FUSIÓN DE IMÁGENES HIPERESPECTRALES Y VISIBLES PARA LA ...

i

FUSIÓN DE IMÁGENES HIPERESPECTRALES Y VISIBLES PARA LA CLASIFICACIÓN DE RESIDUOS PLÁSTICOS

HERNAN CAMILO YULE BURBANO

PONTIFICIA UNIVERSIDAD JAVERIANA

FACULTAD DE INGENIERÍA

DEPARTAMENTO DE INGENIERÍA ELECTRÓNICA

BOGOTÁ

2013

iii

FUSIÓN DE IMÁGENES HIPERESPECTRALES Y VISIBLES PARA LA CLASIFICACIÓN DE RESIDUOS PLÁSTICOS

HERNAN CAMILO YULE BURBANO

Trabajo de grado para optar al título de Ingeniería Electrónica

Director

Ing. CESAR LEONARDO NIÑO BARRERA Ph.D



DEPARTAMENTO DE INGENIERÍA ELECTRÓNICA

BOGOTÁ

2013

iv



CARRERA DE INGENIERÍA ELECTRÓNICA

RECTOR MAGNÍFICO: R P. JOAQUÍN EMILIO SÁNCHEZ GARCÍA, S.J.

DECANO ACADÉMICO: ING. Jorge Luis Sanchez Téllez

DECANO DEL MEDIO UNIVERSITARIO: P. Sergio Bernal S.J.

DIRECTOR DE CARRERA: ING. JAIRO HURTADO LONDOÑO, Ph.D.

DIRECTOR DEL PROYECTO: Ing. CESAR LEONARDO NIÑO BARRERA Ph.D

v

ARTÍCULO 23 DE LA RESOLUCIÓN No. 13 DE JUNIO DE 1946

“La Universidad no se hace responsable de los conceptos emitidos por sus alumnos en sus proyectos de

grado. Solo velará porque no se publique nada contrario al dogma y la moral católica y porque los trabajos no contengan ataques o polémicas puramente personales.

Antes bien, que se vea en ellos el anhelo de buscar la verdad y la justicia”.

vi

TABLA DE CONTENIDO

TABLA DE CONTENIDO.....................................................................................................................vi

ÍNDICE DE ILUSTRACIONES .............................................................................................................vii

ÍNDICE DE TABLAS..........................................................................................................................viii

1. INTRODUCCIÓN ........................................................................................................................ 1

2. MARCO TEÓRICO ...................................................................................................................... 2

3. ESPECIFICACIONES.................................................................................................................... 6

4. DESARROLLOS........................................................................................................................... 9

5. ANÁLISIS DE RESULTADOS ...................................................................................................... 19

6. PROBLEMAS ENCONTRADOS .............................................................................................. 26

RESTRICCIONES .............................................................................................................................. 27

CONCLUSIONES .............................................................................................................................. 28

BIBLIOGRAFÍA ................................................................................................................................ 29

vii

ÍNDICE DE ILUSTRACIONES

Ilustración 1: Código de clasificación de resinas (US EPA 1991) .................................................. 2

Ilustración 2: Espectros de absorción de PET, PVC y HDPE respectivamente. ............................. 4

Ilustración 3: Espectro humano vs sensores CMOS Y CCD ........................................................... 4

Ilustración 4: Diagrama de flujo general del sistema. ...................................................................... 6

Ilustración 5: Cámara frente a la muestra ........................................................................................ 9

Ilustración 6: Filtro IR de cámara desmontado. ............................................................................. 10

Ilustración 7: Circuito sensor CCD. ............................................................................................... 10

Ilustración 8. Montaje Leds ........................................................................................................... 11

Ilustración 9. Módulo de adquisición de imágenes (cerrado), fuente de Pc para alimentar leds y

apertura de ingreso a las muestras. ................................................................................................ 11

Ilustración 10. Módulo de iluminación controlada. ....................................................................... 12

Ilustración 11. Imagen en el espectro visible. ................................................................................ 13

Ilustración 12. Imagen en el IR...................................................................................................... 13

Ilustración 13: Mascara de segmentación de imagen visible e IR ................................................. 14

Ilustración 14. Preprocesamiento segmentación de imagen visible e IR. ...................................... 15

Ilustración 15: Modelo de color CIELAB ........................................................................................ 15

Ilustración 16. Transformación a CIELAB. ................................................................................... 16

Ilustración 17: Separación de los planos. Ap= magenta, bp= amarillo, an= verde, an= azul. ....... 16

Ilustración 18: Diagrama de flujo del clasificador. ........................................................................ 18

Ilustración 19. Imagen espectro visible e infrarrojo. ..................................................................... 19

