Reconhecimento de falhas em processos industriais utilizando processamento digital de imagens via solução Open Source

Transcrição

1 Reconhecimento de falhas em processos industriais utilizando processamento digital de imagens via solução Open Source Caio Cesar Hollerbach Gomes & Yvo M. C. Masselli Abstract This paper presents the use of digital processing techniques of images for recognition of failures in industrial processes. Initially shows the type of open source hardware platforms, with their respective characteristics. This is followed by an introduction to image processing, focusing on the basic concept of arithmetic operation of subtraction. The end is realized an application practice using the Raspberry PI platform, configured with the resources of the library Open CV, responsible for images subtraction process acquired by a camera for real-time image capture. Index Terms Recognition failure, digital image processing, Raspberry PI, Open CV. Resumo O presente trabalho visa apresentar a utilização de técnicas de processamento digital de imagens para reconhecimento de falhas em processos industriais. Inicialmente são mostrados os tipos de plataformas de hardware open source, com suas respectivas características. Em seguida é feita uma introdução sobre processamento de imagens, focando no conceito básico de operação aritmética de subtração. Ao final é realizada uma aplicação pratica utilizando a plataforma Raspberry PI, configurada com os recursos da biblioteca Open CV, responsável pelo processo de subtração de imagens adquiridas por uma câmera para captura de imagens em tempo real. Palavras chave Reconhecimento de falhas, processamento digital de imagens, Raspberry PI, Open CV. INTRODUÇÃO A área de processamento de imagens tem crescido devido ao grande número de aplicações em praticamente duas categorias: a primeira voltada ao aprimoramento de informações visuais para interpretação humana e a segunda por métodos computacionais onde as informações são extraídas de uma cena. [1] Nas aplicações praticas, dentre elas estão à inspeção em produtos farmacêuticos, cosméticos, automotivos, de alimentos e bebidas, eletroeletrônicos, entre outros. As operações envolvendo imagens são utilizadas normalmente para controle de produção, permitindo identificar. falhas em produção, não-conformidades, queda de disjuntores em pontos isolados e demais situações de interesse [1]. O objetivo deste trabalho é apresentar a utilização de técnicas de processamento digital de imagens aplicadas à análise de falhas em processos industriais. Para validação do proposto são realizados testes com o propósito de validar a utilização do processamento de imagens em aplicações diversas. I. SISTEMAS DE RECONHECIMENTO DE FALHAS Existem, na área industrial, sistemas para o diagnostico automático de falhas em motores elétricos, principalmente nos indução trifásica com o objetivo de interpretar evitar manutenções não programadas e consequentes paradas no processo produtivo. Com a ocorrência de falhas prevenida, as consequências como aquecimento excessivo, desbalanceamento da corrente e da tensão, decaimento do torque médio e outros fatores, podem ser evitadas [2]. Sistemas de diagnóstico de falhas utilizam métodos como redes neurais artificiais, sistemas especialistas, dentre outros. Uma das principais vantagens no uso destes, é sua implementação com baixa complexidade computacional, já que as técnicas caracterizadas como inteligentes não necessariamente exigem o modelo matemático [2]. II. PLATAFORMAS DE HARDWARE OPEN SOURCE As plataformas de desenvolvimento open source tem difundido cada vez mais em função do baixo custo e da quantidade de recursos oferecidos, o que facilita a implementação de um grande numero de aplicações, com os propósitos mais diversos. [3] Artigo apresentado no III Seminário de Automação Industrial e Sistemas Eletro-eletrônicos SAISEE (ISSN ), ocorrido em 04 de Julho de 2015 na cidade de Santa Rita do Sapucaí-MG. A. CUBIETRUCK A Cubietruck ou Cubieboard 3 lançada no fim de 2013 pela CubieTeam, é a terceira versão do Cubieboard suporta uma melhor carga por possuir uma alta capacidade de

