la matriz del filtro (kernel) del filtro paraobtener la imagen más nítida.

Figura 3-46. Resultados en panel frontal para filtro de convolución de nitidez.



59

Figura 3-47. Diagrama a bloques para filtro de convolución de nitidez.

3.4.4. Deteccion de Bordes.

Es posible tambien usar filtros basados en convolucion con la finalidad de detectarbordes, mismos que pueden ser implementados con el instrumento virtual IMAQEdgeDetection.

Figura 3-48. IMAQ EdgeDetection.

A continuación se muestra un ejemplo de una imagen usando el VI IMAQEdgeDetection para detectar los bordes de una imagen.



60

Figura 3-49. Diagrama a bloques de filtro para detección de bordes.

Figura 3-50. Panel frontal de resultados de filtro para detección de bordes.



61

3.4.5. Ecualizador.

Es el ecualizador el elemento que permite modificar a nuestro gusto la curva derespuesta de nuestro sistema. Esta modificación se realiza con el empleo de filtrosque alteran la señal recibida. [15]

La obtención de imágenes ideales se basa en dos factores:

1. Iluminación uniforme.

2. Ganancia lineal.

Figura 3-51. Niveles de gris en imágenes [16].

3.4.6. Realce de imagen.

Los procesos de realce de imágenes consisten de una serie de técnicas cuyoobjetivo es mejorar la apariencia visual de una imagen, ya sea en contraste, ruido,escala de grises, distorsiones, luminosidad, falta de nitidez.

El principal objetivo del realce de la imagen, es procesar una imagen de talmanera que el resultado obtenido sea el apropiado para una aplicación específica.Los métodos de realce de imágenes los podemos dividir en dos categorías: losmétodos de realce en el dominio espacial y los métodos de realce en el dominio

de la frecuencia.

Dentro de los métodos de realce espacial podemos encontrar dos técnicas:



62

El realce radiométrico donde las operaciones son efectuadas directamente sobreun pixel sin importar o tomar en cuenta a los pixeles vecinos. Sirve para mejorarcondiciones de bajo contraste, baja luminosidad o demasiada obscuridad.Ejemplo: ecualización de histograma. [16]

3.4.6 Histograma.

El histograma es un diagrama de barras donde el eje “x” representa los niveles degris de una imagen, y el eje “y”, las frecuencias relativas de los distintos niveles degris, es decir, la cantidad de puntos asociados a cada nivel de gris, dividido por lacantidad total de puntos de la imagen.

3.4.7 IMAQ Equalize VI.

Produce una ecualización de histograma de una imagen. Este VI redistribuye losvalores de píxeles de una imagen para linealizar el histograma acumulado. Laprecisión de la VI es dependiente de la precisión histograma, que a su vezdepende del número de clases que se utilizan en el histograma. [17]

Figura 3-52 .IMAQ Equalize VI.

Histogram Report es una entrada opcional para igualar una imagen basada en suhistograma. Para igualar una imagen basado en el histograma de otra imagen,

ejecute el IMAQ Histograma VI antes de la IMAQ Equalize VI para suministrar unaentrada para Histograma Informe.

La modificación para el valor de píxel depende de los contenidos de histograma,sin tener en cuenta el tipo de imagen utilizado. Todos los píxeles que entran en lamisma clase histograma tienen un valor idéntico después de la ecualización.



63

Capítulo 4.

4. DISEÑO E IMPLEMENTACIÓN DEL SISTEMA PARA LA DETECCIÓNDE CUERPOS SOLIDOS.

Debido a los altos volúmenes de producción, y a los altos estándares de calidadque demandan el mercado actual. La idea de implementar un sistema de visión encualquier ambiente, ya no es una idea futurista, sino una solución del presenteque permite minimizar los riesgos.

La solución que se presenta fue conceptualizada a fin de dar solución a lanecesidad actual de establecer un sistema de control en donde la calidad del

producto.

Para el caso particular de esta aplicación, se trata de un área específica, utilizandoenvases plásticos.

4.1 Especificaciones para el diseño del sistema

Para el correcto funcionamiento del sistema es necesario conocer algunosaspectos que se deben tomar en cuenta en el planteamiento del problema.

Mencionando nuevamente las características de la palabra turbiedad, la cual esusada para describir un líquido que posee una variación en la tonalidad de su colornatural conteniendo objetos extraños o partículas que serán buscados dentro delos frascos.

Es importante también considerar las características principales referentes al tipode frasco utilizado con sus medidas específicas, tipo de contenido y nivel dellíquido. A continuación se muestra una información más detalla sobre cada una.



64

4.2 Características del Frasco.

El tipo de frasco a utilizarse esta elaborado de plástico. Las características másimportantes que presenta son:

• Alto grado de transparencia.• Alta resistencia al desgaste.• Buena resistencia química.• Totalmente reciclable.• Ligero.• Fácil de adquirir.

Figura 4-1. Ejemplos de frascos usados en pruebas.

Otra alternativa que se tomó en cuenta en lugar del plástico fue el vidrio, el cualtiene las siguientes características.

• Alto grado de transparencia.• Alta resistencia al desgaste.

• Buena resistencia química.• Buenas propiedades térmicas.• Totalmente reciclable.• Pesado.• Frágil.



65

4.3 Selección del frasco.

Debido a que el sistema de detección de cuerpos solidos tiene limitaciones sebuscara un frasco de ciertas características como: transparencia, resistencia y sufácil adquisición. Es muy importante tomar en cuenta la forma de los frascos, ya

que es más complicado el análisis de un frasco que cuente con una superficieirregular, por eso se buscó un frasco lo más simple y uniforme posible.

Figura 4-2. Variedad de frascos.

