Inspeção de Bobines de Abrasivo Flexível Utilizando Visão Artificial

Slides:



Advertisements
Apresentações semelhantes
Óptica Óptica Óptica.
Advertisements

Introdução ao processamento de dados e à estatística - parte 02
Melhoramento de Imagens
Computer Vision Melhoramento de Imagens Paulo Sérgio Rodrigues PEL205.
constante ou regular - fluxo de material sem grandes flutuações.
Grandezas luminotécnicas
Métodos de Análise do Controle Postural
Cássio Luís Fernandes de Oliveira
Amostragem: noções básicas Metodologia Científica
Paulo Milton Bastos Santos
Estatística Descritiva Aula 02
Medidas de Posição e Dispersão
The Cyclops Project German-Brazilian Cooperation Programme on IT CNPq GMD DLR Visão Computacional Prof. Dr. rer.nat. Aldo von Wangenheim.
Estatística 9 - Estimação de Parâmetros por Intervalo
Página da FEG: Estatística Testes de hipóteses acerca dos parâmetros
1 GRADE DE QUALIDADE DOS PRODUTOS PLANOS INOXIDÁVEIS.
Capítulo 6 Estimativas e Tamanho de Amostras
1 - Organizando Dados 2- Preparando o Pôster
Visão Computacional – 2010 Aula 0: Introdução
Paulo Sérgio Rodrigues PEL205
Introdução ao Processamento Digital de Imagens
Tricromia e aditividade
Estatística Aplicada (Aula 4)
ANÁLISE DOS RESULTADOS DA PROVA DE AFERIÇÃO DE MATEMÁTICA 2012
Introdução à Óptica Geométrica
Continuação da Oficina
Suellen Silva de Almeida Orientador: David Menotti
Conservação de Energia
Estatística Descritiva
Estatística e Probabilidade
J. Landeira-Fernandez Ética e Ciência
AS CORES DOS OBJETOS A luz branca é uma mistura de todas as cores.
Estatística Descritiva (I)
Módulo 5 – Introdução à Teoria Estatística da Medição
CEA – FDAS Sistema de Aquisição de Dados para Ensaios em Vôo O sistema CEA-FDAS é um sistema de aquisição de dados desenvolvido especialmente para atender.
Amostragem: Média e desvio-padrão amostral Prof. Helcio Rocha
Teste de Hipóteses de uma amostra Prof. Helcio Rocha
ESTATÍSTICA.
CALIBRAÇÃO.
1 – Produção e transmissão do som
Ciências Farmacêuticas 2º ano Métodos Instrumentais de Análise I
ESTATÍSTICA DECRITIVA
Fernando Carvalho, João Manuel R. S. Tavares
Estimação por ponto (o que trabalhar na amostra)
Amostragem Pontos mais importantes:
Modelagem Estatística
ANÁLISE ESTATÍSTICA II
Estatística Inferencial (cap. 7 Martins)
Distribuição da Proporção Amostral
Introdução ao Processamento Digital de Imagens Clayton de Medeiros Vasconcelos Centro Brasileiro de Pesquisas Físicas CAT- Out
ANÁLISE ESTATÍSTICA II
Exercícios com Flexsim Passo a Passo
Ademir Rafael Marques Guedes
Medidas de Dispersão Aula 8.
Controlo de Qualidade com Recurso à Visão Industrial
ÍNDICES FÍSICOS DOS SOLOS
Métodos Quantitativos Prof. Edson Nemer Site:
Sensoriamento Remoto e Realce de Imagem
Capítulo III – Processamento de Imagem
Métodos Quantitativos
EPR16 – Planejamento e Gestão da Qualidade Professora Michelle Luz
Introdução ao Processamento Digital de Imagens
Ray Tracing Estocástico e Distribuido Aruquia Barbosa.
Visão.
Capítulo 4 As distribuições de probabilidade mais importantes em controle estatístico de qualidade (CEQ): atributos Sumário 4.1 Introdução 4.2 Distribuição.
Professor: Márcio José Coutinho de Paiva
Albertazzi.Tratamento de Dados.Descritores (1.1) Tratamento de Dados 1.
DETEÇÃO E ESTIMAÇÃO Aula X+1: Simulação de Monte Carlo.
Apresentação e Aplicações de Óptica Geométrica (ENEM/UERJ)
Capítulo 4. As distribuições de probabilidade mais importantes em controle estatístico de qualidade (CEQ): atributos Controle Estatístico de Processo (CEP)
Transcrição da apresentação:

Inspeção de Bobines de Abrasivo Flexível Utilizando Visão Artificial

Conteúdo Apresentação Sistema de Inspeção de Bobines Defeitos a detetar. Configuração do sistema implementado. Dificuldades encontradas. Resultados. Estudo de Técnicas de Análise de Textura Objetivo deste estudo. As técnicas estudadas. Amostras escolhidas. Conclusões

Contaminação do semiacabado.