2 processamento, memória e interface robusta para aproveitar melhor dos dispositivos multimídia [3]. 6 portas analógicas, a placa pode ser alimentada pela conexão USB ou por uma fonte de alimentação externa. C. FRIENDLYARM O FriendlyARM Mini2440, apresentado na figura 3, é baseado na arquitetura ARM9. Possui dimensões iguais a 10 cm de largura e altura. É compatível com os sistemas operacionais GNU/Linux, Android e Windows CE. Possui CPU ARM9 de 400 Mhz, 64 MB de memória SDRAM, 64 MB de memória NAND Flash e 2MB de NOR Flash. Além disto tem integrado um display touchscreen[3]. Fig. 1. Cubietruck (Cubieboard3). Possui processador Dual Core ARM Cortex-A7 de 1 GHz, memória RAM de 2 GB, 8GB de NAND Flash, suporte à HD de 2,5 com interface Sata 2.0, USBs, USB OTG, Rede Ethernet 10M/100M/1Gbps, WiFi, Bluetooth com antena na própria placa, saída de vídeo HDMI e VGA, conector SPDIF óptico para áudio, 54 pinos de expansão com pitch 2.0, além de alguns outros recursos adicionais, mostrado na figura 1. A Cubietruck também utiliza o sistema operacional Android. B. ARDUINO O arduino é uma plataforma de hardware que possibilita o desenvolvimento de aplicações de forma rápida e simples. [4] Pode ser utilizado para desenvolver objetos interativos independentes, ou pode ser conectado a um computador ou uma rede. Sua maior vantagem é a facilidade de sua utilização, já que usuários sem formação técnica podem, rapidamente, aprender e criar seus próprios projetos em um intervalo de tempo relativamente curto [4]. D. RASPBERRY PI Fig. 3. FriendlyARM Mini2440. Diversas arquiteturas, com diferentes linguagens de programação são oferecidas no mercado, como a Raspberry PI, desenvolvida no Reino Unido pela Raspberry Pi Foundation. Trata-se de um mini computador criado com intuito de estimular o estudo na área da computação. Seus componentes foram devidamente selecionados de modo a deixá-lo com baixo custo, e consequentemente, competitiva [5]. Fig. 2. Arduino UNO O modelo Arduino UNO, mostrado na figura 2, possui um microcontrolador ATmega328, 32KB de memória flash, 14 portas digitais sendo que 6 podem sem ser usado como PWM, Fig. 4. Raspberry PI B O modelo B, mostrado na figura 4, que possui um processador com 700MHz, memória de 512MB, 2 portas USB, suporte a cartão SD, GPIO(general purpose

3 input/output) 26 pinos que podem ser ligados em sensores, motores ou relés para controle de equipamentos como mostra a figura 5, saídas de áudio e vídeo HDMI, uma saída para conectores RJ45 (Ethernet). A imagem (I) pode ser definida como uma função bidimensional, I(n,m),como mostra na figura 6, em que n e m são coordenadas espaciais, e a amplitude de I é chamada de intensidade ou nível de cinza da imagem em um ponto. Fig. 6. Função bidimensional. Uma imagem digital é assim chamada quando n, m, assim como os valores de intensidade de f são quantidades finitas e discretas, ou seja, um número finito de elementos com suas localizações e valores específicos. Esses elementos são chamados de pixel da imagem [6]. Fig. 5. GPIO 26 pinos do Raspberry PI B. A. Análise e Processamento Na fase de análise e processamento da imagem, como mostra na figura 7, existem três tipos de processos computacionais de nível baixo, médio e alto. Utilizando o Linux como sistema operacional, por possuir um código aberto, tem uma imensa liberdade de personalização da máquina e de suas funções por intermédio da linguagem de programação conhecida por Python.[5] D.1 - SISTEMA OPERACIONAL O Raspbian é o sistema operacional criado para a plataforma Raspberry PI, é baseado em Debian de fácil interação, traz várias ferramentas úteis como o programa Mathematica e Wolfram (mecanismo de conhecimento computacional desenvolvido pela Wolfram Research), tem como um ambiente de gráfico leve e eficiente [5]. III. CONCEITOS SOBRE PROCESSAMENTO DIGITAL DE IMAGENS O processamento digital de imagens é realizado por um conjunto de técnicas voltadas para análise de dados bidimensionais, que permite extrair informações relevantes de uma imagem a fim de auxiliar na tomada de decisões [6].. São técnicas com aplicações práticas em diversas áreas como imagens de satélites, obtenção de imagens médicas por ultrassom, aplicações em automação industrial e etc. Fig. 7. Fases de análise. Os processos de nível baixo envolvem, o pré-processamento de imagens. Nesta etapa são feitas melhorias na imagem como a redução de ruído, o realce de contraste e o aguçamento. Este processo é caracterizado pelo fato de tanto a entrada quanto a saída serem imagens. [6] O processamento de nível médio envolve tarefas como a segmentação e reconhecimento que é um procedimento que reproduz digitalmente a tarefa de reconhecer regiões de uma imagem como objetos e tem como características suas entradas e geral serem imagens e as saídas são os dados extraídos dessas imagens como, por exemplo, a identidade de objetos individuais, bordas e contornos. [6]

