Instituto de Ensino Superior COC Engenharia de Computação

Transcrição

1 Instituto de Ensino Superior COC Engenharia de Computação Diego Rafael Moraes DIAGNÓSTICO E CLASSIFICAÇÃO DE DEFEITOS NA SUPERFÍCIE DO CASQUILHO DE BRONZE POR MEIO DE PROCESSAMENTO DIGITAL DE IMAGENS Orientador: Prof. Dr. Jean-Jacques Georges Soares De Groote Ribeirão Preto 2009

2 Diego Rafael Moraes DIAGNÓSTICO E CLASSIFICAÇÃO DE DEFEITOS NA SUPERFÍCIE DO CASQUILHO DE BRONZE POR MEIO DE PROCESSAMENTO DIGITAL DE IMAGENS Trabalho de Conclusão de Curso apresentado ao Instituto de Ensino Superior COC, para obtenção do diploma profissional em Engenharia de Computação. Prof. Dr. Jean-Jacques Georges Soares De Groote Orientador Profa. Dra. Neide Bertoldi Franco Membro da banca examinadora Prof. Msc. Lúcio André de Castro Jorge Membro da banca examinadora Ribeirão Preto 2009

3 M827d MORAES, DIEGO RAFAEL. Diagnóstico e classificação de defeitos na superfície do casquilho de bronze por meio de processamento digital de imagens. / Diego Rafael Moraes f. il. Trabalho de conclusão de curso apresentado às Faculdades COC de Ribeirão Preto, sob orientação do Professor Dr. Jean-Jacques Georges Soares de Groote como parte dos requisitos para a obtenção do grau de Bacharel em Engenharia da computação. 1.Diagnóstico 2. Classificação 3. Processamento 4.Digital 5.Imagem 6. PDI 7. Inspeção 8.Qualidade 9.Superfície I. Título. II. GROOTE, Jean-Jacques Georges Soares de. CDD 620

4 Dedico este trabalho aos meus pais, Lúcio e Vera, por estarem sempre presentes nos meus momentos de derrotas e conquistas, e por toda educação e conselhos fornecidos, formando assim meu caráter.

5 AGRADECIMENTOS Ao Prof. Dr. Jean-Jacques Georges Soares De Groote, meu orientador, por toda atenção, dedicação e incentivo no projeto e na área de pesquisa científica. Ao Prof. Ms. Lúcio Andre de Castro Jorge, grande incentivador na escolha da área de PDI do projeto. Á Prof.ª Dr.ª Neide Maria Bertoldi Franco, pela participação na banca de qualificação e por toda dedicação nas correções e sugestões. Á Prof.ª Ms.ª Iara Romeiro Silva Santiago, pela disponibilidade e dedicação nas correções ortográficas. A todo corpo docente que ministrou as minhas disciplinas ao longo do curso, fornecendo conhecimento, que somados, resultaram no profissional que sou hoje. Ao Prof. Ms. Paulo César de Carvalho Dias, coordenador do meu curso, que em todo momento esteve presente e disposto a ajudar em qualquer tipo de problema. A todos os inspetores de qualidade do grupo Dedini unidade Sertãozinho, que de alguma forma contribuiu no desenvolvimento deste projeto, em especial ao Francisco Iscaião Filho, que se dispôs ao longo de todo o projeto a tirar dúvidas e disponibilizar imagens para os testes do aplicativo. Por último, mas não menos importantes, a todos os meus amigos e colegas pessoais, profissionais e da minha graduação, que sempre estiveram disponíveis a me ajudar em qualquer tipo de problema, os quais sabem que não é necessário listar os seus nomes aqui, porque verdadeiramente conhecem a sua importância para mim.

6 LISTA DE ABREVIATURAS E SIGLAS DPI: Dots per Inch. END: Ensaio Não Destrutivo. LP: Líquido Penetrante. Pixel: Picture Element. PDI: Processamento Digital de Imagem. RGB: Red, Green e Blue. TCC: Trabalho de Conclusão de Curso. i

7 LISTA DE FIGURAS Figura A: Análise de dimensões realizada manualmente... 2 Figura B: Casquilho (bucha) acoplando eixo... 3 Figura 1.1: Indicação de Linearidade: a 3 * b... 7 Figura 1.2: Indicação de Arredondamento: a < 3 * b... 8 Figura 1.3: Indicação de Alinhamento: d 2 mm Figura 2.1: Passos fundamentais em processamento de imagens digitais Figura 2.2: Diminuição da taxa de amostragem Figura 2.3: Diminuição do número de bits Figura 2.4: Conectividades de um pixel Figura 2.5: Imagem original colorida à esquerda e o seu negativo à direita Figura 2.6: Imagem original em tons de cinza à esquerda e o seu negativo à direita Figura 2.7: Alargamento de contraste Figura 2.8: Imagem original (esquerda) e após a aplicação do filtro passa-baixa (direita) Figura 2.9: Imagem original (esquerda) e após a aplicação do filtro Passa-Alta (direita) Figura 2.10: Máscara 3 x 3 genérica Figura 2.11: Máscara utilizada na detecção de pontos isolados Figura 2.12: Máscaras para linhas Figura 2.13: Detecção de bordas por operadores de derivação Figura 2.14: Aplicação dos filtros de Prewitt Figura 2.15: Aplicação dos filtros de Sobel Figura 2.16: Aplicação do filtro Laplaciano Figura 2.17: Aplicação do filtro Passa-Alta Básico Figura 2.18: Aplicação da limiarização com limiar de Figura 2.19: Crescimento de regiões Figura 3.1: Interface inicial do aplicativo Figura 3.2: Abertura de imagens no aplicativo Figura 3.3: Utilização da função Tons de Cinza Figura 3.4: Utilização da função Negativo para imagem colorida e para imagem em tons de cinza Figura 3.5: Utilização da função Preto e Branco com limiares de 60, 129 e Figura 3.6: Utilização da função Freqüência de Corte removendo todo R e B da imagem Figura 3.7: Utilização da função Contraste Figura 3.8: Utilização da função Borda dos Defeitos Figura 3.9: Utilização da função Subtração Figura 3.10: Utilização dos Filtros ii

8 Figura 3.11: Utilização da função Histograma Figura 3.12: Processo de definição de escala (pixel/mm) Figura 3.13: Processo de segmentação dos defeitos Figura 3.14: Processo de binarização dos defeitos Figura 3.15: Processo de segmentação por meio da opção Calibração Manual Figura 3.16: Visualização do Relatório Controle de Qualidade Figura 3.17: Utilização da função de Zoom com fator 4x Figura 3.18: Utilização da função Shape Figura 3.19: Utilização das funções de rotação Figura 3.20: Utilização da função Mapa de Pixel Figura 3.21: Visualização da Barra de Status Figura 3.22: Clique duplo, marcação da área do defeito Figura 3.23: Dois Cliques simples, marcação da melhor reta Figura 4.1: Estimativa de precisão (primeira imagem) Figura 4.2: Estimativa de precisão (segunda imagem) Figura 4.3: Precisão final definida como a média das duas precisões encontradas iii

9 RESUMO Neste trabalho propõe-se o estudo de técnicas de processamento digital de imagens e, posteriormente, o desenvolvimento de um aplicativo baseado nessas técnicas, para auxiliar no processo de diagnóstico e classificação de defeitos da superfície do casquilho de bronze, conforme a norma PT 70-3, referente à inspeção com líquido penetrante. Hoje, este processo é realizado manualmente pelos inspetores de qualidade, de modo que este aplicativo poderá ser utilizado para aumentar a eficiência das inspeções. ABSTRACT This work aims the study of digital image processing techniques and, subsequently, the development of an application based on these techniques, to assist the diagnosis and classification of defects on the bronze liner surface, according to standard PT 70-3, concerning the penetrant liquid inspection. Today, this process is manually performed by quality inspectors, so this application will be used to increase the inspections efficiency. iv