Para las pruebas realizadas en el proyecto se usó un frasco de formasemiesférico, con una altura de 13.8 cm y un ancho en su base de 4.7 cm; yposee una tapa de color blanco, tal como se muestra en la Figura 4-3.



66

Figura 4-3. Diseño del frasco usado en las pruebas.

4.4 Características del líquido.

El líquido contenido en el frasco debe ser de constitución uniforme, homogéneo ytranslúcido, para el presente proyecto se utilizó agua potable.

Se tomaron en cuenta otros líquidos para este proyecto pero al final se escogió elagua potable por sus características que nos permitían tomar las muestras conmás facilidad.

4.5 Características del Entorno.

El entorno de trabajo debe ser un ambiente controlado, de manera que se limitenlas interferencias luminosas dentro del sistema.

Para lo cual se utiliza una caja de material resistente con medidas de 40 x 22 x 25cm que cubre toda el área donde se captura la imagen, cubriendo a la fuente deiluminación, la botella y la cámara tal como se muestra en la Figura 4-4



67

Figura 4-4. Entorno: Sistema de iluminación, botella, cámara.



68

4.5.1 Captura de imagen del frasco

En la parte de captura de imagen se utilizó en este proyecto una cámara WebLogitech C170 por su facilidad de uso con LabVIEW™, económica y flexible para

posicionamiento, las características principales de la cámara son:

• Videoconferencias (640 x 480 píxeles) con el sistema recomendado.• Captura de vídeo: Hasta 1024 x 768 píxeles.• Tecnología Logitech Fluid Crystal™.• Fotos: Hasta 5 megapíxeles (mejora por software).• Micrófono integrado con reducción de ruido.• Certificación USB 2.0 de alta velocidad (se recomienda).• Clip universal para monitores LCD, CRT o portátiles.• Plug & play. [22]

Figura 4-5. Webcam C170 Logitech

4.5.2 Características del sistema de iluminación.

Para tener un ambiente controlado, es importante cuidar contar con iluminaciónque no cambie, no importando el lugar ni la hora donde se efectúen pruebas.

Para ello se fabricó un marco de madera con dimensiones de 23 x 18 x 2.5 cm quecontiene un fondo blanco y una tira de leds de alta luminosidad de 1m de longitud,dispuesta en forma de serpentín, los cuales son alimentados con una fuente dealimentación de 12v C.D. finalmente se encuentran cubiertos con tres capas depellón textil, esto con la idea de difuminar uniformemente la luz proporcionada por



69

los LED’s este detalle es de vital importancia ya que es el arreglo adecuado parael cual se encuentran configurados los algoritmos de detección de turbiedades.

Figura 4-6. Tira de LED’s.

Figura 4-7 .Sistema de iluminación terminado.



70

El costo de la cámara y del sistema de iluminación está comprendido por laconstrucción artesanal basada en los siguientes materiales:

Tabla 4-1. Detalle de costos en pesos mexicanos del entorno.

No. De Articulo Descripción Cantidad Precio unitario1 Cámara 1 $250.002 Caja de madera 1 $150.003 Tira de LED’s 1 $100.004 Interruptor 1 $20.005 Adaptador de 12v 1 $100.006 Pellón textil (1m) 1 $10.007 frasco 13 $6.00

TOTAL $608.00

4.6 Diseño del Programa detector de objetos en LabVIEW™ con eluso del paquete IMAQ.

Con los ajustes iniciales del sistema correctos, el control del mismo debesatisfacer plenamente con las expectativas en cuanto al análisis de turbiedadesdentro del frasco, en conjunto el ambiente controlado y el software dan comoresultado un algoritmo confiable con un muy bajo porcentaje de error.

Para el análisis del frasco se decidió una zona del mismo, que representa el 70%de su superficie frontal total. Con la finalidad de tener la mayor probabilidad de quelas impurezas en suspensión sean fáciles de capturar por la cámara yposteriormente detectadas por el algoritmo de LabVIEW™.

4.6.1 Diagramas de trabajo y Diagramas de Bloques.

En esta sección se muestra el funcionamiento de la aplicación de detección de

objetos, elaborando un esquema, muy general, su funcionamiento.

Con ayuda del siguiente diagrama a bloques que incluye funciones que permitanla detección de turbiedades en el frasco; pero a la vez coordinadas por un bloquede control central, que en este caso es el programa diseñado en LabV IEW™ que

se ejecuta en la computadora.



71

Figura 4-8. Diagrama a bloques general

En el diagrama de bloques anterior se puede apreciar que los elementosfuncionales necesarios para el desarrollo de esta aplicación son los siguientes:

Área de captura de imagen

Sistema de iluminación

Cámara USB

Computadora



72

Programa de LabVIEW™

En el siguiente diagrama de bloques de la Figura 4.9, que menciona la forma decomo el programa ejecuta las rutinas de control en LabVIEW™.

Figura 4-9 .Diagrama de bloques general del programa de control.

Tal como se puede observar en la Figura 4-9, la parte principal se encuentradefinida por el VI de análisis de partículas; que interactúa de manera constante.

También, se mantiene una comunicación con la cámara USB, manipulada pormedio de los diferentes instrumentos virtuales.

Diagrama de Flujo.

Para lograr los objetivos del proyecto para la detección de impurezas, se diseñóun programa principal que consta de 4 partes claramente definidas, que siguen elsiguiente orden:



73

• Captura de la imagen.

• Procesado de la imagen capturada.

• Análisis del procesamiento de la imagen del frasco.

• Aceptación o rechazo del frasco.

Figura 4-10. Diagrama de flujo de la detección de impurezas.



74

A continuación se presentan los diagramas de flujo secundario, correspondiente acada uno de los subprocesos ejecutados, para detallar más el algoritmo y facilitarla comprensión.

Figura 4-11. Diagrama de flujo del análisis.