Ilustración 20. Marcaras de los diferentes colores pertenecientes a CIELAB. .............................. 20

Ilustración 21. Mascara de infrarrojo procesada. ........................................................................... 20

Ilustración 22: HDPE imagen IR e histograma. .............................................................................. 21

Ilustración 23: HDPE imagen IR e histograma. .............................................................................. 21

Ilustración 24: HDPE con sus respectivos histogramas. ................................................................ 21

Ilustración 25: Pet y su histograma ................................................................................................ 22



Ilustración 28: Imagen luego de ser procesada. ............................................................................. 23

Ilustración 29. Imagen fusionada, imagen final. ............................................................................ 24

viii

ÍNDICE DE TABLAS

Tabla 1. Resultados. ....................................................................................................................... 24

1

1. INTRODUCCIÓN

En la actualidad, los problemas de contaminación han llegado a niveles alarmantes. El mundo lleva soportando la existencia del ser humano por muchos años y cada día nuestra existencia se hace más dañina. La acumulación de basuras es uno de los muchos problemas que tienen al planeta enfermo. El problema no solo tiene cifras alarmantes, estas cifras van en aumento producto del consumismo en el cual el ser humano se encuentra inmerso. El material plástico es abundante pues con él se elaboran todo tipo de empaques, recipientes, etc. De lo anterior es fácil entender por qué este material abunda también en los rellenos de basura. El plástico se está acumulando y va en aumento, esto gracias a que el material no se

está reciclando de manera proporcional a las cantidades en las cuales se produce.

Un gran inconveniente en los procesos de reciclaje se encuentra en la etapa de clasificación, pues en los países menos desarrollados esta etapa se hace de manera manual. Esto hace que mucho material se

desperdicie, pues el porcentaje de material recuperado es muy bajo.

Con la elaboración de este proyecto se pretende contribuir al proceso de reciclaje, entregando un estudio que nos permita entender los alcances de un método de clasificación de residuos plásticos por medio de imágenes. Este estudio pretende ser una contribución a la eficiencia dentro de todo un proceso, que puede elevar los porcentajes de material recuperable y disminuir la cantidad de materia prima extraída para la

elaboración de las resinas plásticas. En general realizamos el estudio pensando en el medio ambiente.

En el desarrollo de este proyecto encontramos una técnica capaz de segmentar y clasificar entre diferentes tipos de plásticos. Esta técnica pretende entregar un resultado basado tanto en imagen visible como hiperespectral. Esto con el fin de entregar características como color y tipo de resina presente en la muestra. Para la clasificación de los diferentes objetos presentes en cada muestra se emplean técnicas de procesamiento de imágenes. Técnicas que van desde la generación de una base de datos por medio de un montaje de iluminación controlada, hasta la fusión de características encontradas en el hiperespectro como

en la imagen visible.

2

2. MARCO TEÓRICO

Para la solución del problema planteado, es necesario en primera instancia tener un concepto

general del panorama que tenemos al hablar de clasificación de residuos plásticos. El plástico está elaborado a partir de resinas sintéticas que son producidas de recursos no renovables como gases

y petróleo. Adicionalmente tenemos que este material presenta alta resistencia a la degradación, pues puede tardar entre 500 a 1000 años en degradarse, generando una acumulación del material. Por otro lado la incineración de las resinas plásticas no se recomienda pues libera gases que son

tóxicos [1].

El más común de los plásticos es el Termoplástico, del cual el 90% de toda la variedad se ve

representado en 6 clases. Estas clases han sido institucionalizadas por la sociedad de industria plástica, de esta manera con un sello voluntario en alto relieve sobre el plástico se pretende

reconocer la clase a la que pertenece [2] y [1].

Ilustración 1: Código de clasificación de resinas (US EPA 1991)

Dentro de las etapas para reciclar el plástico tenemos: recolección, centro de reciclado y clasificación. En la etapa de clasificación tenemos que las diferentes clases de resina no se pueden mezclar, pues se considera que una resina contamina a la otra así sea por pequeñas partes

por millón [2] y [1].

En Colombia la clasificación del material plástico en general se realiza de forma manual, pero en esta etapa solo se toman en cuenta ciertas resinas, la gran mayoría son desechadas. Debido a que este proceso es manual, es lento y se desperdicia mucho material que es recuperable,

acumulándose en los diferentes vertederos y contaminando el medio ambiente [1].

3

Algunas de las diferentes resinas a la vista pueden parecer iguales, por otro lado es normal que a veces se encuentren plásticos sin la marca en alto relieve que nos muestra que tipo de resina pertenece el objeto. Para esto hay diversas técnicas de clasificación de materiales plásticos.

