Processamento visual e classificação de itens em um transportador em movimento

Processamento visual e classificação de itens em um transportador em movimento:

uma abordagem de percepção seletiva

H. Isil Bozma*, Hulya Yalçin

Laboratório de sistemas inteligentes, Departamento de Engenharia Eletrônica elétrica, Universidade Bogazzi & ci University, Bebek 80815 Istanbul, Turquia.

Resumo

   Muitas aplicações industriais exigem algum tipo de processamento visual automatizado e classificação de itens colocados em um transportador em movimento.  Neste artigo, apresentamos uma abordagem seletiva baseada na perceção ao processamento visual.  A novidade desta abordagem é que, em vez de processar toda a imagem, são analisadas apenas as áreas que são consideradas "interessantes" e, por conseguinte, que exigem atenção.  As sequências de atenção assim construídas podem ser usadas para uma variedade de tarefas, incluindo a determinação da forma.  Como apenas uma pequena parte da imagem inteira é processada, o processamento visual pode ser em tempo real e flexível sem a necessidade de hardware especial.  Dois aplicativos diferentes baseados nessa abordagem são descritos.  Em uma tarefa de deteção de item com defeito, explicamos detalhadamente como as sequências de atenção podem ser usadas. Como segunda aplicação, a abordagem foi implementada em um classificador de controlador remoto automatizado em uma fábrica de TV. Assim, confirma sua aplicabilidade prática. 2002 publicado pela Elsevier Science Ltd.

Palavras-chave: Processamento visual; Classificação; Percepção seletiva; Sistemas atenciosos; Descrição da forma 2D; Visão computacional

1. Introdução

 

Muitas aplicações industriais exigem algum tipo de processamento visual automatizado e a classificação de itens colocados em um transportador móvel [1].  Um processo típico é composto por (i) olhar para os itens no transportador através de algum tipo de sensor, como uma câmera, (II) localizar qualquer item, III) classificação do número com base num conjunto de caraterísticas, tais como forma e IV) realização da ação necessária, consoante as classificações efetuadas.  Em aplicações de controle de qualidade, a saída de classificação pode ser binária como " aprovado ou defeituoso '' durante tarefas de classificação, a saída de classificação pode se referir à categoria do item específico.

 

Uma configuração típica é como mostrado na Fig. 1. Considere os itens Arbitrariamente posicionados e orientados para se mover em um transportador.  Uma câmera localizada acima do transportador visualiza os itens ortograficamente.  Presumimos que há um separador de itens colocado antes da câmera para que os itens recebidos não sejam sobrepostos. Isso é uma suposição realista em muitos ambientes de fabricação.  Um dispositivo de detecção sinaliza a presença de um novo item, sua imagem é obtida e uma análise é realizada.  Observe que, apesar do separador de itens, os itens podem ser posicionados arbitrariamente e geralmente há alguma distorção de perspectiva no plano da imagem.  O objetivo da classificação é determinar a forma de um item em vista e se existem desvios em relação ao seu modelo "dourado".  Para que a classificação automatizada seja viável, os seguintes problemas devem ser abordados de forma eficaz [2]:

• Os itens a inspecionar podem ser furos e extrusões de forma ímpar;
• As formas dos itens não podem ser regulares;
• As posições e orientações dos itens podem ser arbitrárias;
• Processamento visual em tempo real;
• Requisitos mínimos de hardware especiais;
• Novos itens podem ser adicionados com frequência.

Sob fortes suposições sobre as três primeiras questões, uma variedade de abordagens tem sido proposta na literatura.  No entanto, quando os itens podem vir em posições arbitrárias e serem arbitrariamente formados, a maioria dos métodos se torna computacionalmente muito cara e, portanto, requer hardware de processamento especial.  Neste documento, apresentamos uma abordagem que permite que os itens sejam arbitrariamente localizados e tenham uma forma arbitrária, mas não exige hardware especial.  A novidade da abordagem é que ela se baseia em seletiva percepção, isto é, em vez de processar toda a imagem, apenas são analisadas as áreas que são consideradas "interessantes" e, por conseguinte, exigem atenção [29,30].  Como apenas uma pequena parte dos dados visuais recebidos é processada, o hardware simples é suficiente para o processamento visual em tempo real.  Por fim, é simples o suficiente para que novos itens possam ser facilmente adicionados.

[pic 1]

Fig. 1. Configuração da classificação visual num ambiente industrial.

1.1. Trabalho conexo: Reconhecimento de objeto industrial

 

Há centenas de artigos descrevendo vários métodos para o reconhecimento de objetos 2D em aplicações industriais [3–5]. Sistemas com desempenho extremamente robusto estão disponíveis comercialmente para uma ampla variedade de tarefas, incluindo indústrias de automóveis, eletrônicos e metais.  Apesar destes desenvolvimentos, o processamento visual automatizado tem penetrado em um ritmo relativamente lento em muitas indústrias de fabricação [6,7].  Os motivos estão relacionados aos requisitos relativos a (i) ambientes altamente estruturados, como o posicionamento exato do item, (II) a suficiência de um pequeno conjunto de caraterísticas distintivas, como área, perímetro, etc. para identificação e (iii) hardware especializado e geralmente caro [2].  Isso nos motivou a desenvolver um método que possa aliviar alguns desses problemas.

1.2. Trabalho relacionado: Percepção seletiva

Estudos em ciência da visão revelaram que os sistemas biológicos funcionam alocando recursos computacionais limitados apenas às partes interessantes de uma imagem recebida [8–12]. Isso é feito por movimentos arcaicos rápidos nos olhos que direcionam o eixo óptico para um ponto de fixação do alvo, de forma que a área de alta resolução ao redor do ponto de fixação fóvea sobreponha-se a essa área interessante [13–15,33–35]. A fóvea contém quase o mesmo número de fotorreceptores que o resto da retina e, portanto, pode fornecer informações visuais detalhadas.  Assim, o processamento detalhado ocorre somente nessas regiões e os recursos assim calculados são usados para resolver a tarefa visual que está sendo executada [32].  O resto do campo visual chamado periferia é muito mais baixo em resolução e serve para encontrar o próximo ponto de fixação.