75

4.6.2 Implementación del sistema de visión artificial con LabVIEW.

Acorde al diagrama de flujo de la Figura 4-11, se procederá a mostrar lascorrespondientes implementaciones en el lenguaje gráfico de LabVIEW. Cadaetapa ha sido creada tratando de usar los instrumentos virtuales (VIs)

mencionados en el capítulo anterior.

4.6.3 Captura de la Imagen con IMAQdx.

Figura 4-12 .Diagrama de bloques de la captura de la imagen.

En la etapa de captura de imagen se debe hacer la correspondiente abertura de lasesión de la cámara USB, el manejo del espacio de memoria para almacenar laimagen y la captura, que por motivos de rapidez se ha escogido el modo grab. Ycon ayuda del display podemos observar el resultado en el panel frontal delprograma.



76

Figura 4-13. Ejemplo de imagen capturada.

4.6.4 Procesamiento de imagen con IMAQ.

Posterior a la captura, se realizan varios procesos, conversión a escala de grises,filtrado, ecualización.

Como primer paso la imagen es convertida a escala de grises con el Vi IMAQ

extract single color plane , ya que es indispensable para el resto de los procesos.Después la imagen es ecualizada con IMAQ Equalize , esto ayuda para tener unaimagen con el mejor balance de negro y blanco posible en la imagen.

El filtro utilizado está basado en la convolución con un kernel para mejorar lanitidez.

Figura 4-14. Procesamiento de imagen parte 1.



77

El resultado de esta etapa se puede ver de la siguiente manera con el display correspondiente.

Figura 4-15. Parte 1: Resultado de procesamiento de imagen (escala de grises).

Una vez concluido lo anterior, es necesario binarizar la imagen. La forma máscomún de generar imágenes binarias es mediante la utilización del valor umbral deuna imagen a escala de grises; es decir se elige un valor límite (o bien un

intervalo) a partir del cual todos los valores de intensidades mayores seráncodificados como 1 mientras que los que estén por debajo serán codificados acero. Para esto se utilizara el VI IMAQ Threshold .

Figura 4-16. Procesamiento de imagen parte 2.



78

El resultado se muestra en el display correspondiente.

Figura 4-17. Parte 2: resultado binarizar imagen.

Una vez que la imagen ya se encuentra binarizada, es posible utilizar unaherramienta de LabVIEW™ llamada IMAQ Particle Analysis Report VI . Se puedeutilizar el análisis de partículas para detectar regiones conectadas o agrupacionesde píxeles de una imagen y luego hacer las mediciones seleccionadas de esasregiones. Estas regiones se denominan comúnmente como partículas. Unapartícula es una región contigua de píxeles no nulos.

Un proceso de análisis de partículas típico explora a través de toda la imagen,detecta todas las partículas en la imagen, y construye un informe detallado sobrecada partícula. Puede utilizar varios parámetros, tales como perímetro, ángulo,

área, y el centro de masas para identificar y clasificar estas partículas.



79

Figura 4-18 Resultado de IMAQ Particle Analysis Report VI.

Es necesario que el software se comunique con el usuario de alguna manera para

esto se realizó un arreglo sencillo con un ciclo de programación whi le.

Figura 4-19. Visualización de estado de botella.

Finalmente todo se puede ver en el panel frontal de forma conjunta, donde através de un mensaje de texto, se comunica si enfrente de la cámara se encuentrauna botella sucia o limpia.



80

Figura 4-20. Resultado final.



81

Capítulo 5

5 ANÁLISIS E INTERPRETACIÓN DE RESULTADOS.

5.1 DATOS EXPERIMENTALES.

En el presente capítulo se realizará una descripción y análisis de las pruebasrealizadas con del sistema implementado en LabVIEW™.

La parte final del proyecto consistió en hacer pruebas, donde se tuvieron encuenta diferentes aspectos del sistema como: Iluminación, Impurezas en elcontenido del líquido, distancia entre sistema de iluminación, botella, y cámara.

5.1.1 Pruebas realizadas.

Para lograr desarrollar el algoritmo para la detección de frascos con impurezas, serealizaron múltiples pruebas analizando capturas de los frascos.

5.1.2 Análisis de frascos estáticos.

Este etapa nos permitió realizar la implementación y calibración de los algoritmosen lenguaje G, así como establecer el tipo de frasco a usarse, la iluminación

necesaria, con diferencias de tamaño forma y material de los frascos.

Las pruebas realizadas con los distintos escenarios, permitieron explorar lasmuchas de las funcionalidades y herramientas de análisis de imágenes queproporciona LabVIEW™ 2011, con la finalidad de hacer el mejor uso de estasherramientas para realizar el presente proyecto. Las pruebas se dividen en:pruebas del tipo de frasco y de iluminación.

5.1.3 Pruebas del tipo de frasco.

En el mercado local encontramos muchos tipos de frascos, pero para las pruebasse usaron los que pueden ser observados en la Figura 5-1. Como se puedeapreciar, además de las diferencias en tamaño y forma, la principal característicaque tomamos en cuenta fue el brillo que producía el material plástico. Mientras elfrasco de la parte a) presenta tres manchas, en el frasco de la parte b) se ve unareducción considerable.



82

Figura 5-1 Parte a) Parte b)

El inconveniente de que el frasco presente estas manchas luminosas, es queconfunden a los algoritmos de detección; éstos determinaban impurezasinexistentes físicamente.

Un aspecto muy importante al momento de realizar las pruebas, es cuidar que laspartículas no se encuentren sedimentadas, para evitar esto basta con agitar un

poco el frasco con la finalidad de asegurarse que las partículas estén ensuspensión y puedan ser captadas dentro del abanico visual de la cámara.