10 SUMÁRIO CAPÍTULO 1 INSPEÇÃO DE QUALIDADE Considerações Iniciais Qualidade Inspeção Industrial Líquido Penetrante Norma PT Indicações Critérios de Aceitação Considerações Finais... 9 CAPÍTULO 2 PROCESSAMENTO DIGITAL DE IMAGENS Considerações Iniciais Passos Fundamentais para Processamento de Imagens Fundamentos de Imagens Digitais Amostragem e Quantização Pixel e sua Conectividade Realce de Imagens Realce por Processamento Ponto a Ponto Negativo Alargamento de Contraste Realce por Processamento por Máscara Filtros Passa-Baixa Filtros Passa-Alta Segmentação Detecção de Descontinuidade Detecção de Pontos Detecção de Linhas Detecção de Bordas Limiarização Segmentação Orientada a Regiões Formulação Básica Crescimento de Regiões por Agregação de Pixel Considerações Finais CAPÍTULO 3 APLICATIVO Considerações Iniciais Interface Inicial do Aplicativo Menu Superior v

11 Procurar Imagem Salvando uma Imagem Restaurar (Colorido) Restaurar (Cinza) Desfazer Tons de Cinza Negativo Preto e Branco Freqüência de Corte Contraste Borda dos Defeitos Subtração Filtros Histograma Parametrização Calibração Manual Relatório Barra Lateral Zoom Shape Vertical e Horizontal Mapa de Pixels Classe e Comparar Barra de Status Aquisição de Dimensões Considerações Finais CAPÍTULO 4 RESULTADOS Considerações Iniciais Tempo para Análise e Registro Área do Defeito Agilidade na Comparação com as Classes da Norma Estimativa de Precisão Considerações Finais CONCLUSÃO REFERÊNCIAS BIBLIOGRÁFICAS BIBLIOGRAFIA vi

12 INTRODUÇÃO O uso da computação tornou-se de grande importância na solução de diversos problemas, tornando-se inviável ou traumática a execução de trabalhos sem a sua ajuda, como em pesquisas, compras, pagamentos, transações bancárias, comunicação à distância entre outros. Imagens têm cumprido diferentes papéis no dia-a-dia do ser humano, desde seus primórdios, com a representação gráfica da vida pré-histórica nas pinturas em cavernas, até os dias atuais, com aplicações práticas para automação de tarefas repetitivas. O interesse em métodos de processamento de imagens digitais decorre de duas áreas principais de aplicação: melhoria de informação visual para a interpretação humana e processamento de dados de cenas para a percepção automática através de máquinas. (GONZALEZ; WOODS, 2000, p. 1). A área de inspeção de qualidade tem muita importância nas empresas que cumprem normas nacionais e/ou internacionais. O não comprimento dessas normas, além de perdas financeiras futuras, dependendo da aplicação, pode causar graves acidentes. Este trabalho baseia-se na norma PT 70-3, referente à inspeção de qualidade com líquido penetrante, processo por meio do qual se identificam e classificam defeitos na superfície de peças industriais, sem limitações de tipo de material, tamanho ou forma da peça, exceto para materiais porosos. Uma vez classificados os defeitos, pode-se proceder conforme a necessidade, isto é, reparar os defeitos ou descartar a peça. O processo, hoje, é realizado manualmente pelos inspetores de qualidade e, considerando que a classificação da norma baseia-se em critérios de dimensões milimétricas, o processo torna-se vulnerável a erros, tais como o equívoco de inspetores ao analisarem as fotos com baixa qualidade da imagem, iluminação, brilho, distorção etc. A Figura A mostra um exemplo real da análise feita manualmente. 1

13 Figura A: Análise de dimensões realizada manualmente. Como o processo de análise das dimensões de defeitos na superfície exige muita precisão, pois segue uma norma de qualidade rígida (PT 70-3), e ainda é executado e analisado constantemente por diferentes inspetores de qualidade, tornase interessante a automatização de tal processo, de forma a auxiliar a classificação desses defeitos. Neste projeto de Trabalho de Conclusão de Curso (TCC), na área de Engenharia de Computação, propõe-se o desenvolvimento de um aplicativo baseado em técnicas de PDI, para o auxílio ao diagnóstico e à classificação de defeitos da superfície do casquilho de bronze, de acordo com a norma de qualidade PT O casquilho de bronze, também conhecido como bucha de bronze, é composto externamente de bronze e, em alguns casos, internamente, por uma serpentina com entrada e saída de água. Em geral, são corpos cilíndricos que envolvem os eixos (Figura B), permitindo-lhes uma melhor rotação. São utilizados em máquinas pesadas ou em equipamentos de baixa rotação, porque a baixa velocidade evita superaquecimento dos componentes expostos ao atrito. (BIGATON, 2007). O uso de casquilhos e de lubrificantes permite reduzir esse atrito e melhorar a rotação do eixo. Por isso, dá-se muita importância ao processo de inspeção de qualidade de sua fabricação, onde qualquer imperfeição pode aumentar o esforço que causa maior atrito e ocasiona um maior desgaste do eixo. 2

14 Figura B: Casquilho (bucha) acoplando eixo. (BIGATON, p. 37). Para o desenvolvimento do aplicativo, foi realizado o estudo de duas áreas de aplicação de PDI, pois primeiramente procurar-se-á melhorar a qualidade da imagem, por meio do controle do tom das cores, do brilho e do contraste. Posteriormente, será realizado o processamento das informações, pois, para diagnosticar e classificar defeitos de objetos a partir de sua imagem digital necessitase conhecer procedimentos de extração de informações, para que um subseqüente processamento computacional forneça informações relevantes. Para tal extração de informações, serão utilizadas técnicas de segmentação de imagens. Foi realizado também o estudo da norma de qualidade PT 70-3, que é dividida em cinco classes, sendo que, para diferi-las, é necessário analisar cinco critérios de dimensão com precisão milimétrica: limiaridade, arredondamento, linearidade, alinhamento e área total de defeitos na superfície. O trabalho está dividido em quatro capítulos. Os capítulos 1 e 2 são teóricos, sendo o primeiro sobre Inspeção de Qualidade e o segundo sobre Processamento Digital de Imagens. O capítulo 3 trata do desenvolvimento do aplicativo proposto, e o capítulo 4 apresenta uma discussão dos resultados obtidos. 3

15 CAPÍTULO 1 INSPEÇÃO DE QUALIDADE 1.1. Considerações Iniciais Neste capítulo serão apresentados os conceitos básicos sobre a importância da qualidade nas empresas, o objetivo da inspeção industrial, ensaios não destrutivos por meio de líquido penetrante e os critérios analisados pela norma PT O conhecimento destes assuntos será de grande valia para justificar a importância deste projeto e auxiliar na lógica dos algoritmos do aplicativo Qualidade A qualidade é um requisito básico para qualquer empresa competir e manterse no mercado atual, visto que existe uma grande quantidade de fabricantes e fornecedores de diversos produtos e serviços. Segundo Epaminondas (2007), antigamente as empresas criaram um departamento de qualidade que avaliava o produto no final de algum processo crítico. A avaliação era realizada por uma pessoa por meio de inspeções visuais, processo que se torna impreciso, pois, além de ser rotineiro, cansativo e estressante, conta com uma margem de erro humano. Se não existissem inconformidades, o produto seria aprovado e passado ao próximo processo produtivo até chegar ao seu estado final, caso contrário seria reprovado. A reprovação poderia causar perda financeira, pois, além do produto ter passado por algum processo produtivo, o que implica recursos investidos como matéria prima e mão de obra, tal produto não poderia avançar em seu processo de fabricação, para posteriormente tornar-se disponível para seus consumidores. Para amenizar essas perdas, as empresas adotaram uma metodologia, presente até os dias atuais. Trata-se de aplicar o controle de qualidade em todas as 4