Técnicas que involucran procesos mecánicos, químicos, por medio de densidades, por medio de espectroscopia con rayos x, gama, infrarrojo, por medio de imágenes para separar color o forma

[2],[3]y[4].

Las diferentes resinas plásticas, independientemente de su color, reflejan las ondas electromagnéticas en menor o mayor cantidad. Las variaciones de la onda reflejada dependen

tanto del material como de la frecuencia. Es así como cada material posee un espectro de absorción. En la clasificación de resinas plásticas podemos observar los espectros de absorción de los diferentes plásticos, para determinar qué tipo de resina está presente en la muestra.Figura2.

4

Ilustración 2: Espectros de absorción de PET, PVC y HDPE respectivamente.

El fenómeno presentado en las gráficas de espectros de absorción, se puede apreciar fácilmente si

eliminamos el filtro IR presente en las cámaras. De esta manera, si observamos por ejemplo la luz solar a través de una cámara con un sensor CCD o CMOS, puede captar una imagen diferente a la

que observamos simplemente con los ojos. La imagen se ve sobreexpuesta, pero la diferencia entre CCD y CMOS es que el fenómeno es más fuerte con el sensor CCD. Esto se debe a que este sensor responde a ondas electromagnéticas con longitudes de onda más altas, y con una mayor

sensibilidad.

Ilustración 3: Espectro humano vs sensores CMO S Y CCD

5

Las diferentes imágenes nos muestran diferentes características de los objetos. Tomando en cuenta la diferencia entre los espectros de absorción de las resinas plásticas, y teniendo en cuenta la sensibilidad de los sensores para la obtención de imagen. Todo esto es materia importante para llevar al análisis, donde por medio del procesamiento de imágenes se puede evidenciar aún más esto.

6

3. ESPECIFICACIONES

El sistema cuenta con un montaje en hardware para la obtención de la base de datos y con el desarrollo de un algoritmo en matlab para el procesamiento de la imagen. DIAGRAMA DE FLUJO

Ilustración 4: Diagrama de flujo general del sistema.

3.1 Muestra

Esta debe contener elementos del tipo PET y HDPE de diferentes formas, tamaños y colores organizados de manera aleatoria. Es importante lograr una cantidad de desechos lo suficientemente grande y variada para que la base de datos generada sea lo más variada posible. Esto nos va a permitir

observar y determinar limitaciones y problemas en la clasificación.

3.2 Adquisición

Esta sección está dedicada al montaje en hardware principalmente, desde la cual se tomara la base de datos para nuestro análisis. Nuestro hardware consiste en un módulo de iluminación controlada para la adquisición de imágenes. Este cuenta con una iluminación es de dos tipos: infrarroja (IR) y luz blanca.

Muestra

Adquisición

IR/visible

Señal

Digitalización

Imagen

IR visible

Preprocesamiento

(Segmentación) Procesamiento

Datos

Análisis

Descriptores

Clasificación

Pet/ HDPE

Fusión de imágenes

7

Este módulo debe contar con características que permitan que las condiciones de iluminación sobre las muestras sean siempre las mismas.

En esta sección se van a adquirir las imágenes IR y visible por separado, con su correspondiente iluminación, para ello la muestra debe conservar sus posiciones para que las regiones de los diferentes objetos correspondan entre las imágenes.

Es importante aclarar que la cámara debe haber sido modificada, pues a esta se le debe retirar el filtro IR que por defecto trae para impedir que las componentes por encima de los 700 nm de longitud de onda estén presentes en la imagen. Sin el filtro las componentes IR no sufrirán ninguna atenuación y serán perfectamente visibles por la cámara, lo que nos permitirá generar una imagen en el infrarrojo

cercano (NIR).

La iluminación tanto IR como blanca deben cumplir con las características de la cámara para que la iluminación no sea pobre, además esta iluminación debe ser difusa para quitar deformaciones en la

imagen con brillos no deseados.

Características de Hardware

Cámara

Tipo: Webcam

Sensibilidad: 5lux

Iluminación

Led MV8W00[6].

Iluminacion IR

Led QED234[5]

3.2 Señal

La señal obtenida son dos imágenes en RGB.

3.3 Digitalización

La imagen visible e IR es almacenada en un computador en formato .jpg. Esta debe estar almacenada

para que pueda ser tomada por MATLAB.

3.4 Imagen

Tanto la imagen visible como la IR son tomadas al tiempo por MATLAB para ser procesada mediante

un algoritmo.

