Medição da Altura das Cunhas de Fricção dos Vagões Utilizando Processamento Digital de Imagem

Transcrição

1 ARTIGO Medição da Altura das Cunhas de Fricção dos Vagões Utilizando Processamento Digital de Imagem Leonardo Borges de Castro 1 *, Dr. João Marques Salomão 2 e Me. Douglas Almonfrey 2 1 VALE - Engenharia Ferroviária, Av. Dante Michelini 5500, , Vitória ES 2 IFES - Departamento de Engenharia Elétrica, Av. Vitória 1729, , Vitória -ES s: castro.b.leonardo@gmail.com, salomao@ifes.edu.br, dalmonfrey@ifes.edu.br. Resumo A utilização de tecnologias para inspeção automática de ativos está em franca expansão no mercado em geral, proporcionando ganhos significativos na produtividade das equipes de manutenção e consequentemente redução dos custos operacionais das empresas, além de ganhos relacionados à qualidade das inspeções. No setor ferroviário, estes ganhos são potencializados, uma vez que existe grande quantidade de ativos móveis, e os ativos fixos estão distribuídos por longas extensões geográficas, abrindo espaço para implantação de tecnologias inteligentes de monitoramento remoto e automático, reduzindo assim, o emprego de mão de obra para inspeção dos ativos ao longo da ferrovia, além de proporcionar ganhos de qualidade nos procedimentos de inspeção e melhoria na segurança operacional da ferrovia. Neste trabalho, foram aplicadas técnicas de processamento digital de imagens e visão computacional para realizar a medição automática de altura das cunhas de fricção dos vagões ferroviários, componente este muito importante para garantir a estabilidade dos vagões, uma vez que estas cunhas trabalham fazendo o amortecimento da suspensão vertical e horizontal dos truques. Em função do desgaste natural destas cunhas, observado pelo aumento da sua altura em relação a travessa do truque, reduz-se a capacidade de amortecimento da suspensão, podendo assim, provocar acidentes ferroviários. Utilizando imagens dos truques dos vagões, coletadas em ambiente operacional, foram aplicadas técnicas para melhoria da nitidez das imagens e valorização dos objetos de interesse. Utilizando os métodos de processamento digital de imagens, tais como, tratamentos morfológicos, binarização e criação das imagens de bordas dos truques, foi possível aplicar heurísticas matemáticas para localização de elementos na imagem dos truques, de forma a facilitar a localização do topo das cunhas, bem como, a face superior da travessa, calculando assim a altura das cunhas a partir de prévia calibração do sistema. No ambiente de prototipagem, os resultados chegaram a uma taxa de acerto da ordem de 88% na localização dos objetos na imagem dos truques. Assim, foi possível concluir que a aplicação destas técnicas de processamento de imagens podem ser evoluídas para o uso em ambiente operacional, bem como, desenvolvidas novas funcionalidades para auxiliar na inspeção dos ativos ferroviários. Palavras-Chaves: Vagões; Cunhas de Fricção; Processamento Digital de Imagens.

2 1. INTRODUÇÃO Cunhas de fricção nos truques dos vagões ferroviários funcionam como amortecedores, trabalhando pressionadas contra as superfícies de desgaste das laterais e da travessa, através de mola inferior, conforme definido por KINA (2013), assim as cunhas, chapas laterais e chapas da bolsa da travessa, se desgastam com o uso. Este desgaste provoca redução da capacidade de amortecimento da suspensão e, como consequência, a redução na habilidade de passar sobre imperfeições de linha, podendo causar acidentes ferroviários. Através da altura da cunha sobre a travessa do truque, é possível observar o nível de desgaste destes componentes, e esta inspeção é realizada de forma visual pelos técnicos de manutenção de vagões, ou utilizando de gabaritos para avaliação rápida das boas condições deste item. Assim, é possível observar que as cunhas de fricção estão sempre visíveis, permitindo sua observação por um sistema automático de inspeção e medição da sua altura, conforme apresentado na figura 1. Figura 1. Altura das Cunhas de Fricção (Elab. Atualmente, as atividades de inspeção das cunhas dos vagões é feita em toda a frota de vagões de minério de ferro, na saída dos viradores que se encontram nos portos. Os técnicos inspecionam visualmente vários componentes dos vagões, dentre eles as cunhas de fricção, durante um curto espaço de tempo do vagão parado (tempo de posicionamento e giro do virador). Com um sistema automático de inspeção seria possível: reduzir os recursos utilizados nas atividades de inspeção; inspecionar os vagões nas regiões de interface com outras ferrovias, aumentando a segurança das operações ferroviárias; melhorar a qualidade das inspeções; reduzir os custos de manutenção; aumentar a segurança operacional da ferrovia e aumentar a disponibilidade dos vagões. 2. OBJETIVO O objetivo deste trabalho é propor e aplicar um método para inspeção automática da altura das cunhas de fricção de vagões ferroviários, parados, a partir de um banco de imagens dos truques destes vagões, coletados previamente. Desta forma, será possível: Analisar a atividade de inspeção do truque dos vagões por fotos, formando uma base de imagens para estudo; Aplicar técnicas de processamento digital de imagens para criar a imagem de bordas do conjunto dos truques; Aplicar heurísticas computacionais para identificar a posição das cunhas na imagem; Calibrar a câmera e calcular a altura das cunhas, mostrando nas imagens; 3. ESTADO DA ARTE Para o desenvolvimento deste trabalho foram empregados métodos relacionados as áreas de processamento digital de imagens, localização e extração de objetos em imagens. Uma das técnicas a se destacar no campo de processamento de imagens digitais são os procedimentos de equalização de histograma, que compõe os métodos de transformações de intensidades. A manipulação de histograma podem ser utilizadas para realce das imagens. Uma imagem com baixo contrate possui o seu histograma de intensidade de pixels localizado no meio da escala. Em contrapartida uma imagem de alto contraste cobre uma escala bem ampla de intensidades, sendo a distribuição dos pixels quase uniforme, conforme destacado por GONZALEZ (2010). Para separação das regiões de interesse na imagem, existem as técnicas de segmentação, dentre as quais a limiarização se mostra umas das mais viáveis, devido suas propriedades intuitivas, simplicidade de implementação e velocidade computacional, conforme destacado por GONZALEZ (2010, p. 486). Esta técnica se trata basicamente de definir um limiar para que seja criada uma imagem de apenas duas intensidades (binária), em que os pixels abaixo do limiar assumem um dos