5.1.4 Pruebas de iluminación.

Como se menciona en capítulo 2, la correcta selección de una fuente de luz ysistema de iluminación es indispensable para una correcta captura de imagen ytambién facilita los procesos de visión artificial. Se eligió como fuente deiluminación los LED’s, por sus diferentes ventajas, económicos, de fácilinstalación, y flexible. Se decidió usar como difusor el pellón textil que cubriera los

LED’s.

Para que la luz se proyecte de manera homogénea y a una intensidad adecuada,fue necesario crear un sistema de luz que nos permitiera tener los resultadosdeseados pero para llegar a esto, fueron necesarias varias pruebas.



83

5.2 Datos obtenidos.

La siguiente etapa del proyecto, después de terminar la experimentación yfinalización de la implementación del código elaborado. Lo sucesivo fue realizarpruebas correspondientes a una muestra de 500 frascos, que fueron colocados

dentro del entorno de trabajo de manera aleatoria entre frascos sucios y limpios,con diferentes impurezas como, café, chocolate en polvo, jabón en polvo, salsaliquida, todas ellas medidas en gramos en diversas cantidades .

Como se explicó en el capítulo 4 la región de interés se encuentra en el centro delfrasco, tal y como se muestra en la Figura 5-2, la idea es tratar de obtener lamayor información posible abarcando el 70% de la superficie a través de unacaptura con la cámara lo más cerca posible del frasco. Con esto se evita haceruna captura más abierta, donde podría tenerse la imagen del frasco completo,pero también haciendo más difícil el análisis y con ello la selección de limpio osucio de la botella, para el algoritmo.

Figura 5-2 Área de interés para el análisis.



84

5.3 Análisis de resultados.

Para realizar un análisis más detallado de los resultados obtenidos a través de laspruebas realizadas, se ha elegido dividir en 2 etapas.

La primera etapa, corresponde al análisis realizado con graficas de barras para laspruebas realizadas con los diferentes agentes contaminantes usados en lamuestra de 500 pruebas.

En la segunda etapa, se hace referencia a la eficiencia del algoritmo al momentode realizar el descarte de los frascos analizados, esto gracias a una gráficacircular.

5.3.1 Pruebas realizadas con chocolate en polvo.

El primer contaminante que se probó fue el chocolate en polvo, mismo que fueañadido en cuatro frascos de 90ml, con cantidades de .95g, 1.3g, 1.5g y 2g. Alternando con frascos limpios. Para este caso fueron realizadas 150 muestras,mismas que se pueden ver en la gráfica siguiente con número de partículasdetectadas y cantidad den gramos. También en la sección de anexos se puedeconsultar la tabla de los resultados obtenidos tanto de esta como de las pruebasposteriores.

Gráfica 5-1 Pruebas con chocolate en polvo.

0100200300400500600700800900

1000

0 g

0 g

0 g

0 g

0 . 9

5 g

0 . 9

5 g

0 . 9

5 g

0 . 9

5 g

0 . 9

5 g

1 . 3 g

1 . 3 g

1 . 3 g

1 . 3 g

1 . 5 g

1 . 5 g

1 . 5 g

1 . 5 g

2 g

2 g

2 g

2 g

2 g

Número de partículas detectadas




85

5.3.2 Pruebas realizadas con salsa picante.

Para las pruebas siguientes se utilizó un líquido en vez de polvo para observarcómo se comportaba el sistema, y la respuesta fue satisfactoria puesto que laspruebas con 5 ml, 7.5 ml y 10ml fueron detectadas como sucias, también se

colocaron botellas limpias y en ambos casos los resultados fueron los esperadosen un total de 100 pruebas.

En la siguiente gráfica se encuentran los resultados, de número de partículas ycantidad en mililitros

Gráfica 5-2 Pruebas con salsa picante.

5.3.3 Pruebas realizadas con jabón en polvo.

Un elemento que consideramos interesante probar fue el jabón en polvo, existenbotellas en el mercado las cuales se reutilizan, también llamadas retornables, lascuales se lavan antes de ser llenadas de nuevo, es posible que un mal enjuaguepudiera ser la causa de que una botella se encontrara contaminada con residuosde jabón.

0

200

400

600

800

1000

0 m l

0 m l

0 m l

0 m l

0 m l

5 m l

5 m l

5 m l

5 m l

5 m l

7 . 5 m l

7 . 5 m l

7 . 5 m l

7 . 5 m l

7 . 5 m l

1 0 m l

1 0 m l

1 0 m l

1 0 m l

1 0 m l

Gráfico de pruebas con salsa picante.




86

En la gráfica siguiente se encuentra el resultado de 100 muestras realizadas confrascos que contenían 1g y 2g de jabón, también aquí se probó el algoritmo conbotellas limpias. Fue en estas pruebas cuando se tuvieron 2 errores, de falsopositivo, es decir el sistema detecto como limpia cuando la botella realmenteestaba vacía, y este error se observar en la parte central de la gráfica con una

caída a cero de la línea de media móvil.

Gráfica 5-3 pruebas realizadas con jabón en polvo.

5.3.4 Pruebas realizadas con café.

El último elemento que se introdujo en los frascos como contaminante fue el cafémolido, la turbiedad causada por el café es muy similar al chocolate en polvo, porlo que no hubo problemas en estas 50 muestras.

Y en la gráfica se pueden ver los resultados de la captura de imágenes.

0

200

400

600

800

1000

1200

0 g

0 g

0 g

1 g

1 g

1 g

1 g

1 g

1 g

1 g

1 g

1 g

1 g

2 g

2 g

2 g

2 g

2 g

2 g

2 g

Gráfico de Pruebas realizadas con jabón enpolvo.

Número de partículasdetectadas



87

Gráfica 5-4 Pruebas realizadas con café molido.