3.5 Preprocesamiento

Mediante una función se debe segmentar los objetos presentes en las imágenes IR y visible. De esta manera se elimina el fondo, tratando de quitar reflexiones de luz o ruido que puedan afectar las características de los diferentes objetos. De esta manera garantizamos que en las imágenes solo están

presentes los objetos de interés.

8

3.6 Procesamiento

En esta etapa tomamos cada una de las imágenes resultantes del preprosesamiento, para entonces aplicar técnicas de segmentación diferentes tratando de resaltar las características propias de cada

imagen.

3.7 Datos

En este punto se obtienen histogramas, componentes de colores, formas y demás que cada objeto

presenta en su estructura.

3.8 Análisis

Se observan todos los objetos para comparar elementos en común entre elementos del mismo tipo para

relacionarlos. Se toman características de ambas imágenes para determinar comportamientos.

3.9 Descriptores

A este punto se toma la decisión de qué tipo de descriptores son más apropiados para nuestro análisis. Teniendo en cuenta el problema y sus antecedentes, podemos ver que estos descriptores pueden ser estadísticos o geométricos.

3.10 Clasificación

Se toman las características claves de los descriptores y se evalúan, teniendo en cuenta que ya se han

definido los márgenes con los cuales se van a determinar el tipo de objeto presente.

3.11 Fusion

Tomando las imágenes originales, agregamos los resultados obtenidos de las regiones para nombrar

que tipo de elementos son los presentes y sus características.

9

4. DESARROLLOS

A continuación se explicará cada una de las partes que conforman este trabajo de grado, teniendo en

cuenta el diagrama de flujo.

4.1 Muestra

Como primera medida se hace una recolección de botellas plásticas del tipo Pet y HDPE. Esto se hace debido a la inexistente base de datos que contengan solo estos dos elementos en las muestras. Los elementos que aquí se recogen, son de diferentes tamaños, colores, formas y estados (sucios, deformados, con contenido, etc.). Es importante mencionar que a los elementos del tipo Pet, se les quito las etiquetas, pues estas son de un material diferente al del envase y su permanencia en la

muestra genera un error.

Estas muestras contienen entre 4 y 7 objetos los cuales se distribuyen de manera aleatoria, esto quiere

decir que se trata de no seguir ningún patrón en cuanto a cantidad, posiciones ni colores.

4.2 Adquisición

Para la adquisición de las diferentes imágenes fue necesario construir un módulo de iluminación

controlada, capaz de manejar iluminación IR y visible sin modificar el estado de la muestra.

Se construye una caja de madera de 80cm de alto x 40 de ancho x 40 de largo. La cámara se encuentra

a 70cm de la muestra como lo muestra la Ilustración 5, Ilustración 9, Ilustración 10.

Ilustración 5: Cámara frente a la muestra

La cámara está a una distancia de 70cm de la muestra debido al lente que la cámara maneja. Esta es la distancia máxima a la cual la cámara puede enfocar. Esta cámara es del tipo webcam, y no es posible encontrar una ficha técnica que nos proporcione las características de la cámara. Adicionalmente a la cámara se le quita el filtro IR que tiene para poder hacer uso del sensor CCD en todo su espectro.

Ilustración 6.

70cmm

Camara

Muestra

10

La cámara, es una webcam. Esta se escogió de este tipo, pues además de su valor económico, facilidad para la toma y almacenamiento de imágenes, esta cámara es de una tecnología más vieja. Las cámaras actuales manejan sensores del tipo CMOS. Esta webcam por no ser de la tecnología actual, que maneja sensores del tipo CCD, que como hemos observado anteriormente tiene mayor sensibilidad que los sensores del tipo CMOS en las frecuencias pertenecientes a NIR. Esto nos va a permitir observar de

manera más clara las diferencias presentes entre los plásticos en el NIR.

La caja es pintada de negro en su totalidad y sellada herméticamente para impedir la penetración de luz

del exterior.

Ilustración 6: Filtro IR de cámara desmontado.

Ilustración 7: Circuito sensor CCD.

Es importante mencionar que después de haber pintado el fondo de negro, nos dimos cuenta que la reflexión de la luz era muy alta, lo que resultaba un problema para los objetos blancos en la segmentación. Los objetos blancos eran eliminados debido a su similitud con la luz blanca reflejada. Un problema muy frecuente era también que aparecían objetos que eran falsos, esto por la misma reflexión de la luz. Para evitar todo esto hubo la necesidad de cambiar el fondo por uno que disminuyera esta reflexión al mínimo. Se usa tela negra para la implementación de este fondo, se pinta de negro pues en el infrarrojo la tela por si sola tiene una reflexión muy alta, de esta el fondo absorbe casi la totalidad de la luz permitiéndonos ver

solo los objetos de interés sin perder información.