16 áreas envolvidas para produzir e manter o produto no mercado, tais como: planejamento, projeto, desenvolvimento, produção, inspeção, expedição, marketing entre outras. (EPAMINONDAS, 2007). Como o mercado está em constante transformação, devido às novas tecnologias que surgem a cada dia, as empresas necessitam de novas ferramentas de gerenciamento Inspeção Industrial É a área responsável por analisar e avaliar algum tipo de equipamento, peça ou material que está em processo de produção e/ou confecção. Para isso, conta com a ajuda de normas, procurando padronizar formas, medidas, materiais etc., variando conforme o segmento e necessidade de aplicação, com o objetivo de aumentar a qualidade de algum produto final Líquido Penetrante O ensaio não destrutivo (END) por líquidos penetrantes (LP) é um método desenvolvido para a detecção de descontinuidades superficiais, como trincas, poros, dobras etc., de materiais isentos de porosidade, tais como metais ferrosos e não ferrosos, alumínio, cerâmicas, vidros e certos tipos de plásticos. Pode ser também utilizado para detecção de vazamento em tubos e soldas. (ANDREUCCI, 2008). Iniciou-se antes da Primeira Guerra Mundial com a inspeção de eixos pela indústria ferroviária, porém foi impulsionado em 1942, nos EUA, com o surgimento de penetrantes fluorescentes usados pela indústria aeronáutica, que necessitava de um método de detecção diferente do ensaio por partículas magnéticas, método não aplicado a materiais não magnéticos. A partir da Segunda Guerra Mundial, o método foi desenvolvendo-se através de pesquisas, chegando ao seu estágio atual. (ANDREUCCI, 2008). 5

17 O método pode ser descrito em seis etapas, que seguem listadas abaixo: - Preparação da superfície (limpeza inicial): a superfície deve ser limpa e seca, isenta de água, óleo ou outro contaminante, senão o ensaio torna-se não confiável. - Aplicação do penetrante: aplica-se o LP (geralmente de cor vermelha), formando uma camada sobre toda a superfície. A penetração na descontinuidade ocorre pelo fenômeno chamado capilaridade, que é o poder de penetração de um líquido devido a sua baixa tensão superficial. - Remoção do excesso do penetrante: remove-se todo o excesso de penetrante da superfície da peça ensaiada. - Revelação: aplica-se um revelador, usualmente um pó branco (talco), que absorve o penetrante das descontinuidades, assim, revelando-as. - Avaliação e inspeção: se o penetrante usado for do tipo visível, a avaliação deve ocorrer sob boas condições de luminosidade, caso contrário, se for do tipo fluorescente, deve ocorrer em áreas escuras com o auxílio de uma luz negra. A interpretação é realizada visualmente pelo inspetor, e pode ser baseada no código de fabricação da peça, ou por meio de normas, à escolha do cliente. Então, preparase um relatório indicativo das condições do ensaio, da identificação da peça e seu resultado (aprovado ou reprovado). - Limpeza pós ensaio: novamente se limpa toda a peça, visando não prejudicar uma próxima etapa de algum processo (usinagem ou soldagem). Como este processo dá-se por meio de reação química e física, existe um tempo limite para a avaliação ser considerada confiável, pois, após este tempo, o LP começa a espalhar-se pela superfície da peça, o que implica resultados falsos no ensaio. Portanto, na prática, acrescenta-se um passo na etapa de avaliação e inspeção, que ocorre quando o inspetor de qualidade posiciona uma trena (fita métrica), próxima à peça e tira fotos. Assim, posteriormente, poderá ser realizada a análise com o auxílio de um computador, obtendo resultados verdadeiros do ensaio. 6

18 Vantagens: É um método muito fácil de ser aplicado e avaliado, sem limitações de tipo de material, tamanho ou forma da peça, exceto para materiais porosos. Apesar da sua simplicidade, pode revelar descontinuidades da ordem de 0,001 mm. Desvantagens: Detecta apenas descontinuidades abertas para a superfície, visto que o penetrante tem que entrar em tal descontinuidade para poder ser revelado. Não pode ser aplicado em materiais porosos ou absorventes e ainda deve-se tomar cuidado com a temperatura da peça a ser aplicado o penetrante (informada pelo fabricante) Norma PT 70-3 Como toda norma, visa à padronização de métodos e processos, variando de acordo com a necessidade da área e a aplicação que essa norma abrange. O objetivo da norma PT 70-3 é classificar os erros identificados a partir do ensaio de líquido penetrante, e classificá-los de acordo com suas classes Indicações Indicações Lineares São indicações com comprimento maior ou igual a três vezes a largura. Figura 1.1: Indicação de Linearidade: a 3 * b. (ANDREUCCI, 2008, p. 39). 7

19 Indicações Arredondadas São Indicações com comprimento menor que três vezes a largura. Figura 1.2: Indicação de Arredondamento: a < 3 * b. (ANDREUCCI, 2008, p. 39). Indicações alinhadas São indicações com dimensões acima de 1,5 mm, arredondadas e separadas entre si de 2 mm ou menos. Figura 1.3: Indicação de Alinhamento: d 2 mm. (ANDREUCCI, 2008, p. 39) Critérios de Aceitação A norma PT 70-3 é dividida em cinco classes, mostrada na Tabela 1.1, traduzida da língua Inglesa para a Portuguesa (Brasil). Classes 1 Limiar de obrigação (mm) a = 0,5 Indicação arredondada (mm) a < 2 Indicação linear (mm) nenhuma Indicação alinhada (mm) nenhuma Superfície total de indicações (mm^2 ) 6 a 7 2 a = 1 a < 3 nenhuma nenhuma 16 3 a = 1,5 a < 4 nenhuma nenhuma ,5 < a < 2 a < 6 nenhuma L < ,5 < a < 2 a < 8 a < 7 L < Tabela 1.1: Critérios das classes da norma PT

20 1.6. Considerações Finais Os conhecimentos apresentados somados com as técnicas de PDI que serão abordadas no capítulo seguinte, serão de grande importância para o desenvolvimento do aplicativo, pois é neste ponto que ocorre a abstração de um problema do mundo real para a solução por meio de métodos computacionais. 9

21 CAPÍTULO 2 PROCESSAMENTO DIGITAL DE IMAGENS 2.1. Considerações Iniciais Segundo Gonzalez e Woods (2000), o interesse em métodos de processamento digital de imagens (PDI) decorre de duas áreas principais de aplicação: melhoria de informação visual para a interpretação humana e processamento de dados para a percepção automática por meio de máquinas. Uma das primeiras aplicações de PDI para a primeira área foi o melhoramento de imagens digitais para jornais, que eram transmitidas por cabos submarinos de Londres para New York. Com o passar dos anos, melhoramentos dos métodos foram surgindo, pelo avanço da computação. Assim, diversas áreas passaram a usufruir de tais métodos. Na área de medicina, por exemplo, são usados para melhorar o contraste de raios X. Similarmente, podem-se usar tais métodos nas áreas de astronomia, biologia, geografia, física, aplicações industriais entre outras. (GONZALEZ; WOODS, 2000). Para a segunda área, utiliza-se esse poder de extração de informações de imagens para o reconhecimento de caracteres e impressões digitais, por exemplo, contagem de células em amostras de sangue, processamento de imagens aéreas para plantio ou previsão de tempo, visão computacional industrial para inspeção de produtos etc. Este capítulo apresenta o estudo de conceitos, fundamentos, elementos e técnicas para o processamento de imagens digitais Passos Fundamentais para Processamento de Imagens Segundo Gonzalez e Woods (2000), os passos fundamentais para o processamento de imagens podem ser resumidos conforme ilustração da Figura