5.4 Eficiencia Total.

Con la integración de un algoritmo de detección de impurezas y un entornocontrolado fue posible lograr una eficiencia bastante alta de un 99.6%, se puedeobservar en la gráfica 5.5 la existencia de casos falsos verdaderos que solo fueron2 en las 500 muestras, así como los aciertos de botellas correctamente analizadasque suman 498.

Gráfica 5-5 grafica de pruebas totales.

0

20

40

60

80

100

120

140160

180

200

0 g

0 g

0 g

. 9 5 g

. 9 5 g

. 9 5 g

. 9 5 g

. 9 5 g

. 9 5 g

. 9 5 g

1 . 5 g

1 . 5 g

1 . 5 g

1 . 5 g

1 . 5 g

1 . 5 g

1 . 5 g

Gráfico de Pruebas realizadas con café molido.

Número de partículasdetectadas

TOTAL DEERRORES

0.40%

TOTAL DEACIERTOS

99.60%

500 PRUEBAS REALIZADAS





89

Anexos. Anexo 1: Tablas de resultados.

Pruebas realizadas con chocolate en polvo.En la tabla de siguiente se muestran los resultados ordenados ascendente de acuerdo a la

cantidad de gramos de suciedad que contiene la botella.

Número deImagen

Analizada

Cantidaden

gramos

Número departículas

detectadas

Número deImagen

Analizada

Cantidad engramos


detectadas

1 0g 0 31 0.95g 138

2 0g 0 32 0.95g 1083 0g 0 33 0.95g 139

4 0g 0 34 0.95g 263

5 0g 0 35 0.95g 1316 0g 0 36 0.95g 977 0g 0 37 0.95g 120

8 0g 0 38 0.95g 110

9 0g 0 39 0.95g 10410 0g 0 40 0.95g 105

11 0g 0 41 0.95g 10012 0g 0 42 0.95g 321

13 0g 0 43 0.95g 157

14 0g 0 44 0.95g 20915 0g 0 45 0.95g 69

16 0g 0 46 0.95g 12117 0g 0 47 0.95g 111

18 0g 0 48 0.95g 5919 0g 0 49 0.95g 118

20 0g 0 50 0.95g 108

21 0g 0 51 0.95g 23222 0g 0 52 0.95g 70

23 0g 0 53 0.95g 7524 0g 0 54 0.95g 179

25 0g 0 55 0.95g 266

26 0g 0 56 0.95g 58

27 0g 0 57 0.95g 5828 0g 0 58 0.95g 6229 0.95g 113 59 1.3g 208

30 0.95g 95 60 1.3g 280



90

Número deImagen

Analizada

Cantidaden gramos


detectadas

Número deImagen

Analizada

Cantidad engramos


detectadas

61 1.3g 419 100 1.5g 883

62 1.3g 279 101 1.5g 788

63 1.3g 374 102 1.5g 51464 1.3g 382 103 1.5g 567

65 1.3g 344 104 1.5g 394

66 1.3g 311 105 1.5g 485

67 1.3g 492 106 1.5g 522

68 1.3g 417 107 1.5g 512

69 1.3g 506 108 1.5g 444

70 1.3g 393 109 1.5g 467

71 1.3g 533 110 1.5g 437

72 1.3g 492 111 1.5g 466

73 1.3g 342 112 1.5g 55274 1.3g 461 113 1.5g 600

75 1.3g 527 114 1.5g 377

76 1.3g 544 115 1.5g 563

77 1.3g 524 116 1.5g 544

78 1.3g 580 117 1.5g 267

79 1.3g 591 118 1.5g 389

80 1.3g 444 119 1.5g 292

81 1.3g 380 120 2g 344

82 1.3g 448 121 2g 308

83 1.3g 473 122 2g 70084 1.3g 315 123 2g 387

85 1.3g 350 124 2g 485

86 1.3g 470 125 2g 888

87 1.3g 463 126 2g 772

88 1.3g 300 127 2g 363

89 1.5g 529 128 2g 694

90 1.5g 445 129 2g 493

91 1.5g 476 130 2g 583

92 1.5g 473 131 2g 329

93 1.5g 776 132 2g 468

94 1.5g 602 133 2g 448

95 1.5g 296 134 2g 445

96 1.5g 370 135 2g 547

97 1.5g 503 136 2g 875

98 1.5g 496 137 2g 416

99 1.5g 430 138 2g 301



91

Número deImagen

Analizada

Cantidad engramos


detectadas

139 2g 348

140 2g 753

141 2g 510142 2g 305

143 2g 364

144 2g 403

145 2g 374

146 2g 387

147 2g 662

148 2g 308

149 2g 359

150 2g 678

Pruebas realizadas con salsa picante.En la tabla de siguiente se muestran los resultados ordenados ascendente de acuerdo a la

cantidad de mililitros de suciedad que contiene la botella.