Iluminación

Debido a que la sensibilidad de la cámara es de 5Lux aproximadamente, y teniendo en cuenta el datasheet de los leds visibles [6].

Tomamos el valor típico de intensidad luminosa, 2500 mcd, o 2,5cd.

11

Pasamos esta cantidad a lux, teniendo en cuenta que la distancia entre la cámara y el objetivo es de 0,7 m y que se está irradiando a 90º la luz proveniente del led. De lo anterior obtenemos que la cantidad de leds mínimo para que se logre excitar el sensor CMOS es 1 led. Se procede a iluminar con 10 veces esta cantidad para tener una cantidad óptima de iluminación. Teniendo en cuenta que se va a usar un difusor para evitar deformaciones en el objetivo producto de la luz directa usamos 12 leds del tipo blanco.

Ilustracion 8.

Para calcular la cantidad de leds IR necesarios procedemos de la misma manera. De las características del led, tenemos que este irradia con una intensidad de 50mW/sr[5]. De lo cual obtenemos que la cantidad

necesaria para obtener una óptima excitación del sensor son 12 leds.

Los leds son distribuidos de manera uniforme en la parte superior de la caja, de tal manera que estos según

su patrón de radiación entreguen su máxima capacidad Figura8.

Ilustración 8. Montaje Leds

Ilustración 9. Módulo de adquisición de imágenes (cerrado), fuente de Pc para alimentar leds y apertura de ingreso a las muestras.

Difusor

12

Ilustración 10. Módulo de iluminación controlada.

Teniendo en cuenta que para el anterior montaje se usaron 12 leds del tipo MV8W00, en un circuito calculado para que cada uno trabajara con 20mA. También se usaron 12 leds del tipo QED 233, diseñados para funcionar con 100mA. Se utilizó una fuente de 5V con una capacidad para entregar hasta 15A.

Ilustración 9.

4.3 Digitalización

Las imágenes obtenidas para analizar son las siguientes. Ilustración 11, Ilustración 12. Estas imágenes han sido obtenidas con todas las consideraciones anteriormente descritas, garantizando las mismas condiciones para todas las muestras. Observando estas imágenes podemos apreciar claramente las diferencias entre las

imágenes visibles e IR.

Para el desarrollo del algoritmo se tomaron alrededor de unas 140 cuarenta imágenes, dentro de las cuales se encontraban entre 3 y 6 elementos por imagen, lo que nos da más de 500 objetos a analizar pues en cada imagen se encontraban dentro de una distribución diferente.

En este punto podemos observar características propias de cada imagen, por ejemplo que en la imagen visible se pueda apreciar el color de los diferentes objetos. Como característica importante vemos que en la imagen IR los objetos del tipo HDPE sin importar etiquetas y colores tienden a verse blancos, mientras

que los pet mantienen su transparencia incolora.

Cámara

Fuente

Muestra

13

Ilustración 11. Imagen en el espectro visible .

Ilustración 12. Imagen en el IR

4.4 Preprosesamiento.

En esta sección procedemos a segmentar la imagen eliminando el fondo y obteniendo solo los objetos de interés para nuestro análisis.

Esta separación se hace por medio de una técnica, la cual consiste en tomar una imagen de referencia

(imagen de fondo) para compararla con la imagen de la muestra. De la siguiente manera:

1. Tenemos la imagen de referencia (imagen de fondo) 2. Tenemos la muestra 3. Usamos la función

(1)

Donde tenemos que b(x,y) es la matriz de referencia, y C(x,y) es la muestra.

14

4. Debido a que la imagen tiene tres componentes RGB. Debemos obtener la diferencia de cada una de las componentes, para luego obtener la norma de las diferencias.

(2).

5. Por último, se implementa la siguiente función.

(3)

De donde tenemos que f(x,y) es una matriz lógica, es una máscara que nos indica las regiones donde se encontraron los diferentes objetos. Tenemos que τ’ es el umbral que se toma para determinar con qué porcentaje de variación respecto a la máxima diferencia entre la muestra y el fondo se va hacer la segmentación. En nuestro caso tomamos τ’=10% para no perder detalle y por qué la imagen así lo permitía para no incluir objetos que no fueran de interés. Si se tiene que en determinado pixel d(x,y) es mayor o igual al 10% de la máxima diferencia, entonces se determina

que esta región es diferente al fondo.

De lo anterior se obtiene una matriz mascara para cada imagen. Ilustración 13.

Ilustración 13: Mascara de segmentación de imagen visible e IR

Usando estas máscaras, multiplicándolas por las imágenes originales obtenemos. Ilustración 14.