Semiacabado com vincos.

Semiacabado rasgado.

Contaminações devido a condensações.

Defeito resultante devido a uma paragem do equipamento de fabrico.

Emenda do semiacabado.

Emenda do Suporte.

Remoção de amostra para controlo de qualidade.

Defeitos a detetar Operadores atualmente marcam por inspeção visual o material defeituoso.

Configuração do sistema implementado Iluminação difusa utilizada durante fase de ensaios.

Configuração do sistema implementado Iluminação difusa utilizada durante fase de ensaios.

Configuração do sistema implementado Projeto célula de inspeção.

Configuração do sistema implementado Projeto célula de inspeção.

Configuração do sistema implementado Sistema instalado no local.

Configuração do sistema implementado Sistema instalado no local.

Configuração do sistema implementado Equipamento de processamento e de aquisição da marca Dalsa, optou-se por um VA-61 e uma Genie Hm1400 Monocromática. Plataforma de desenvolvimento do programa de inspeção utilizada foi o Sherlock.

Configuração do sistema implementado Aspeto do produto com iluminação implementada.

Dificuldades encontradas Verifica-se um gradiente de intensidade na imagem adquirida. O gradiente interfere com a binarização correta de zonas defeituosas.

Dificuldades encontradas Zonas defeituosas corretamente segmentadas utilizando limiares locais adaptativos.

Dificuldades encontradas No total 119 diferentes tipos de semiacabado a inspecionar. Diversas Cores: vermelho, branco, branco amarelado, azul e amarelo.

Dificuldades encontradas Histograma da imagem na mesma posição para toda a gama de produtos e cores.

Resultados (Ver Vídeo fora do PowerPoint.)

Resultados

Resultados

Resultado da inspeção de 17000 metros de abrasivo flexível. Resultados Resultado da inspeção de 17000 metros de abrasivo flexível. Data Total de Defeitos Taxa de Falsos Positivos Taxa de Falsos Negativos 04.05.2012 157 0% 8%

Estudo de Técnicas de Análise de Textura Atualmente é realizado o controlo visual da distribuição e orientação dos grãos de abrasivo durante o fabrico do produto. Objetivo deste estudo Identificações de flutuações graves da quantidade de grão. Identificação de flutuações na distribuição de grão.

Descritores estatísticos do histograma. As técnicas estudadas Média: Desvio Padrão: Suavidade: Descritores estatísticos do histograma. Terceiro Momento: Uniformidade: Entropia:

As técnicas estudadas Descritores do espetro de frequência calculado pela transformada de Fourier.

As técnicas estudadas Distribuições das frequências em função do raio a partir do centro espetral

Amostras de referência para calcular as distâncias de Mahalanobis. Amostras escolhidas Grupo amostras A Amostras de referência para calcular as distâncias de Mahalanobis. Grão: P500 Tamanho Médio Grão: 30 µm Grão: P180 Tamanho Médio Grão: 82 µm Grão: P150 Tamanho Médio Grão: 100 µm Grupo amostras B Pouco Grão Peso amostra: 1,23 g Amostra Ok Peso amostra: 1,58 g Muito Grão Peso amostra: 1,95 g

Valores médios dos descritores estatísticos do grupo de amostras B. Resultados Valores médios dos descritores estatísticos do grupo de amostras B.

Média dos espetros de frequência do grupo de amostras B. Resultados Média dos espetros de frequência do grupo de amostras B.

Resultados Grupo de Amostras A Diferença tamanho médio (%) Descritores Estatísticos de Textura: Distância Média de Mahalanobis de 30 aquisições Diferença identificada em percentagem (%) Descritores do Espetro de Frequência: 1- P150 - 0,0059 0,2000 2- P180 18 0,0067 13,6 0,2451 22.6 3- P500 70 0,1096 1757,6 0,5458 172.9

Resultados Grupo de Amostras B Diferença Peso (%) Descritores Estatísticos de Textura: Distância Média de Mahalanobis de 30 aquisições Diferença identificada em percentagem (%) Descritores do Espetro de Frequência: 1 - P220 - Pouco Grão 22,15 0,1457 705,0 0,0664 49,9 2 - P220 - Ok - 0,0181 0,0443 3 - P220 - Muito Grão 21,52 0,3505 1836,5 0,2554 476.5

Sistema de inspeção de Bobines - Conclusão Sistema de inspeção e marcação prontos a entrar em operação. Iluminação (difusa vs. estruturada). Equipamento de aquisição e processamento.

Estudo de Técnicas de Análise de Textura - Conclusão Ambas as técnicas foram capazes de identificar no grupo de amostras A o tamanho de grão abrasivo correto. Ambas as técnicas foram capazes de identificar no grupo de amostras B a amostra com a quantidade de abrasivo correta.