22 Figura : Passos fundamentais em processamento de imagens digitais. Para o melhor entendimento dos passos que serão citados, como exemplo de aplicação, pode-se pensar na leitura e reconhecimento automático dos caracteres de uma placa de um veículo automotor. Com esse exemplo, define-se domínio do problema como sendo a placa, e o resultado, como uma seqüência de caracteres. O primeiro passo é a aquisição de imagens; trata-se de adquirir uma imagem em formato digital. Para isso, utiliza-se um sensor de imageamento, como uma câmera de TV ou câmera de varredura por linha, dependendo da aplicação. Se a saída do sensor utilizado não for digital, faz-se necessário um conversor analógicodigital. Para o nosso exemplo, utiliza-se uma câmera de varredura por linha. Depois da aquisição, o próximo estágio é o pré-processamento que, usando técnicas como realce de contrastes e eliminação de ruído, torna-se responsável pelo melhoramento da imagem. A seguir, a segmentação, divide uma imagem de entrada em partes ou objetos constituintes; a quantidade de partes depende da aplicação. A segmentação autônoma é uma tarefa muito difícil, resulta diretamente no sucesso ou fracasso da análise. No nosso exemplo, seria responsável pela extração dos caracteres individuais da placa. 1 Disponível em: Acessado em: 07/06/

23 Após a segmentação, o passo seguinte é a representação e descrição, onde definimos se os dados serão representados como fronteiras, onde o interesse concentra-se em propriedades externas (cantos ou pontos de inflexão) ou propriedades internas (textura ou forma de esqueleto). Em algumas aplicações, fazse necessário as duas propriedades, como no nosso caso de reconhecimento de caracteres. Depois de definido a representação é necessária a descrição, que procura extrair informações quantitativas para um próximo processamento computacional. Para o nosso exemplo, características como buracos e concavidades seriam ótimos descritores. O último passo trata-se do reconhecimento e interpretação, onde o reconhecimento é o processo que rotula um objeto, por meio de características informadas pelo descritor. E a interpretação é responsável por atribuir significado a um conjunto de objetos. Um processo ainda não citado, mas de grande valia, é a base de conhecimento, pois é responsável por guiar a operação de cada módulo e também controlar a iteração entre eles. Pode conter desde informações simples, como uma região da imagem onde se tem o interesse por uma informação, até informações complexas, como uma lista inter-relacionada de todos os principais defeitos em um problema de inspeção de materiais Fundamentos de Imagens Digitais Para representação de uma imagem digital em um computador, faz-se necessário o conceito e definição de imagem; ou seja: O termo imagem monocromática, ou simplesmente imagem, refere-se à função bidimensional de intensidade da luz f(x,y), onde x e y denotam as coordenadas espaciais e o valor f em qualquer ponto (x, y) é proporcional ao brilho (ou níveis de cinza) da imagem naquele ponto. (GONZALEZ; WOODS, 2000, p. 4). 12

24 Sendo assim, pode-se representar uma imagem em um computador como uma matriz, em que seus índices (linhas e colunas) indicam um ponto da imagem e, seu valor, indica o nível de cinza em tal ponto. Para cada elemento dessa matriz dá-se o nome de pixel, abreviação de picture elements (elementos de figura) Amostragem e Quantização Para processar-se uma imagem computacionalmente ela precisa ser digitalizada tanto espacialmente quanto em amplitude, sendo tais processos definidos como amostragem e quantização, respectivamente. Como visto anteriormente, na computação pode-se representar uma imagem contínua f(x,y) de amostras igualmente espaçadas, em forma de uma matriz M x N, conforme a equação abaixo. (FILHO; NETO, 1999, p. 22). f (0,0) f (1,0) f ( x, y) = M f ( N 1,0) f (0,1) f (1,1) M f ( N 1,1) L L M L f (0, M 1) f (1, M 1). (2.1) M f ( N 1, M 1) Portanto, para o processo de digitalização, fazem-se necessárias decisões de alguns parâmetros, por exemplo, os valores para M, N e G (níveis de cinza; G=2 m ). Quanto maiores forem esses parâmetros, melhor será a resolução da imagem aproximada pela matriz digitalizada. Em contrapartida, quanto maiores forem os parâmetros, maior será o processamento e o espaço para armazenamento da imagem. O aumento do processamento ocorrerá devido as técnicas de PDI terem que percorrer uma matriz maior. O aumento de espaço para armazenamento dá-se devido à equação da quantidade de b (bits) necessários para armazenar a imagem, dada pela equação (2.2). 13

25 b = N x M x m. (2.2) É fácil notar o impacto desses parâmetros se observarmos a Figura 2.2, onde ocorre à diminuição da taxa de amostragem, e a Figura 2.3, diminuição do número de bits: Figura 2.2: Da esquerda para direita, de cima para baixo, ocorreu uma diminuição da taxa de amostragem de N = 1024 para N = (512,256,128,64,32) respectivamente. (GONZALEZ; WOODS, 2000, p. 24). 14

26 Figura 2.3: Da esquerda para direita, de cima para baixo, ocorreu uma diminuição do número de bits de b=8 para b=(6,5,4,3,2,1), respectivamente. Ou seja, a quantização (valor que o pixel pode assumir) variou de 256 até 2. (FILHO; NETO, 1999, p.24) Pixel e sua Conectividade Um pixel é o elemento básico em uma imagem. A forma mais comum para o pixel é a retangular ou quadrada. O pixel é um elemento de dimensões finitas na representação de uma imagem digital. (ESQUEF; ALBUQUERQUE, 2003, p. 1). Um pixel i, de coordenadas (x,y), possui quatro vizinhos laterais (adjacentes) e quatro vizinhos diagonais; assim, sua conectividade é definida de duas formas: - Conectividade-de-4: quando se consideram apenas os quatro vizinhos adjacentes do pixel, sendo eles (x+1, y), (x-1, y), (x, y+1) e (x, y-1). Portanto, pode-se definir a distância como 1 ao pixel central. 15

27 - Conectividade-de-8: quando, além dos quatro vizinhos adjacentes, consideram-se também os quatro vizinhos diagonais, sendo eles (x-1, y-1), (x-1, y+1), (x+1, y-1) e (x+1, y+1). Diferente da anterior, apresentam distância central. 2 do pixel Ambas as conectividades podem ser vistas de forma mais clara na Figura 2.4. i 1 i 3 i 0 i 2 i 4 i 1 i 2 i 3 i 4 i 0 i 5 i 6 i 7 i 8 Conectividade-de-4 Conectividade-de-8 Figura 2.4: Conectividades de um pixel. Para definir se dois pixels estão conectados, além do conceito de vizinhança, eles devem possuir alguma similaridade em relação ao seu nível de cinza. Por exemplo, em uma imagem binária (composta apenas com níveis 0 e 1), dois pixels mesmo sendo vizinhos adjacentes, apenas são ditos conectados se possuírem valores iguais. Essas definições são muito importantes para o estabelecimento de bordas e regiões de uma imagem Realce de Imagens Segundo Gonzalez e Woods (2000), realce de imagens consiste de técnicas de processamento para obtenção de uma imagem resultante, apropriada a um determinado uso específico. Específico, porque realmente depende da aplicação. Assim, uma técnica utilizada em uma aplicação pode não servir para outra e viceversa. 16