15

Ilustración 14. Preprocesamiento segmentación de imagen visible e IR.

4.5 Procesamiento.

En este punto lo que hacemos es transformar la matriz de la imagen visible del modelo RGB al modelo CIELAB. Ilustración 15. Esto se hace con el fin de segmentar por colores las regiones en las cuales existen los objetos. Se generan 3 matrices, 1 para la intensidad del brillo, la segunda para el

color magenta y verde, una tercera para los colores amarillo y azul. Ilustración 16.

Ilustración 15: Modelo de color CIELAB

16

Ilustración 16. Transformación a CIELAB.

Separando los colores en matrices diferentes, se obtienen en los diferentes planos varias máscaras, las

cuales nos muestran la composición en colores de cada elemento. Ilustración 17.

Ilustración 17: Separación de los planos. Ap= magenta, bp= amarillo, an= verde, an= azul.

Podemos apreciar fácilmente como las diferentes regiones de interés se distribuyen en diferentes

matrices, separándolas por características de color.

De cada una de estas matrices obtenemos las propiedades de las diferentes regiones. Propiedades como centros, áreas y ubicaciones, con las cuales relacionamos las regiones de cada una de las matrices de color

con las regiones encontradas en el IR.

Al final de esta etapa hemos obtenido de la imagen a color, las diferentes matrices de colores donde se encuentran distribuidas las regiones que tienen componentes en cada una de estas.

Se generan nuevas matrices, estas son las regiones extraídas de la imagen IR. Estas matrices son equivalentes al número de elementos presentes en la muestra, pues en cada matriz se encuentra cada elemento totalmente separado de los demás para su estudio. Se ha eliminado cualquier información que no

pertenezca al elemento al cual la región está dedicada, para evitar error alguno.

17

4.6 Datos

Como hemos mencionado anteriormente, como datos tenemos la composición de colores de cada región de interés según el modelo CIELAB. Adicionalmente contamos con los histogramas obtenidos de cada una de las regiones de los objetos, donde se observaran las tendencias de las distribuciones de los pixeles según sea el elemento.

4.7 Descriptores

Estos son estadísticos, pues trabajamos con los histogramas de las imágenes en el infrarrojo. Hay que tener en cuenta, que las regiones obtenidas tendrán una gran cantidad de pixeles que son totalmente negros, esto debido a que se tomó como totalmente negro los elementos que no eran de nuestro interés. Otro punto importante es que los brillos en de los objetos pet, pueden marcar una tendencia

errónea hacia los tonos más claros, por ende no se tendrán en cuenta tampoco los tonos tan altos.

4.8 Clasificadores.

Nuestro clasificador final, el que determine qué tipo de elemento se encuentra en cada región, va a ser la variabilidad encontrada en cada histograma. Este trabaja en un rango que debe evitar los tonos totalmente negro o los totalmente blancos, pues es esta región de la distribución de pixeles la que nos interesa. Tomando la distribución completa, hay una alta probabilidad de que caigamos en el error, pues los pixeles totalmente negros son muchos y los brillos totalmente blancos también, lo que

descompensa la distribución llevándonos a unos puntos de concentración equivocados.

La imagen muestra como el algoritmo de clasificación funciona. Debido a las consideraciones que había que tener con la distribución, hubo la necesidad de implementar el clasificador por medio de

algoritmos. Este algoritmo obedece a los siguientes pasos:

1. Primero tomamos el promedio entre los elementos de la distribución entre 2 y 250, para evitar los tonos completamente negros y los completamente blancos.

2. Establecemos un promedio de este rango de la distribución, para luego contar cuantos están sobre el promedio.

3. Se hace la relación donde observamos cuantos de los puntos por encima del promedio están por encima de la mitad de la distribución, estos se ven en el diagrama de flujo como Pe. Ilustración 18.

4. Se evalúan los niveles para determinar si es un pet o HDPE. En caso de que no sean determinantes los niveles de Pe, se recurre al punto más alto dentro del rango de distribución. Este punto es conocido como Ymax en el diagrama de flujo. En caso de encontrarse por

encima de la mitad del rango el elemento es HDPE de lo contrario es pet.

18

Ilustración 18: Diagrama de flujo del clasificador.

4.9 Objetos

Para esta última parte ya tenemos los objetos clasificados por color y tipo de elemento. Hacemos una transformación a un formato de archivo .tiff, y fusionamos la imagen. Este formato tiene la particularidad de que los 3 primeros planos toman los colores RGB, y un plano adicional toma el nivel

de transparencia. Este último canal lo construimos con la imagen infrarroja pasada a grises.