4 E o processo de nível alto envolve o reconhecimento de objetos. É nesta etapa que a análise de imagens realiza as funções cognitivas normalmente associadas à visão. B. Subtração de imagens As operações aritméticas entre as imagens são operações de arranjo matricial, significam que as operações aritméticas são realizadas entre pares de pixels correspondentes [6]. Estas operações são essenciais para fazer ajustes das imagens em determinadas aplicações como, por exemplo, remoção de ruído. Basicamente, existem quatro tipos de operações aritméticas, dentre essas operações a subtração de imagens, utilizada para remover algum padrão indesejável ou detectar mudanças entre duas imagens da mesma cena. Uma das aplicações de subtração de imagens é no controle de qualidade. A partir de uma imagem padrão de um objeto pode-se destacar as diferenças em outras tiradas de objetos iguais apenas subtraindo a imagem padrão. Neste tipo de aplicação o resultado indicará inconformidades, peças colocadas em posições erradas, falta de alguma parte do alvo e etc. Na figura 8 é mostrado um exemplo de subtração de imagem, utilizando duas imagens onde dois objetos são deslocados da posição inicial. C. Overflow e Underflow O resultado das operações aritméticas entre imagens, pode ser menor que o valor mínimo (underflow) ou exceder o valor máximo (overflow) permitido na codificação de seus níveis digitais. Por exemplo, numa imagem codificada com 8 bits podemos ter valores resultantes negativos, menores que 0, e maiores que 255 [7]. A maioria das funções utilizadas em softwares de processamento de imagens faz com que valors negativos sejam sempre iguais a zero (preto) e valores acima de 255 sejam mantidos sempre em 255 (branco). Há casos em que os pixels que sofreram overflow são levados à zero, sendo estes muito específicos. IV. SOFTWARE E HARDWARE UTILIZADOS O OpenCV (Open Computer Vision) é uma biblioteca multiplataforma, totalmente livre para o uso acadêmico e comercial, utilizada no desenvolvimento de aplicativos para as áreas de Processamento de Imagens e Visão Computacional. [8]. Traz consigo vários algoritmos, tais como: segmentação, reconhecimento de faces, aprendizado de máquinas, filtragem de imagens etc. O OpenCV possui interfaces com linguagens como C, C++, Python e Java, além de suportar sistemas operacionais Windows, Linux, Mac OS e Android. [8] O OpenCV possui ferramentas de processamento de imagens e videos como filtros de imagem, calibração de camera, reconhecimentos de objetos e análises estrutural tornando o processo de programação mais fácil. A Raspberry PI foi a escolhida em função de seus recursos de hardware, que possibilitam a conexão de diversos tipos de periférico, além de sistema operacional amigável, com interface gráfica e, por fim, o baixo custo. Fig. 8. Exemplo de Subtração de Imagem. V. APLICAÇÃO PRÁTICA Neste trabalho foi utilizada a plataforma de desenvolvimento Raspberry PI modelo B+ com a função de realizar o processamento de informações capturadas por uma webcam ligada a interface serial USB, além de recursos da biblioteca OpenCV para o processamento de imagens. Inicialmente, antes da configuração dos recursos de software necessários é feita a atualização do sistema operacional presente na Raspberry PI. Em seguida é feita a instalação da biblioteca OpenCV, considerando o processo convencional de instalação em Linux. O processo seguinte, de configuração demanda tempo elevadíssimo (cerca de dez horas). A principal razão para isto é a montagem do código OpenCV com suporte à configuração do sistema. Com o OpenCV configurado o passo seguinte é a calibração da câmera. Foram feitos testes simples de captura de imagem utilizando a linguagem de programação C a fim de se observar o tempo de processamento do hardware. A próxima etapa consiste no desenvolvimento do código responsável por estabelecer uma imagem, utilizada como referência. A partir da câmera é capturada uma imagem do alvo em questão e a mesma é comparada com a referência, o objetivo é identificar as diferenças entre elas. Este processo