28 Tais técnicas dividem-se em duas categorias, métodos no domínio espacial e métodos no domínio da freqüência, melhor detalhadas a seguir. O domínio espacial refere-se ao próprio plano da imagem, e as abordagens nessa categoria são baseadas na manipulação direta dos pixels das imagens. Suas funções de processamento de imagens podem ser expressas como: g(x,y) = T [f(x,y)], (2.3) onde f(x,y) é a imagem de entrada, g(x,y) é a imagem processada e T é um operador sobre f, definido sobre alguma vizinhança de (x,y). O domínio da freqüência baseia-se na modificação das transformadas de Fourier das imagens (teorema da convolução). Sua função é expressa como: g(x,y) = h(x,y) * f(x,y), (2.4) onde g(x,y) é uma imagem formada pela convolução de uma imagem f(x,y) e um operador linear invariante com a posição h(x,y). Portanto, do teorema da convolução, a seguinte relação do domínio da freqüência é verificada: G(x,y) = H(x,y) * F(x,y), (2.5) onde G, H e F são as transformadas de Fourier de g, h e f, respectivamente. De acordo com Muniz (2007), quando a vizinhança considerada for apenas o próprio pixel, classificam-se as técnicas como Realce por Processamento Ponto a Ponto, em que a saída em cada ponto depende apenas do valor deste ponto. Em contrapartida, se for considerada uma vizinhança maior, classificam-se as técnicas como Realce por Processamento por Máscara, que são técnicas que calculam a 17

29 saída a partir dos valores do pixel (x,y) em questão e seus vizinhos, sendo a saída aplicada ao pixel (x, y) Realce por Processamento Ponto a Ponto Neste tópico serão estudados métodos baseados apenas na intensidade de pixels isolados, sendo as técnicas mais simples para realce de imagens Negativo Tem como objetivo obter o complemento de uma imagem digital, ou seja, a inversão de cores de tal imagem. Para melhor entendimento, considere uma imagem de 8 bits, possuindo valor de 0 a 255 para cada pixel. Para obter-se o negativo, o algoritmo executa, para cada pixel, a operação abaixo: g(x,y) = 255 f(x,y). (2.6) Essa técnica pode ser aplicada para imagens coloridas e para imagens em tons de cinza. Esta aplicação pode ser observada na Figura 2.5 e Figura 2.6. Figura : Imagem original colorida à esquerda e o seu negativo à direita. 2 Disponível em: Acessado em: 08/06/

30 Figura 2.6: Imagem original em tons de cinza à esquerda e o seu negativo à direita Alargamento de Contraste Baixo contraste pode decorrer de iluminação insuficiente, limitações da escala do sensor de imageamento, ou ainda, da abertura incorreta da lente durante a aquisição da imagem. Essa técnica consiste no aumento da escala dos níveis de cinza da imagem (Figura 2.7). Em geral, procura-se preservar a ordem dos níveis de cinza, impedindo a criação de artefatos na intensidade da imagem. Figura : Alargamento de contraste - (a) função de transformação; (b) imagem de baixo contraste; (c) resultado após o alargamento de contraste; (d) resultado da limiarização com limiar 128. (GONZALEZ; WOODS, 2000, p. 120). 3 Disponível em: image015.jpg; Acessado em: 12/06/09. 19

31 Realce por Processamento por Máscara Filtros Passa-Baixa São filtros que eliminam elementos de alta-freqüência em uma imagem e deixam passar os de baixa-freqüência, por meio da média da vizinhança de um pixel, definida pela máscara aplicada. Quanto maior o tamanho da máscara, menos nítidas as imagens resultantes ficarão, porque mais componentes de alta-freqüência são removidos ou atenuados. Elementos de baixa-freqüência são as mudanças graduais sobre um grande número de pixels, enquanto elementos de alta-freqüência são as transições abruptas (tal como ruído) nos níveis de cinza, ou seja, bordas ou pontos isolados da imagem. Assim, o efeito desse filtro é a suavização de detalhes (bordas) e diminuição do número de níveis de cinza (contraste). A suavização tende a minimizar ruídos e apresenta o efeito de borramento da imagem, como mostra a Figura 2.8. Figura : Imagem original (esquerda) e após a aplicação do filtro passa-baixa (direita) Filtros Passa-Alta São filtros que eliminam elementos de baixa freqüência em uma imagem e deixam passar os de alta-freqüência. Muito utilizados para realçar bordas, linhas ou curvas, porém podem causar efeitos indesejados, como o de enfatizar ruídos da imagem, o que pode ser observado na Figura Disponível em: Acessado em: 12/06/09. 20

32 Figura : Imagem original (esquerda) e após a aplicação do filtro Passa-Alta (direita) Segmentação Segundo Filho e Neto (1999), os principais métodos de segmentação de imagem são: limiarização, detecção de descontinuidade e segmentação por regiões. A segmentação subdivide uma imagem em suas partes ou objetos constituintes. O nível dessa subdivisão depende do problema a ser resolvido, sendo assim, o processo de segmentação pára quando os objetos de interesse são isolados. (GONZALEZ; WOODS, 2000). Os algoritmos de segmentação monocromática utilizam propriedades de valores de cinza, de descontinuidade e de similaridade. A descontinuidade idealiza particionar a imagem, baseada em mudanças bruscas nos níveis de cinza, detectando, assim, pontos isolados, linhas e bordas. A similaridade baseia-se em limiarização, crescimento de regiões e divisão, como também a fusão de regiões. Ambas podem ser aplicadas em imagens estáticas ou dinâmicas. 5 Disponível em: s400/gama_cores.gif; Acessado em: 08/06/

33 Detecção de Descontinuidade Apesar de existirem diversas técnicas para vários tipos de detecção de descontinuidade de imagens digitais, limitar-nos-emos a apenas três, as mais básicas: pontos, linhas e bordas. Para melhor entendê-las, faz-se necessário o conhecimento sobre máscaras, que nada mais é que uma matriz de tamanho e valores definidos conforme alguma técnica estipulada. A Figura 2.10 mostra uma máscara 3 x 3 genérica. w 1 w 2 w 3 w 4 w 5 w 6 w 7 w 8 w 9 Figura 2.10: Máscara 3 x 3 genérica. A idéia é varrer a imagem toda com essa máscara, fazendo, por exemplo, o cálculo da soma dos produtos dos coeficientes da máscara, pelos níveis de cinza da região coberta pela máscara. A equação (2.7) indica a resposta da máscara para um ponto qualquer da imagem, isto é: R = w 1 z 1 + w 2 z w 9 z 9 = w z i i, (2.7) 9 i= 1 onde z i é o nível de cinza do pixel, associado com o coeficiente w i da máscara Detecção de Pontos Pontos isolados podem ser detectados de forma direta por meio da aplicação da máscara vista na Figura 2.11, pois tem-se que um ponto isolado possui seu nível de cinza muito diferente dos seus vizinhos. 22

34 Figura 2.11: Máscara utilizada na detecção de pontos isolados. equação: Sendo assim, diz-se que um ponto foi identificado se o mesmo respeitar a R > T, (2.8) onde R é dado pela equação (2.7), e T é um limiar não-negativo Detecção de Linhas Do mesmo modo, quando se aplica uma das máscaras da Figura 2.12 por toda a imagem, obtêm-se uma resposta fortemente a linhas (largura do pixel), com direções orientadas conforme a máscara aplicada, ou ainda para todas as direções, se assim for o algoritmo implementado Horizontal + 45º Vertical - 45º Figura 2.12: Máscaras para linhas. Portanto, a primeira máscara responde melhor a linhas orientadas horizontalmente, já a segunda máscara, a linhas orientadas a + 45º, a terceira, a linhas verticais e a quarta, a linhas na direção -45º. 23

35 Detecção de Bordas Considera-se borda como o limite entre duas regiões com propriedades relativamente distintas de nível de cinza. Na maioria das técnicas, a idéia é a computação de um operador local diferencial, conforme a Figura 2.13 abaixo: Figura 2.13: Detecção de bordas por operadores de derivação. (GONZALEZ; WOODS, 2000, p. 298). A primeira derivada é utilizada na detecção da presença de uma borda, dada pelo vetor a seguir. f G = G x y f = f x. (2.9) y Em detecção de bordas, a magnitude desse vetor é chamada de gradiente e denotada a seguir: [ G x G ] 2 f = mag( f ) = + y. (2.10) 24