Pe

Pe>80 Pe<40

Si no PET HDPE

ymax>150 ymax<150

ymax

19

5. ANÁLISIS DE RESULTADOS

Para la medición de la eficiencia, se tomó una muestra de 50 imágenes. Dentro de las cuales se encuentran entre 4 y 7 elementos por imagen, lo que nos da alrededor de 250 elementos diferentes para nuestra evaluación. Las imágenes tomadas para la evaluación del proyecto, fueron elaboradas de la misma manera que las de prueba. Estas imágenes no fueron evaluadas sino hasta el final del trabajo. Las imágenes para la evaluación tuvieron las mismas consideraciones que las del desarrollo, elementos pet y HDPE de todos los

colores formas y estados, distribuidos en posiciones arbitrarias.

Como se puede observar en la figura 14, se toman dos imágenes de una muestra, una en el espectro visible

y otra en el infrarrojo. Estas pertenecen a las imágenes tomadas para evaluar.

Ilustración 19. Imagen espectro visible e infrarrojo.

Las máscaras de los diferentes colores según la convención CIELAB, presentes en esta muestra se pueden observar en la Figura 15. Donde tenemos que lp hace referencia al nivel de luminosidad. Ap hace referencia al color Magenta. Bp hace referencia al color amarillo. An hace referencia al verde. Bn hace

referencia al color azul.

20

Ilustración 20. Marcaras de los diferentes colores pertenecientes a CIELAB.

La máscara obtenida de la imagen infrarroja, luego de ser procesada.

Ilustración 21. Mascara de infrarrojo procesada.

21

Cada región encontrada en cada mascara de color, fue comparado por medio del algoritmo con las regiones que observamos en el IR. Esto con el fin de tener conocimiento previo de su composición en

color antes de clasificarlo por tipo de resina.

Las regiones con su respectivo histograma obtenido producto de todo este análisis, se pueden observar en las Ilustraciones 22, 23, 24.

Ilustración 22: HDPE imagen IR e histograma.

Ilustración 23: HDPE imagen IR e histograma.

Ilustración 24: HDPE con sus respectivos histogramas.

22

Como se puede observar los puntos más altos de este histograma se encuentran después de 150, pues la

mayoría de pixeles tiene tonos muy claros, hay una tendencia hacia el blanco.

Con base en los histogramas obtenidos de las imágenes de prueba han establecido los umbrales con los

cuales se han evaluado estos histogramas pertenecientes a las imágenes de evaluación del sistema.

De esta manera se observa el corte de un objeto tipo pet en el infrarrojo y su histograma. Ilustaciones 25, 26 y 27.

Ilustración 25: Pet y su histograma


23


Como se ha mencionado anteriormente la tendencia en la distribución de los pixeles en el pet, es hacia los

tonos más oscuros.

Las regiones con su composición de color y el tipo de objeto entregan como resultado. Ilustración 28.

Ilustración 28: Imagen luego de ser procesada.

Finalmente, la imagen luego de haber sido procesada para su clasificación y fusionada en formato .tiff.

Ilustración 29.

24

Ilustración 29. Imagen fusionada, imagen final.

De la tabla de resultado podemos observar en la tabla de resultados, los pet tienen mayor probabilidad de ser clasificados correctamente, pues la probabilidad es de 99,17%. Adicionalmente tenemos que aunque para HDPE las probabilidades de ser clasificado correctamente son menores, con el 80,51%, hay menor

posibilidad de que el algoritmo se equivoque nombrando HDPE falsos. Tabla 1.

MUESTRA PET HDPE pet correctos pet no detectados

pet incorrectos

HDPE correctos

PHDE no detectados

HDPE incorrectos

1 3 2 3 2

2 3 3 3 3

3 2 2 2 2

4 3 1 3 1

5 3 2 3 1 1

6 3 1 3 1

7 3 2 3 2

8 2 3 2 2 1

9 1 5 1 5

10 2 3 2 3

11 4 2 4 2

12 3 3 3 1 2

13 1 4 1 4

14 3 2 3 1 1

15 3 3 3 2 1

25

16 3 3 3 2 1

17 5 4 5 2 2

18 2 5 2 4 1

19 5 2 5 1 1

20 2 4 2 3 1

21 3 2 3 2

22 1 5 1 4 1

23 2 4 2 4

24 2 3 2 2 1

25 1 3 1 3

26 5 1 5 1

27 5 3 5 2 1

28 2 3 2 2 1

29 2 4 2 3 1

30 3 1 3 1

31 2 4 2 3 1

32 2 4 2 3 1

33 3 2 3 2

34 4 3 4 3

35 1 5 1 4 1

36 3 3 3 1 2

37 3 2 3 2

38 2 4 2 3 1

39 2 2 2 2

40 2 2 2 2

41 1 3 1 2 1

42 4 1 3 1 1

43 1 3 1 3

44 1 5 1 3 2

45 3 3 3 3

46 2 3 2 3

47 1 5 1 5

48 2 4 2 3 1

49 6 5 1

50 0 5 5

Total 121 154 0 120 1 0 124 4 26

% 99,17355372 0,826446281 0 80,51948052 2,597402597 16,88311688

Tabla 1. Resultados.