Número deImagen

Analizada

Cantidadmililitros


detectadas

Número deImagen

Analizada

Cantidadmililitros


detectadas

1 0ml 0 21 0ml 0

2 0ml 0 22 0ml 0

3 0ml 0 23 0ml 0

4 0ml 0 24 0ml 05 0ml 0 25 0ml 0

6 0ml 0 26 5ml 21

7 0ml 0 27 5ml 26

8 0ml 0 28 5ml 58

9 0ml 0 29 5ml 48

10 0ml 0 30 5ml 68

11 0ml 0 31 5ml 346

12 0ml 0 32 5ml 53

13 0ml 0 33 5ml 33

14 0ml 0 34 5ml 325

15 0ml 0 35 5ml 63

16 0ml 0 36 5ml 42

17 0ml 0 37 5ml 299

18 0ml 0 38 5ml 26

19 0ml 0 39 5ml 90

20 0ml 0 40 5ml 243



92

Número deImagen

Analizada

Cantidadmililitros


detectadas

Número deImagen

Analizada

Cantidadmililitros


detectadas

41 5ml 52 78 10ml 138

42 5ml 91 79 10ml 6443 5ml 53 80 10ml 670

44 5ml 52 81 10ml 175

45 5ml 104 82 10ml 379

46 5ml 171 83 10ml 370

47 5ml 270 84 10ml 69

48 5ml 65 85 10ml 372

49 5ml 150 86 10ml 305

50 5ml 30 87 10ml 359

51 7.5ml 324 88 10ml 293

52 7.5ml 543 89 10ml 262

53 7.5ml 457 90 10ml 462

54 7.5ml 460 91 10ml 393

55 7.5ml 281 92 10ml 620

56 7.5ml 71 93 10ml 104

57 7.5ml 445 94 10ml 453

58 7.5ml 230 95 10ml 250

59 7.5ml 859 96 10ml 511

60 7.5ml 108 97 10ml 314

61 7.5ml 543 98 10ml 448

62 7.5ml 680 99 10ml 286

63 7.5ml 118 100 10ml 930

64 7.5ml 692

65 7.5ml 96

66 7.5ml 377

67 7.5ml 721

68 7.5ml 87

69 7.5ml 85

70 7.5ml 710

717.5ml 538

72 7.5ml 37

73 7.5ml 567

74 7.5ml 606

75 7.5ml 398

76 10ml 60

77 10ml 102



93

Pruebas realizadas con jabón en polvo.En la tabla de siguiente se muestran los resultados ordenados ascendente de acuerdo a la

cantidad de gramos de suciedad que contiene la botella, la sección seleccionada corresponde a los

errores obtenidos.

Número deImagen

Analizada

Cantidaden gramos


detectadas

Número deImagen

Analizada

Cantidaden gramos


detectadas

1 0g 0 33 1g 103

2 0g 0 34 1g 283

3 0g 0 35 1g 280

4 0g 0 36 1g 141

5 0g 0 37 1g 165

6 0g 0 38 1g 169

7 0g 0 39 1g 183

8 0g 0 40 1g 158

9 0g 0 41 1g 317

10 0g 0 42 1g 239

11 0g 0 43 1g 101

12 0g 0 44 1g 306

13 0g 0 45 1g 336

14 0g 0 46 1g 323

15 0g 0 47 1g 158

16 1g 295 48 1g 28117 1g 289 49 1g 354

18 1g 294 50 1g 309

19 1g 214 51 1g 217

20 1g 102 52 1g 265

21 1g 304 53 1g 227

22 1g 325 54 1g 0

23 1g 124 55 1g 0

24 1g 315 56 1g 325

25 1g 248 57 1g 158

26 1g 308 58 1g 24127 1g 267 59 1g 162

28 1g 309 60 1g 240

29 1g 172 61 1g 350

30 1g 192 62 1g 347

31 1g 106 63 1g 265

32 1g 114 64 1g 333



94

Número deImagen

Analizada

Cantidad engramos


detectadas

65 1g 218

66 2g 473

67 2g 54968 2g 43269 2g 488

70 2g 305

71 2g 383

72 2g 502

73 2g 433

74 2g 951

75 2g 856

76 2g 602

77 2g 783

78 2g 602

79 2g 504

80 2g 872

81 2g 667

82 2g 995

83 2g 612

84 2g 261

85 2g 991

86 2g 259

87 2g 991

88 2g 30789 2g 667

90 2g 227

91 2g 297

92 2g 340

93 2g 455

94 2g 971

95 2g 343

96 2g 1067

97 2g 596

98 2g 427

99 2g 644100 2g 728



95

Pruebas realizadas con café.En la tabla de siguiente se muestran los resultados ordenados ascendente de acuerdo a la

cantidad de gramos de suciedad que contiene la botella.

Número deImagen

Analizada

Cantidad

en gramos

Número de

partículasdetectadas

Número deImagen

Analizada

Cantidad

en gramos

Número de

partículasdetectadas

1 0g 0 25 .95g 31

2 0g 0 26 .95g 27

3 0g 0 27 .95g 24

4 0g 0 28 .95g 47

5 0g 0 29 .95g 23

6 0g 0 30 1.5g 106

7 0g 0 31 1.5g 67

8 0g 0 32 1.5g 100

9 0g 0 33 1.5g 13210 .95g 30 34 1.5g 126

11 .95g 32 35 1.5g 104

12 .95g 31 36 1.5g 77

13 .95g 7 37 1.5g 90

14 .95g 30 38 1.5g 127

15 .95g 40 39 1.5g 82

16 .95g 20 40 1.5g 122

17 .95g 18 41 1.5g 94

18 .95g 34 42 1.5g 128

19 .95g 29 43 1.5g 8620 .95g 15 44 1.5g 90

21 .95g 52 45 1.5g 152

22 .95g 18 46 1.5g 162

23 .95g 54 47 1.5g 100

24 .95g 34 48 1.5g 173

49 1.5g 92

50 1.5g 133



96

Anexo 2.

Instrucciones básicas para la instalación de LabVIEW™.

Instale NI LabVIEW y Controladores para Control de Instrumentos.

Siga los siguientes pasos para instalar LabVIEW para Windows:

1. Inicie Windows como administrador o como un usuario con privilegios deadministrador.

2. Deshabilite cualquier programa de detección automática de virus antes de instalar. Algunos programas de detección de virus pueden interferir con la instalación.

3. Inserte el Disco 1 de los DVDs de la Plataforma de LabVIEW. Si tiene

deshabilitada la ejecución automática o descargó LabVIEW, busque en la unidaddel DVD o la ubicación de descarga y haga doble clic en setup.exe.

4. Tendrá que esperar un momento mientras que el instalador se carga. Haga clic enNext para comenzar.[19]



97

Figura 1. Instalador de LabVIEW.