36 E aproximando a valores absolutos, é denotada como: f G x + G y. (2.11) A segunda derivada é utilizada para identificar se o pixel da borda localiza-se no lado claro ou escuro da imagem, obtida por meio do laplaciano, e definida como: f x f y f = +. (2.12) 2 2 Para exemplificar, a seguir apresenta-se alguns dos filtros mais comuns para detecção de bordas horizontais, verticais e em outros sentidos (+45º e -45º). Este processo é muito simples, pois quando uma linha ou coluna central de 0 s encontrarse entre duas regiões com diferentes níveis de cinza, esta linha será realçada. Figura 2.14: Aplicação dos filtros de Prewitt. 25

37 Figura 2.15: Aplicação dos filtros de Sobel. Figura 2.16: Aplicação do filtro Laplaciano. Figura 2.17: Aplicação do filtro Passa-Alta Básico. 26

38 Limiarização A limiarização, também conhecida como Thresholding, consiste em dividir uma imagem, em grupos, com níveis de cinzas distintos, usada para localizar uma região de interesse, por exemplo, para separar um objeto do seu fundo. Pelo histograma de uma imagem, pode-se analisar e identificar quantos grupos dominantes existe na imagem. Se forem identificados apenas dois grupos, dá-se o nome de limiar único, que é o mais utilizado e confiável. Do contrário, quando identificados mais de dois grupos, dá-se o nome de limiarização multiníveis. Entretanto, não é um método muito confiável, pela dificuldade de estabelecimento de múltiplos limiares. Uma aplicação comum é a binarização da imagem, cujo objetivo é atribuir apenas dois níveis à imagem: preto ou branco. Para isso, define-se um limiar T (tom de cinza) e percorre-se a imagem, comparando pixel a pixel com tal limiar. Se for menor ou igual ao limiar, o pixel assume o valor 0, do contrário, assume o valor 255. A equação matemática é dada pela por: 0 0 f ( x) T g ( x) =. (2.13) 255 T f ( x) 255 Conseqüentemente, o resultado será uma matriz de números inteiros 0 ou 255. (ou ainda, representado pelo valor 1). A Figura 2.18 representa essa técnica, utilizando um limiar de 128 em uma imagem em tons de cinza de 8 bits, ou seja, assumindo valores de 0 a

39 Figura 2.18: Aplicação da limiarização com limiar de Segmentação Orientada a Regiões Como dito anteriormente, o objetivo da segmentação é particionar a imagem em regiões. Diferentemente das técnicas anteriores, esta técnica baseia-se na descoberta das regiões diretamente Formulação Básica Segundo Gonzalez e Woods (2000), sendo R a região completa de uma imagem; imagina-se segmentação como o processo de particionar R em n regiões R 1, R 2,..., R n, tal que: a) U n R i = R i=1 Cada pixel deve pertencer a uma região. b) R i é uma região conexa, i = 1, 2,..., n Os pixels em uma região devem ser conexos. c) R i R j = ø para todo i e j, i j As regiões devem ser disjuntas (ø é o conjunto vazio). 28

40 d) P(R i ) = VERDADEIRO para i = 1, 2,..., n Propriedades dos pixels que satisfaçam uma região segmentada. e) P(R i R j ) = FALSO para i j As regiões R i e R j são diferentes no sentido do predicado P. Onde P(R i ) é um predicado lógico sobre os pontos do conjunto R i Crescimento de Regiões por Agregação de Pixel Segundo Gonzalez e Woods (2000), o crescimento de regiões é um procedimento que agrupa pixels ou sub-regiões em regiões maiores. A abordagem mais simples é a agregação por pixels, que começa com um conjunto de pontos, denominados semente. A partir deles crescem as regiões anexando a cada ponto semente aqueles pixels que possuam propriedades similares, como nível de cinza, textura ou cor. A seguir apresentamos um exemplo dessa técnica, onde a Figura 2.19 mostra uma seção de um mapa contendo um único ponto semente, indicado por um ponto preto. Foram utilizados dois critérios para o crescimento de região. - a diferença absoluta entre os níveis de cinza da semente e do ponto candidato não exceda 10% da diferença entre o menor e o maior nível de cinza. - todo e qualquer pixel acrescentado a região apresente uma conectividadede-8 com pelo menos um pixel incluído naquela região. 29

41 Figura : Crescimento de regiões - (a) imagem original com um ponto semente; (b) estágio primário de crescimento de uma região; (c) estágio intermediário; (d) região final. (GONZALEZ; WOODS, 2000, p. 328). Apesar dos pixels vizinhos da região crescida satisfazerem o critério de níveis de cinza admitidos, houve uma condição de parada no crescimento, pois os pixels não satisfizeram o critério de conectividade, devido à borda escura em torno da região crescida Considerações Finais Foram apresentados neste capítulo conceitos, fundamentos básicos e técnicas de processamento digital de imagens, juntamente com os resultados da aplicação de algumas dessas técnicas que serão utilizadas na próxima fase deste trabalho. 6 Disponível em: Acessado em: 08/06/

42 CAPÍTULO 3 APLICATIVO 3.1. Considerações Iniciais Neste capítulo serão abordadas as funcionalidades do aplicativo por meio das técnicas estudadas anteriormente. O desenvolvimento foi dividido em duas fases, a primeira foi a implementação de técnicas de PDI de forma geral, por meio delas foi possível executar análises e testar algoritmos de segmentação, onde algumas delas serão utilizadas como entrada para a segunda fase, responsável pela identificação e classificação dos defeitos do casquilho de bronze Interface Inicial do Aplicativo Para o aplicativo foi desenvolvido uma interface simples e intuitiva, composta por um menu superior, responsável pela execução dos algoritmos mais complexos e importantes; barra lateral (a esquerda) com botões de ação auxiliares; barra de status (rodapé), com informações do pixel marcado pela posição atual do ponteiro do mouse sobre a imagem, como a posição X e Y, valores de RGB, tom de cinza, R/G e B/G; visualização da imagem a ser processada (a direita). A Figura 3.1 mostra a interface inicial do aplicativo. 31

43 Figura 3.1: Interface inicial do aplicativo Menu Superior É composto por sub-menus que foram divididos por categorias, o que otimiza a interface e facilita a interatividade e/ou operação do aplicativo. Oferecem acesso as funcionalidades mais importantes do aplicativo. Abaixo segue uma breve explicação sobre cada sub-menu Procurar Imagem Para abrir uma imagem acessa-se o menu Arquivo Procurar Imagem, uma caixa será exibida solicitando o arquivo a ser aberto, depois de selecionado, clique no botão Abrir, como é ilustrado na Figura

44 Figura 3.2: Abertura de imagens no aplicativo. Para visualização da imagem foi utilizado o componente TImage, nativo do Delphi, capaz de carregar imagens do tipo BMP (bitmap). Como geralmente as imagens obtidas a partir de câmeras digitais são geradas e armazenas no formato JPEG, foi elaborado um algoritmo que aceita tais imagens e as convertem para BMP, permitindo assim serem reconhecidas pelo componente TImage. Todas as imagens quando abertas, são formatadas para 24 bits, o que permite o valor do pixel variar de 0 a 255. Para acessar os valores de RGB, foi utilizada uma propriedade do componente TBitmap chamada ScanLine, que fornece acesso indexado a cada linha de pixels. Processo que tem melhor desempenho do que a função GetRValue (onde R pode ser G ou B também), que utiliza uma API do Windows para retornar um byte correspondente ao valor do pixel. 33

