SISTEMA DE VISIÓN ARTIFICIAL PARA EL

RECONOCIMIENTO Y MANIPULACIÓN DE

OBJETOS UTILIZANDO UN BRAZO ROBOT

TOMADO DE: SISTEMA DE VISIÓN ARTIFICIAL PARA EL RECONOCIMIENTO Y MANIPULACIÓN DE

OBJETOS UTILIZANDO UN BRAZO ROBOT

IMPLEMENTACIÓN HARDWARE

Cámara y Tarjeta de Captura de Video: Seempleo una minicamara a color consensores CCD transfer interline se hautilizado una tarjeta de captura de videomultifunción, TV Tuner/VideoCapture/FM, basado en el chip BT878 el cuales una completa solución para capturarseñales sobre el Bus PCI, Dicha tarjeta seusa comúnmente para visualizar canalesde TV y recibir señales de radio desde unaPC.

Interface PC – Robot Scorbot: El software devisión artificial se desarrolla en una PC PentiumIII, la cual contiene la cámara de video quecaptura la imagen de los objetos, para luegollevar la señal de video a una tarjetadigitalizadora de imágenes. Esta computadoradeberá enviar las consignas al robot, comoresultado del análisis realizado, dichasconsignas son la información necesaria(posición de los objetos, orientación, numero deobjetos, etc) para que el robot realice la tareadeterminada y se envía mediante una conexiónserial entre el controlador del robot y la PC.

ILUMINACION

CAPTURA DE LA IMAGEN

Para poder obtener la imagen capturada por lacámara es necesario contar con un programa(driver) que acceda los datos (imagen) desde latarjeta de digitalización de imágenes. Sinembargo el driver viene ya con la compra de latarjeta y afortunadamente en visual C existe unprograma el cual se enlaza al driver de la tarjetade imagen que proporciona el proveedor de latarjeta de imágenes, de tal manera que elobjetivo inicial se centró en interpretar dichoprograma y obtener la imagen como una matriz.

preprocesamiento y segmentación de la imagen

A continuación se muestran los pasos realizados en la etapa del

preprocesamiento y segmentación de la imagen

a. Conversión a niveles de gris.

b. Filtrado

c. Umbralización.

d. Erosión y dilatación.

e. Etiquetado de la imagen binarizada.

f. Eliminación del ruido de binarización.

Conversión a niveles de grises

En el proyecto para la conversión a escala grises de la imagen se

utilizo la siguiente formula.

Y = R * 0.3 + G* 0.5 + B * 0.11

Imagen a color Imagen en niveles de grises

Filtrado

Inicialmente se aplico filtros para eliminar ruidos y mejorar la

imagen, sin embargo en la mayoría de los casos cuando la imagen es

poco ruidosa, el no emplear un filtro no afecta al momento de

segmentar, es por ello que para evitar mayor tiempo de

procesamiento se puede prescindir de un filtro, y se evitó su uso en la

implementación final.

Umbralización

Para separar un objeto del fondo de la imagen, se analiza el

Histograma para calcular los límites de los niveles de escalas de

grises (límites de corte) a partir de los cuáles se define el objeto que

está siendo analizado.

La figura que se mostrara a continuación nos muestra el histograma

que nos indica que el fondo (gris oscuro) es lo que ocupa más

espacio en la imagen, porque es el que contiene mayor número de

pixels en la escala de grises; luego tenemos la pieza (gris claro, casi

blanco).

Erosión y Dilatación

Estas funciones se encargan básicamente de eliminar el ruido de

conversión binaria, con una erosión del objeto seguido de la dilatación.

Luego de la erosión y dilación aplicada, el contorno del objeto original se

volverá un poco fallido, pero normalmente no tendrá importancia; después

de todo, el contorno total del objeto binario será básicamente conservado

y las indeseadas fluctuaciones de pixel en la imagen serán eliminadas.

El elemento estructurador tanto para la erosión y dilatación, es un entorno

cuadrado de 3x3, el cual, permite disminuir el tamaño de los fragmentos

de ruido. La eliminación de los pixeles indeseados no es total, razón por

lo cual, es necesario iterar la erosión, más de una de vez. Además con el

fin de mantener la forma original del objeto, la dilatación se aplica el

mismo número de iteraciones que la erosión.

Luego de aplicar operaciones morfológicas, en la imagen sólo aparece el

objeto dentro del fondo y ya no existe otras regiones con pixeles

blancos, aunque podría existir aún algunas áreas blancas como se dio en

muchas ocasiones. Por tanto para evitar que ello ocurra y que el sistema

sea más robusto es necesario algoritmos de etiquetado y filtrado como se

verá a continuación.

Etiquetado de objetos en la imagen

LA RED NEURONAL

En esta parte, la idea principal radica en

construir una Red Neuronal que permita

clasificar los patrones en forma automática

dentro de un número dado de clases.

Se utilizan 80 vectores para El

entrenamiento de la red.

El vector de características agrupa valores

numéricos de características de cada

pieza, que serán la entrada en la red neuronal

y la categoría objetivo.

Por tanto el conjunto de entrenamiento para

este problema es la agrupación de

diferentes vectores característicos y está dado

por el conjunto:

El conjunto de entrenamiento es generalmente

mayor que el de validación, como conjunto de

entrenamiento, 68 vectores de los 80

disponibles, reservando 12 vectores restantes

como conjunto de prueba para realizar la etapa

de reconocimiento:

ARQUITECTURA DE LA RED

La mejor arquitectura se escogió después de

comparar el error de generalización para

diferentes inicializaciones y cantidad de

neuronas en la capa oculta.

El modelo de red neuronal artificial será

perceptron multicapa cuya función de

activación es la sigmoidal y utilizaremos el

algoritmo backpropagation.

FASE DE ENTRENAMIENTO

Se evaluaron métodos de entrenamiento y se selecciono el método de Levenberg-Marquardt .

El entrenamiento realizado en nuestro caso será supervisado.

El tipo de entrenamiento que sea utilizado para el aprendizaje, será el algoritmo backpropagation.

Se utilizara un coeficiente de inicial de aprendizaje de 0.01

VALIDACIÓN

Con los pesos obtenidos en el paso anterior se

aplica a la red al conjunto de patrones

que reservamos como conjunto de validación.