4. Seleccione si desea introducir los números de serie para instalar productos que hacomprado o si desea instalar el software en modo de evaluación. Si escogeintroducir los números de serie, el instalador puede seleccionar el software

adecuado para usted. Si escoge evaluar los productos, proceda al Paso 7.



98

Figura 2. Escoja instalar y activar los productos comprados o instalar en modo de

evaluación.

5. Proporcione los números de serie para el sistema de desarrollo de LabVIEW quecompró. Si tiene los números de serie para los complementos de LabVIEW, comomódulos y juegos de herramientas, también los puede proporcionar ahora.

Figura 3. Proporcione los números de serie de los productos comprados que

desea instalar.



99

6. Vea la Lista de Productos Autorizados para el entorno de LabVIEW, módulos y juegos de herramientas de los que tiene licencias válidas, además decontroladores de dispositivos. Todos serán seleccionados de formapredeterminada, pero puede elegir no instalar algún producto en la lista si así lodesea.

Figura 4. Lista de Productos Autorizados de LabVIEW.

7. Revise la Lista de Productos para Evaluación y seleccione cualquier producto

adicional (módulos y juegos de herramientas) que desea instalar y evaluar. Paracada producto, debe seleccionar “Instalar” para disminuir la interacción del usuario

o “Instalación Personalizada” para configur ar su instalación más adelante.



100

Figura 5. Lista de Productos para Evaluación del DVD de la Plataforma de

LabVIEW.

8. El instalador verifica actualizaciones relevantes de los productos que está a puntode instalar. Puede descargar las actualizaciones antes de continuar con lainstalación.

9. Escoja el directorio de instalación para el software de National Instruments.

10. Acepte los Acuerdos de Licencia y haga clic en Next.

11. Proporcione su nombre completo y empresa. Esta información será usada paraprocesar el registro de su software.

12. Revise el resumen antes de continuar para asegurarse que todos sus productosserán instalados. Cualquier producto enlistado con (se requiere interacción delusuario) requiere interacción del usuario para finalizar. De lo contrario, puede dejarla instalación incompleta.



101

Figura 6. Resumen de la Instalación de LabVIEW.

13. Siga las instrucciones en la pantalla para terminar de instalar y activar LabVIEW ycualquier módulo y juego de herramienta que haya seleccionado.

Al final del proceso de la instalación de LabVIEW, si escoge instalar los

controladores de dispositivos desde la lista de productos, se le pedirá que inserte

el DVD de Controladores de dispositivos. De lo contrario, se le pedirá activar su

software. Puede activar ahora o esperar hasta que haya terminado de instalar el

resto de su software.



102

Instalación del software de National Instruments Vision Acquisition.

Debe tener derechos de administrador para instalar el software Vision Acquisitionde NI. NI-IMAQ y NI-IMAQdx integran con Measurement and AutomationExplorer (MAX), la configuración de National Instruments y la utilidad de prueba.

Ejecute la aplicación y posteriormente vera una ventana de dialogo como lasiguiente.

Presione next para que la instalación continúe.

Figura 1. Instalador de Vision Acquisition.

Drivers NI-IMAQdx son para FireWire, GigE y cámaras USB, ninguna de lascuales requieren ningún hardware de National Instruments. Por lo tanto, NI-IMAQdx requiere una licencia de pago, aunque es posible instalarlo para unaevaluación de 30 días.

A continuación en las ventanas siguientes se mostrara el contenido de losmodulos, presione next.



103

Figura 2. Lista de Productos para Evaluación de Vision Acquisition.

NI Measurement and Automation Explorer (MAX) es útil para configurar y probarNI-IMAQ y NI-IMAQdx dispositivos y controladores. También es útil con losdispositivos NI-DAQ y controladores que Durango utiliza para el desplazamientode fase.

Figura 3. Lista de Productos para Evaluación de Vision Acquisition.



104

Figura 4. Aceptar acuerdos de licencia.

En esta ventana usted debe aceptar el acuerdo de licencia para continuar conla instalación, y presionar next.

Figura 5. Aceptar acuerdos de licencia.



105

Marque la casilla de aceptación de términos de licencia y de click en next.

Figura 6. Aceptar que LabVIEW es un software de confianza.

Revise el resumen y presione next en las ventanas siguientes.

Figura 7. Resumen de componentes que se instalaran.



106

Figura 8. Instalación.

Marque la casilla de activación sólo si usted tiene una licencia del Software NIVision Acquisition pagado. No hay necesidad de activar si se va a utilizar sólo

los drivers NI-IMAQ (y no conductores NI-IMAQdx).



107

Figura 9. Instalación completada.

Finalmente de click en next y reinicie el equipo cuando el programa lo pida.



108

Glosario

LabVIEW: (acrónimo de Laboratory Virtual Instrumentation Engineering

Workbench) es una plataforma y entorno de desarrollo para diseñar sistemas, conun lenguaje de programación visual gráfico.

Pixel: es la menor unidad homogénea en color que forma parte de una imagendigital, ya sea esta una fotografía, un fotograma de vídeo o un gráfico.

SVA: También conocida como visión por computador (del inglés computer vision)o visión técnica, es un campo de la inteligencia artificial. El propósito de la visiónartificial es programar una computadora para que "entienda" una escena o lascaracterísticas de una imagen.

MATLAB es una herramienta de software matemático con un lenguaje deprogramación propio (lenguaje M) y un entorno interactivo para el cálculonumérico, la visualización y la programación.

Umbral: El umbral es la cantidad mínima de señal que ha de estar presente paraser registrada por un sistema. Por ejemplo en procesamiento de imágenes separarlos objetos de una imagen que nos interesen del resto. Con la ayuda de losmétodos de valor umbral en las situaciones más sencillas se puede decidirqué píxeles conforman los objetos que buscamos.