45 Salvando uma Imagem A opção Salvar Imagem, também disponível no menu Arquivo, permite que a imagem seja salva a qualquer momento, mesmo depois de editada pelos algoritmos Restaurar (Colorido) Acessível pelo menu Editar Restaurar (Colorido), tem o objetivo de desfazer todas as transformações dos algoritmos aplicadas às imagens. Foi criada uma função que recarrega a imagem original sem a necessidade de reabrir a imagem, o que causaria um transtorno ao usuário. Este processo é possível porque foram criadas matrizes de backup de RGB, sendo assim, as transformações ocorrem em outras matrizes, o que permite recarregar a imagem em seu estado original sem a necessidade de reabri-la manualmente Restaurar (Cinza) Com o mesmo objetivo e princípio da opção Restaurar (Colorido), porém ao invés de carregar as matrizes de backup RGB, carrega a matriz de backup em tons de cinza Desfazer Desfaz a última transformação realizada voltando a imagem para um estado anterior. Este recurso só é permitido, pois antes de cada algoritmo ser executado, os valores dos pixels atuais da imagem são salvos em outras matrizes, sendo as mesmas diferentes das manipuladas nos algoritmos e das de backup. 34

46 Tons de Cinza Disponível no menu Efeitos, assim como as próximas funções, transforma a imagem colorida em tons de cinza, algoritmo simples de ser implementado, calculase a média, (R+G+B) / 3, de cada pixel, o resultado pode ser visto na Figura 3.3. Figura 3.3: Utilização da função Tons de Cinza Negativo Inverte os valores de cada pixel (Figura 3.4) por meio de operação de complemento, independente da imagem ser colorida ou em tons de cinza (melhor detalhado no item ). 35

47 Figura 3.4: Utilização da função Negativo para imagem colorida e para imagem em tons de cinza Preto e Branco Função para binarizar uma imagem, ou seja, transformá-la em preto e branco (explicada no item 2.5.2). Para o valor de limiar do algoritmo foi criado uma ferramenta auxiliar onde o usuário define, por meio do componente TTrackBar, qual o valor desejado (Figura 3.5). A função aplica-se instantaneamente a cada troca de valor e assim permite ao usuário visualizar qual valor é melhor para aquela imagem. Após a escolha do limiar o usuário pode aplicar ou cancelar a transformação. Figura 3.5: Utilização da função Preto e Branco com limiares de 60, 129 e

48 Freqüência de Corte Ferramenta desenvolvida para análise de imagens. Além de apresentar os histogramas (R, G, B, Gray, R/G e B/G), permite a edição individual das cores da imagem, também por meio do componente TTrackBar, porém, utiliza dois componentes para cada cor, um para o mínimo (MIN) e outro para o máximo (MAX). A Figura 3.6 ilustra a tela desta ferramenta. Figura 3.6: Utilização da função Freqüência de Corte removendo todo R e B da imagem. O algoritmo funciona como um filtro, percorrendo e analisando todos os pixels, verificando se eles estão no limite (valores entre o MIN e MAX), informado pelo usuário. Se estiverem, seus valores não são alterados, caso contrário, são passados para zero (preto). Com esta ferramenta, identificou-se a possibilidade de segmentação por tons das cores, transformação que serviu de entrada para outros algoritmos do aplicativo Contraste Permite ao usuário alterar o contraste da imagem para corrigir possíveis falhas geradas no momento da captura da imagem (explicado no item ), geralmente causadas por iluminação incorreta. A usabilidade é simples (Figura 3.7), por meio de 37

49 um componente TTrackBar o usuário altera o valor do gamma, que é o fator de correção da imagem, dada pela equação (3.1): S = R γ x C, (3.1) onde R é o valor do pixel atual, S será o novo valor e C é uma constante (255 / 255 γ ) que limita os valores de S entre 0 e 255. Figura 3.7: Utilização da função Contraste. Como pode ser visto, foi criado um gráfico (S x R) que representa qual foi o nível de contraste alterado Borda dos Defeitos Algoritmo desenvolvido para identificação das bordas dos defeitos. Baseia-se na freqüência de corte do R/G, escolhendo os valores para mínimo e máximo de tal maneira que fiquem apenas as bordas. O resultado pode ser visto na Figura

50 Figura 3.8: Utilização da função Borda dos Defeitos. O algoritmo cria uma matriz com valor 1 nas posições referentes as bordas das matrizes RGB e 0 para as diferentes. Posteriormente, nas posições com valor 1 dessa matriz passa o valor 0 para os pixels R e G e, 255 para o B. Por último, recarrega o componente TImage com as matrizes RGB alteradas Subtração Para a execução desta função, após aberta a primeira imagem e escolhida a opção Subtração, o programa exibe outra caixa solicitando a segunda imagem. Feito isto, ele solicita a confirmação da subtração. Caso seja positivo, ele executa o algoritmo de subtração, que percorre todos os pixels de cada imagem e subtrai os de mesma posição. A Figura 3.9 mostra um exemplo de aplicação, isto é, a identificação automática do Jogo dos 7 Erros, onde são passadas duas imagens muito semelhantes, porém com sete diferenças. 39

51 Figura 3.9: Utilização da função Subtração. Apesar de simples, é uma técnica muita utilizada para identificar e comparar formas de uma imagem. Pode ser utilizada em diversas áreas, como na medicina onde, por exemplo, faz-se necessário a comparação automática de tamanhos e padrões de um câncer por meio de imagens de raios-x Filtros Para detecção de bordas (Figura 3.10) e remoção de ruídos, foi desenvolvido um algoritmo que recebe como entrada uma imagem em tons de cinza e uma matriz 3x3, também conhecida como máscara de convolução, que percorre toda a imagem realizando a média da soma das multiplicações de cada pixel da máscara pelo seu correspondente da imagem. 40

52 Os valores desta máscara podem ser alimentados de forma manual ou ainda selecionando alguns filtros pré-determinados, são eles: Laplaciano, Passa-Alta, Prewitt e Sobel. A teoria é melhor explicada no item 2.5.1, inclusive com um exemplo de aplicação destes filtros pelo próprio aplicativo. Figura 3.10: Utilização dos Filtros. Imagem original em tons de cinza, aplicação do filtro Passa-Alta e aplicação do filtro Sobel Histograma A função desta operação é indicar graficamente qual a distribuição dos pixels nos níveis de RGB e tons de cinza da imagem. Um exemplo desta funcionalidade pode ser visualizado na Figura

53 Figura 3.11: Utilização da função Histograma. A idéia do algoritmo é simples, contam-se quantos pixels tem o mesmo nível de cada cor RGB e tons de cinza, e mostra um gráfico desta distribuição. O eixo X representa os níveis de 0 a 255, e o eixo Y, a quantidade de pixels encontrados em cada nível. Os valores do eixo Y foram divididos pela quantidade total de pixels da imagem, o que representa a probabilidade, sendo assim, os valores do eixo Y sempre estarão entre 0 e Parametrização Acessível pelo menu Análise Parametrização, assim como as próximas funções, é a principal função do aplicativo, pois é a responsável pela segmentação da imagem e pela definição da escala de pixel/mm (quantos pixels correspondem a um milímetro). Foi dividida em três passos, são eles: - Escala pixel/mm: como referência foi utilizado um quadrado de papel impresso na cor verde, com 10 mm de largura por 10 mm de altura, ou seja, uma área de 100 mm 2. Neste passo, o aplicativo segmenta a imagem deixando apenas os pixels com valor de R/G próximos a 0,4 (Figura 3.12), ou ainda de forma manual, chamado de calibração manual, será explicado mais abaixo. Após a segmentação, faz-se uma contagem desses pixels (QtdePG) e calcula-se a escala como 42