26

6. PROBLEMAS ENCONTRADOS

Al realizar la evaluación de la eficiencia del algoritmo, se encontraron algunos errores que no se

habían contemplado a la hora de definir el algoritmo.

Los objetos oscuros de HDPE, al obtener su histograma este tiende a asemejarse al de un pet, esto genera un error en el momento de la clasificación. De esta manera se producen falsos positivos, pues clasifica el

elemento como si fuese un pet y resulta siendo un HDPE.

Otro error, fue el hecho de que algunas matrices de producto de operaciones morfológicas o de cortes para la individualización de los objetos, luego de varios cambios en las mismas, les aparece una fila o columna de más lo que provoca un error al multiplicar matrices o aplicar una función lógica. Esto sucedió en muy pocos casos, lo que provoco que en algunas ocasiones la totalidad de los elementos presentes en la

muestra no fueran tenidos en cuenta en la clasificación.

27

RESTRICCIONES

Para la elaboración del proyecto se tomaron en cuenta solo elementos del tipo pet y HDPE en su clasificación. Con esto queremos decir que en las muestras no se evaluó la entrada de ningún otro tipo de material.

Los elementos HDPE de color negro no se lograron clasificar correctamente por el nivel de absorción de este color.

Las etiquetas de los elementos pet clasificados aquí no contenían etiquetas pues están

elaboradas de un material diferente el cual no estaba dentro de nuestro objetivo.

28

CONCLUSIONES

• El modulo construido para la adquisición de imágenes no solo cumple con las condiciones eléctricas y de iluminación (controlada). Es muy eficiente pues la base ha sido elaborada de tal manera que impide la reflexión de la luz en el fondo, para quitar ruido en las imágenes.

• La imagen infrarroja nos proporciona la información necesaria para diferenciar entre pet y HDPE.

• Aunque los histogramas fueron obtenidos de la imagen NIR para la clasificación definitiva. La imagen perteneciente al espectro visible nos aportó información importante en cuanto a color, lo que nos permitió separar objetos que se encontraban pegados en la muestra.

• Los elementos del tipo HDPE que fueron mal clasificados, corresponde a elementos de colores

oscuros. Los elementos oscuros absorben más las ondas.

29

BIBLIOGRAFÍA

[1](2012)Compromiso empresarial para el reciclaje Colombia (cempre), [Online].

http://www.cempre.org.co/documentos/ficha%20pl%C3%A1stico.pdf

[2] Edward Bruno, “Automated sorting of plastics for recycling,” 2000, [Online]. Disponible en: http://www.p2pays.org/ref/09/08620.pdf.

[3] Nawrocky, Michael; Schuurman, Derek C., Redeemer University College Ancaster; Fortuna Jeff, McMaster University Hamilton, “Visual sorting of recyclable goods using a support vector machine”, Ontario, Canada, 2010.

[4] Edgar Scavino, Dzuraidah Abdul Wahab, AiniHussain, Hassan Basri, and MohdMarzuki Mustafa, “Application of automated image analysis to the identification and extraction of recyclable plastic

bottles,” Journal of Zhejiang University: Science A.vol.10, no. 6, pp. 794-799,2009.

[5] “QED233 datasheet”, Fairchild Semiconductor Corporation.

[6] “MV8W00 datasheet”, Fairchild Semiconductor Corporation.

[7] Y P Lew, A R Ramli, S Y Koay, R Ali, V Prakash. “A Hand Segmentation Scheme Using Clustering

Technique in Homogeneous Background” .Student Conference on Research and Development(2002) [8] Shun Kawada, Shin Sakai, Nana Akahane, Rihito Kuroda and Shigetoshi Sugawa. “A Wide Dynamic Range Checkered-Color CMOS Image Sensor with IR-Cut RGB and Visible-to-Near-IR Pixels” Tohoku

University Sendai, Japan

http://www.cempre.org.co/documentos/ficha%20pl%C3%A1stico.pdf

FUSIÓN DE IMÁGENES HIPERESPECTRALES Y VISIBLES PARA LA ...

Documents

Transcript of FUSIÓN DE IMÁGENES HIPERESPECTRALES Y VISIBLES PARA LA ...