Kernel: Es una matriz de números que son los coeficientes por los que debemultiplicar los valores de intensidad del entorno de cada punto.

Convolución es un operador matemático que transforma dos funciones f y g enuna tercera función que en cierto sentido representa la magnitud en la que sesuperponen f y una versión trasladada e invertida de g .

Clúster: El término clúster (del inglés clúster, "grupo" o "racimo") se aplica a losconjuntos o conglomerados de computadoras construidos mediante la utilizaciónde hardware común y que se comportan como si fuesen una única computadora.

http://es.wikipedia.org/wiki/Computadora

http://es.wikipedia.org/wiki/Computadora



109

Fuentes de información:

Instituto Tecnológico de Chihuahua

Ricardo Fuentes CovarrobiasCrecencio Vallejo

Andrés Gerardo Fuentes Covarrobias.

*El ojo humano. Instrumentos ópticos.http://www.telecable.es/personales/diegoardura/Docs/2bach/Ojo%20e%20instrumentos%20opticos.pdf [1]

*VISIÓN ARTIFICIAL: CONCEPTOS GENERALES

http://www.etitudela.com/celula/downloads/visionartificial.pdf [2]

*APLICACIONES DE LA VISIÓN ARTIFICIAL

http://dmi.uib.es/~ygonzalez/VI/Material_del_Curso/Teoria/Aplicaciones_VC.PDF [3]

* Capítulo 8: Procesamiento digital de imágenes

http://www2.uacj.mx/Publicaciones/GeneracionImagenes/imagenesCap8.pdf [4]

*La iluminación; C.A.I. Centro de apoyo a la Investigación de la Universidad de

Alcalá (Madrid) España

http://foto.difo.uah.es/curso/la_iluminacion.html [5]

*¿Es mejor una reflex con sensor CCD o CMOS?

http://www.decamaras.com/CMS/content/view/347/40-Es-mejor-una-reflex-con-sensor-CCD-o-CMOS [6]

*Capítulo 2: Representación de imágenes digitales

http://www.lcc.uma.es/~munozp/documentos/procesamiento_de_imagenes/temas/pi_cap2.pdf [7]

*Técnicas Clásicas de Segmentación de Imagen; Marcos Martín; 4 de mayo de2004http://lmi.bwh.harvard.edu/papers/pdfs/2003/martin-fernandezCOURSE03b.pdf [8]

*Capítulo 6: Segmentación de imágenes

http://www.telecable.es/personales/diegoardura/Docs/2bach/Ojo%20e%20instrumentos%20opticos.pdf



http://www.etitudela.com/celula/downloads/visionartificial.pdf

http://dmi.uib.es/~ygonzalez/VI/Material_del_Curso/Teoria/Aplicaciones_VC.PDF


http://www2.uacj.mx/Publicaciones/GeneracionImagenes/imagenesCap8.pdf

http://foto.difo.uah.es/curso/la_iluminacion.html


http://www.decamaras.com/CMS/content/view/347/40-Es-mejor-una-reflex-con-sensor-CCD-o-CMOS



http://www.lcc.uma.es/~munozp/documentos/procesamiento_de_imagenes/temas/pi_cap2.pdf



http://lmi.bwh.harvard.edu/papers/pdfs/2003/martin-fernandezCOURSE03b.pdf








http://www2.uacj.mx/Publicaciones/GeneracionImagenes/imagenesCap8.pdf


http://www.etitudela.com/celula/downloads/visionartificial.pdf





http://www.lcc.uma.es/~munozp/documentos/procesamiento_de_imagenes/temas/pi_cap6.pdf [9]

*Estimación de coordenadas de un objeto esférico usando labview; Claudio IsmaelPineda

http://dspace.ups.edu.ec/bitstream/123456789/5203/1/UPS-CT002744.pdf [10]

TUTORIAL DE LABVIEWUniversidad Distrital "Francisco Jose de Caldas"; Laboratorio de Electrónica;Henry Antonio Roncancio. Grupo LIV; Hector Cifuentes; 2001http://perso.wanadoo.es/jovilve/tutoriales/016tutorlabview.pdf [11]

**Cámaras Inteligentes NI para Visión Artificial

http://sine.ni.com/np/app/main/p/ap/vision/lang/es/pg/1/sn/n17:vision,n21:11601/fm

id/3048/ [12]*Software NI Vision Acquisition

http://sine.ni.com/nips/cds/view/p/lang/es/nid/207702 [13]

*Comparación de versión: LabVIEW VISION - Modulo NI Vision

https://decibel.ni.com/content/docs/DOC-30530/diff?secondVersionNumber=3 [14]

*La ecualización; Jaime Pérez Aranda

http://www.ieslosviveros.es/alumnos/asig8/carpeta729/5ECUALIZACI_NPDF.pdf [15]

*Procesamiento Digital de Imágenes; Dr. Boris Escalante R.; 6 de Octubre de 2006




http://dspace.ups.edu.ec/bitstream/123456789/5203/1/UPS-CT002744.pdf


http://perso.wanadoo.es/jovilve/tutoriales/016tutorlabview.pdf


http://sine.ni.com/np/app/main/p/ap/vision/lang/es/pg/1/sn/n17:vision,n21:11601/fmid/3048/



http://sine.ni.com/nips/cds/view/p/lang/es/nid/207702


https://decibel.ni.com/content/docs/DOC-30530/diff?secondVersionNumber=3


http://www.ieslosviveros.es/alumnos/asig8/carpeta729/5ECUALIZACI_NPDF.pdf


http://verona.fi-p.unam.mx/boris/teachingnotes/Capitulo4.pdf

http://verona.fi-p.unam.mx/boris/teachingnotes/Capitulo4.pdf










Documents

Aplicación de Procesamiento Imagenes