54 ( QtdePG / 10) e a área como (100 / QtdePG). Estes valores são armazenados em variáveis globais e utilizados para cálculos futuros de largura, altura e área. Figura 3.12: Processo de definição de escala (pixel/mm). - Segmentação dos defeitos: neste passo também ocorre segmentação com relação à razão de R/G, porém, agora deixa apenas os valores entre 1,5 e 2 (Figura 3.13), valores que representam os defeitos (cor avermelhada), também com a possibilidade da calibração manual. Esta segmentação foi possível, pois o fundo da imagem (tonalidade branca e cinza) tem valores de R/G próximos a 1. Figura 3.13: Processo de segmentação dos defeitos. 43

55 - Binarização: binariza a imagem com limiar 0, pois como a imagem já estava segmentada (fundo preto e defeitos avermelhados), o que se deseja é transformar os pixels avermelhados em branco (Figura 3.14), o que facilita a visualização dos defeitos e também os próximos algoritmos, como o Flood por exemplo. Figura 3.14: Processo de binarização dos defeitos Calibração Manual No processo de segmentação da escala e dos defeitos é necessário passar um valor limiar. Por meio de análises em diversas imagens, identificou-se um valor padrão; este valor é passado de forma automática para os algoritmos, ou ainda, permite o usuário definir estes valores de forma manual. Este último, chamado de Calibração Manual (Figura 3.15). 44

56 Figura 3.15: Processo de segmentação por meio da opção Calibração Manual. Foram criados dois componentes TTrackBar s, o primeiro responsável pela segmentação dos defeitos e o segundo para a escala. Após a escolha dos valores, deve-se clicar no botão Aplicar, caso deseja-se utilizar os valores definidos manualmente, ou ainda Cancelar, para deixar os algoritmos assumirem os valores padrões Relatório Tem a função de documentar toda a análise da imagem realizada pelo aplicativo. Muito utilizado no dia-a-dia dos inspetores de qualidade, pois os mesmos devem preparar este tipo de relatório para apresentar para seus supervisores e posteriormente para seus clientes. Por meio deste relatório podem ser tomadas algumas decisões, desde uma aprovação até o reparo ou descarte da peça em análise. A Figura 3.16 mostra um exemplo deste relatório. 45

57 Figura 3.16: Visualização do Relatório Controle de Qualidade Barra Lateral Com a mesma intenção do menu superior, porém, composta por botões auxiliares com funções mais simples. Tais funções serão descritas a seguir Zoom Ferramenta desenvolvida para auxiliar a visualização de defeitos e/ou detalhes com dimensões pequenas. A utilização é simples, para ativá-la é necessário marcar o checkbox Zoom, escolher o fator de zoom que varia de 1x a 5x e apontar com o mouse a região que se deseja visualizar com zoom. Uma nova janela será 46

58 criada com o zoom já aplicado. Para desativá-lo, basta desmarcar o checkbox Zoom. Um exemplo desta aplicação é mostrado na Figura Figura 3.17: Utilização da função de Zoom com fator 4x. Para a criação deste algoritmo, foi utilizada uma propriedade do componente TImage chamada Stretch. Quando ativada, ajusta o bitmap exatamente nos limites do componente de imagem, sendo assim, quanto menor o bitmap passado, maior será seu ajuste e exibição. As dimensões (largura e altura) do componente TImage referente a imagem com zoom foi fixado; para o fator 1x foi passado a mesma dimensão do componente TImage, para o 2x, foi passado metade desta dimensão e similar para os outros fatores (3x, 4x e 5x) Shape É ativado e desativado pelo checkbox Shape e possui quatro formas (círculo, elipse, quadrado e retângulo). Pode ser redimensionado tanto em largura quanto em altura por meio da combinação Ctrl+Scroll e Shift+Scroll, respectivamente. Acompanha sempre o ponteiro do mouse, e com um clique, copia a imagem (dimensões definidas pela sua área interna), para um novo componente de imagem, permitindo ser analisada separadamente. A Figura 3.18 mostra este recurso. 47

59 Figura 3.18: Utilização da função Shape. Sua principal vantagem é analisar imagens com tamanho definidos pelo usuário, principalmente na parte onde a norma exige que apenas analisem-se os defeitos em uma área de 100x105 mm 2. Para controlar este requisito, a barra de status informa SW (largura do shape) e SH (altura do shape), com a grandeza já convertida de pixel para milímetro Vertical e Horizontal Sua função é rotacionar a imagem 180º na vertical e/ou horizontal. Foi criada para ocasiões onde a peça não esteja em sua posição correta, assim, posteriormente o inspetor pode localizar os defeitos de forma mais fácil. Este recurso pode ser visto na Figura

60 Figura 3.19: Utilização das funções de rotação, da direita para esquerda, de cima para baixo, imagem original, 180º vertical, 180º horizontal e 180º vertical + 180º horizontal Mapa de Pixels Um novo formulário é criado com quatro componentes do tipo TStringGrid, representando os valores dos pixels de R, G, B e tons de cinza, respectivamente. Pode ser utilizada, por exemplo, para confirmar se ao binarizar uma imagem, os pixels estão sendo definidos como 0 ou 255. A Figura 3.20 mostra esta aplicação sobre uma imagem pequena, pois permite uma melhor visualização. 49

61 Figura 3.20: Utilização da função Mapa de Pixel Classe e Comparar Tem a função de analisar os defeitos selecionados e comparar com os parâmetros da norma conforme a classe definida. Informa como saída (SIM ou NÃO) em relação a aprovação do defeito. Pode apenas ser utilizado após a parametrização da imagem e a seleção de pelo menos uma indicação; caso contrário, traz uma mensagem na tela informando a necessidade de tais requisitos Barra de Status É responsável por diversas informações (Figura 3.21), por isso, foi dividida em duas partes. Para a primeira, foi utilizado o componente TStatusBar que sempre estará visível. Este componente compõe-se de diversas informações, são elas: posição no eixo X e Y do pixel, valores de R, G, B, Cinza, R/G e B/G dos pixels, SW (largura do shape), SH (altura do shape), S (escala, quantos pixels representam 1 mm) e AT (área total de defeitos encontrados). A segunda parte fica disponível após o processo de parametrização explicado anteriormente. Esta parte é composta por alguns componentes, são eles: 50

62 - TMemo, que ao escolher a qual classe se deseja comparar, mostra os cinco critérios a ser analisado e, ao trocar de classe, atualiza-se automaticamente trazendo os cinco novos critérios; - TStringGrid, responsável pela visualização das informações de cada defeito, onde os números de 1 a 5, representam os cinco critérios de cada classe, e podem armazenar valores -1 (desconsiderado), 0(reprovado) e 1(aprovado); - TShapes coloridos e Labels representando as legendas. Figura 3.21: Visualização da Barra de Status Aquisição de Dimensões Após o processo de parametrização, faz-se necessário a aquisição das dimensões da largura, altura e área de cada defeito a ser analisado. Para isto, foram criados alguns procedimentos, são eles: - Clique duplo marca e calcula a área do defeito selecionado. Para este algoritmo, foi utilizada a técnica de PDI chamada Flood (inundação), onde compara- 51

63 se o valor do pixel atual com um valor de referência. Neste caso, com a imagem binarizada, se o pixel for branco, é guardada sua posição, pintado de cor vermelha e incrementado um contador. Este processo é executado recursivamente até que todos os vizinhos do pixel sejam de cor diferente da cor de referência, ou seja, da cor preta, o que indica a região de limite do defeito. A Figura 3.22 mostra esta aplicação. Figura 3.22: Clique duplo, marcação da área do defeito. - A cada dois cliques simples é traçado uma reta e calculado sua distância euclidiana, ou seja, (x +. Porém, visando uma melhor usabilidade, x1) (y 2 - y1) foi criada uma função que não obriga o usuário a clicar sobre os pontos exatos da borda do defeito, e sim, permite ele clicar fora do defeito, e a função desenvolvida, traça a melhor reta (Figura 3.23), ou seja, a maior reta possível dentro do defeito. Figura 3.23: Dois Cliques simples, marcação da melhor reta. 52