Logotipo - Consorcio nacional de industriales del caucho
Siguenos en
Jornada Técnica
Jornada Querétano - México
Jornada Técnica
Noticias > Stream-OD. Proyecto colaborativo caucho

Stream-OD. Proyecto colaborativo caucho

El proyecto STREAM-0D es un ejemplo de proyecto colaborativo dentro del sector del caucho en donde participan ITAINNOVA y STANDARD PROFIL.

 

En este proyecto participan  centros de investigación y empresas privadas procedentes de diferentes países europeos.

STREAM-OD ha sido financiado por la UE dentro del programa marco Horizonte 2020 y el objetivo del proyecto es la creación de un innovador sistema de control integrado para ser aplicado en las líneas de producción:

Extracción de información dimensional crítica de imágenes para secciones transversales de juntas de goma extruidos

Standard Profil (SP) fabrica perfiles de sellado para fabricantes de automóviles de todo el mundo y es uno de los usuarios finales de STREAM-0D. 

El desarrollo de los modelos basados ​​en datos (DDM) para el perfil fabricado por SP requiere la realización de las dos tareas siguientes:
1. Extracción de las dimensiones críticas de las imágenes del perfil de caucho y
2. Construir modelos de aprendizaje automático para la predicción de posibles defectos del producto donde los parámetros de la máquina se utilizan como entradas.

Se requiere la extracción de dimensiones críticas de las imágenes de perfil de goma para determinar si un producto está defectuoso o no, según las especificaciones de las dimensiones críticas del producto dado. Esto permite etiquetar las salidas deseadas como 1 para elementos "defectuosos" y 0 para elementos "no defectuosos". El proceso de etiquetado es un paso necesario para el desarrollo de los DDM.

Para logralo, se desarrolló un proceso de varios pasos utilizando técnicas de procesamiento de imágenes para analizar las imágenes proporcionadas. Las imágenes a analizar son imágenes de los perfiles de caucho que se toman cada hora utilizando el sistema de escáner de perfiles existente de SP. Específicamente, se sigue dos enfoques para abordar el problema:

Enfoque 1: detectar puntos de interés y estimar las distancias entre ellos. La principal ventaja de este método es que es invariable para la rotación y la traslación. Esto es importante porque las imágenes muestran perfiles de caucho con diferentes orientaciones y en diferentes posiciones. Como resultado, los técnicos deben rotar y centrar, en principio, todas las imágenes de los perfiles para alinearlas.

Se ha desarrollado un proceso automatizado de varios pasos para eliminar el ruido y detectar puntos de interés en las imágenes, asegurando la precisión dimensional y la preservación robusta de los detalles. El proceso es repetible para diferentes muestras y condiciones. Se utilizan técnicas de desenfoque y umbral que proporcionan una eliminación del fondo y sombras / distorsiones del equipo de escaneo. Esta técnica permite mediciones a través de la generación de la región de interés (ROI). La selección de ROI se realiza utilizando el método de detección de bordes Canny. Los puntos de interés se detectan utilizando el algoritmo SURF.

Existen algunos problemas para encontrar un conjunto común de puntos de interés en las imágenes. Muchos de los puntos de interés poseen características que son repetitivas (pero no únicas) en las imágenes debido al hecho de que los perfiles no son ricos en información.

Enfoque 2: Alinear imágenes de perfil mediante rotación y traslación. La idea aquí es que una vez que todas las imágenes estén alineadas, las dimensiones se pueden extraer siguiendo los requerimientos dados por la especificación del producto.

Para ello, se llevan a cabo los pasos iniciales de procesamiento, que incluyen desenfoque, umbral y detección de bordes (igual que en el Método 1). La implementación se lleva a cabo para extraer las propiedades globales de las imágenes de perfil, como los histogramas de las orientaciones de los bordes que permiten alinear los perfiles entre ellas.

Las dimensiones reales de la superficie en el fondo de las imágenes de perfil son un requisito para este enfoque. Esto es necesario como punto de referencia para medir distancias desde imágenes.

Una vez que se finaliza el proceso de transformación automática de imágenes a dimensiones críticas, se clasifican las muestras como "abandonadas" y "no abandonadas". Esto permite asociar los parámetros de la máquina a las salidas "deseadas"; utilizando métodos de clasificación binarios. En la imagen 2 se presenta una lista de características de entrada y salidas:

 

Cetri dimensioanl extraction

Se desarrolló un proceso de limpieza de datos de varios pasos para garantizar la alta calidad de los msmos s antes de construir los modelos.

En primer lugar, se extraen las longitudes críticas de la sección transversal de las imágenes. Luego se seleccionan las variables de interés utilizadas como características de entrada o variables de destino. Posteriormente, se eliminan las entradas con valores que faltan en cualquiera de los parámetros de interés, asegurándose de que no haya duplicados en los datos. Los valores atípicos se detectan y luego se eliminan. Por último, los datos se normalizan (estandarización, 0 media, 1 desviación estándar), por lo que es compatible con los algoritmos de aprendizaje automático utilizados para entrenar los modelos.

Se desarrollarán modelos de regresión y clasificación; un modelo para salidas simultáneas y modelos separados para salidas singulares. Se planea utilizar bosques aleatorios y redes neuronales profundas como arquitecturas modelo. El diseño general del desarrollo de modelos basados ​​en datos se puede resumir en la siguiente imagen.

 

Cetri dimensional extraction

 

Para más información podéis ver el vídeo del coordinador del proyecto José Ramón Valdés de ITAINNOVA https://www.youtube.com/watch?v=vSJZyA6sJ-4

 






Esta web utiliza cookies para obtener datos estadísticos de la navegación de sus usuarios. Si continúas navegando consideramos que aceptas su uso. Más información Cerrar