5 pode ser feito com base em uma operação aritmética de subtração. Fig. 9. Fluxograma. No processo descrito pelo fluxograma, como mostrado na figura 9, primeiramente foi definida a imagem padrão. A câmera é ativada e uma amostra da imagem alvo é capturada. Após este processo, é realizada a etapa de verificação entre imagem atual e a padrão. Havendo diferença entre elas, é gerado um aviso visual e a indicação dos pontos em que houve diferença. Caso sejam iguais, a imagem capturada é exibida na tela. Em aplicações reais este processo é repetido constantemente com o objetivo de monitorar o alvo desejado. Fig. 10. Resultado do primeiro teste utilizando componentes elétricos. VI. TESTES E RESULTADOS Nos testes foram observados alguns pontos importantes para que o sucesso da aplicação proposta seja garantido. O primeiro aspecto a ser considerado é a luminosidade. Se o ambiente não estiver com a intensidade de iluminação adequada, a imagem capturada pode apresentar falhas fazendo com que o resultado da subtração não fique nítido, além do risco de geração de falsos-positivos. Outro ponto importante é o posicionamento do objeto. Se o objeto capturado estiver fora de posição, o resultado vai acusar erros, mesmo quando a imagem capturada é igual a imagem padrão. Fig. 11. Resultado do segundo teste utilizando disjuntores

6 No início dos testes, o primeiro frame é capturado e convertido em escala de cinza, este frame é definido como imagem padrão, em seguida são capturados os frames subsequentes. Estes também são convertidos em escala de cinza. Cada frame capturado é subtraído do frame padrão. O tratamento do transbordamento de pixels deve ser realizado neste ponto. Sendo este bem sucedido, o resultado será uma imagem totalmente escura quando as imagens forem iguais. Sendo estas diferentes, como mostrados nas figuras 10 e 11, na imagem resultante estarão presentes somente os pixels que sofreram modificação em relação ao padrão definido. Caio César Hollerbach Gomes, nasceu em Passos, Minas Gerais, em 14 de abril de Engenheiro da Computação (Inatel, 2012 ), faz pós-graduação em Engenharia de Sistemas Eletro-Eletrônicos, Automação e Controle Industrial pelo Inatel. Trabalhou em 2012 na empresa Taxi Digital onde desenvolvia aplicativos mobile e web voltados para o mercado de taxi. Atualmente está trabalhando na empresa SPQR-Ti onde faz desenvolvimento e manutenção de aplicativo para web. VII. CONCLUSÕES O projeto demonstrou ser um grande desafio, antes de utilizar a Raspberry PI modelo B, foi utilizada inicialmente uma versão anterior que seria a Raspberry PI modelo A que ocasionou problema de processamento e na maioria das vezes ela acabava travando o sistema, no modelo B apresentou mais facilidade na parte de processamento devido aos seus recursos, para configura-lo foram feitos varias pesquisas de recursos a serem instalados como versões da biblioteca Open CV, compilador para linguagem C, reconhecimento da câmera pela porta USB. A Raspberry PI modelo B mostrou uma melhor relação custo-benefício dentre as outras plataformas de hardware open source, por ter alguns benefícios como, por exemplo, ser independente ao uso de um PC para programa-lo também uma boa configuração. Nos testes, demonstrou um bom desempenho de processamento que possibilitou um excelente tempo de resposta, e os resultados saíram como desejados, tendo em vista os pontos importantes como a luminosidade e o posicionamento em relação às imagens. REFERÊNCIAS [1] Paulo Madruga(2008,Setembro). Sistema de Detecção de Falhas em Peças Industriais Planas Através do Reconhecimento Via Contorno e/ou Esqueleto Morfológico [Online]. Disponível em: < Acesso em: 23 maio [2] F.M.Cunha Santos; I.N. Silva; M. Suetake (2012,Outubro).Sobre a aplicação de sistemas inteligentes para diagnóstico de falhas em máquinas de indução - uma visão geral [Online]. Disponível em: < Acesso em: 04 setembro [3] Conteúdo sobre as placas[online]. Disponível em: < Acesso em: 17 maio [4] Michael McRoberts, Arduino Básico, Novatec Editora Ltda [5] Conteúdo sobre a Raspberry PI [Online]. Disponível em: < Acesso em: 04 abril [6] Rafael C. Gonzalez e Richard E. Woods, "Processamento Digital de Imagens - 3 Edição", Editora Edgard Blucher, 2010 [7] SPRING - DPI/INPE.Introdução ao Processamento de Imagens [Online]. Disponível em: < Acesso em: 05 setembro [8] Gary Bradski,Adrian Kaehler, Learning OpenCV: Computer Vision with the OpenCV Library, primeira edição publicada em 2008, Ed. O'Reilly Media, Inc.