3 valores binários e os acima do limiar assumem o outro valor. Outras técnicas importantes apresentadas por GONZALEZ (2010) são os métodos de filtros espaciais, muito utilizados em processamento de imagens para realce de imagens. O filtro consiste em uma vizinhança de pixels e uma operação predefinida realizada sobre os pixels da imagem incluídos na vizinhança, criando um novo pixel com coordenadas iguais às coordenadas do centro da vizinhança, com o valor do resultado da operação. Assim é feito com que a máscara de operações percorra toda a imagem, gerando uma nova imagem filtrada. Um filtro espacial que devemos destacar é o filtro de borramento, para redução de ruídos, retirada de detalhes irrelevantes, ou seja, regiões da imagem menores que o tamanho da máscara. Existem ainda as técnicas para tratamento morfológico das imagens. Operações como dilatação, erosão, abertura, fechamento e extração de fronteiras, são técnicas muito utilizadas no tratamento de imagens binárias, pois permite destacar bem objetos, o qual, se bem identificado o formato do objeto de interesse, pode facilitar a aplicação das demais técnicas heurísticas para localização e extração, bem como classificação dos objetos. Um operador muito utilizado é a função edge no Matlab, que por padrão realiza a detecção de bordas utilizando o método de Sobel. Este método calcula o gradiente da intensidade em cada ponto, dando a direção da maior variação de claro para escuro, permitindo assim a detecção das bordas. Para a solução do problema motivador deste trabalho, também serão utilizados métodos baseados em heurísticas como, por exemplo, técnicas para extração de caracteres, conforme apresentado por JESUS (2014). Métodos estes que ajudam a realizar a localização e segmentação dos caracteres. Segundo JESUS (2014), nas regiões com alta incidência de pixels, tanto referenciadas a colunas, como as linhas, é possível encontrar a variância dos pixels ao longo do conjunto de linhas ou colunas, permitindo assim a criação de gráficos em que seus picos podem representar as posições de interesse dos caracteres na imagem, conforme ilustrado na figura 2. Figura 2. Extração de Caracteres em Barra de Aço (JESUS, 2014) Segundo JESUS (2014), para a aplicação de extração de caracteres, o método utilizando heurísticas conseguiu um índice de acerto de 75,5%, e retirando as imagens com interferência severa, ou seja, imagens com variações bruscas de iluminação e tonalidade, o índice de acerto sobe para 93,8% se comparado com o sistema visual humano. 4. MATERIAIS E MÉTODOS Para este trabalho, foram definidas as seguintes premissas, de forma a focar na solução do problema: Formação do Banco de Imagens utilizando câmera portátil de uso comum; Fotos coletadas com o equipamento parado, evitando borramentos nas imagens; As imagens foram coletadas a partir de uma posição conhecida da câmera, através do uso de tripés, com o truque não necessariamente centralizado. Para o desenvolvimento do código foi utilizado o software Matlab ; Fotos, em 10 mega pixels, coloridas; Recursos automáticos de foco e zoom desabilitados; Maioria das fotos realizadas durante o dia, com flash; Câmera posicionada em apenas um dos lados dos vagões; Para medir a altura das cunhas de fricção esquerda e direita dos truques dos vagões ferroviários, que é o problema proposto neste trabalho, o problema foi dividido em etapas, definidas conforme apresentado na figura 3. Estas são as etapas clássicas de processamento de imagens muito comuns a sistemas de inspeção e monitoramento automatizado, mas com as devidas particularidades para solução do problema proposto. No primeiro momento foi construída a base de dados para o trabalho, sendo esta uma base estática, a qual foi reservado um gru-

4 po de imagens para testes finais. Em seguida, foram aplicadas técnicas de processamento digital de imagens, para melhor destaque dos elementos de interesse na imagem. Na sequencia, foi desenvolvida as localizações dos objetos importantes para medição da altura (em pixel), e finalmente o cálculo da altura em milímetro. Figura 3. Etapas para Cálculo da Altura das Cunhas (Elab. É importante destacar que este trabalho não focou na precisão da medição, mas sim na assertividade de localização dos objetos para permitir a medição da altura, considerando sucesso quando for possível realizar a medição. Fase 1 - Captura das Imagens Nesta primeira fase, foi estabelecido um procedimento para efetuar a coleta das informações em campo, pois o método proposto é sensível a variações na cena, como luminosidade e exposição à poeira. A formação do banco de imagens foi realizada tendo como referência o enquadramento apresentado na figura 4. Para definir este padrão de captura das imagens foram coletadas fotos em diversas condições de luz e realizado o tratamento de imagens para observar as condições que seriam implementadas no código. Assim, formou-se uma base de 63 imagens para desenvolver o método proposto no trabalho, sendo as 10 últimas imagens reservadas para simulação. Fase 2 - Detecção de Bordas (Processamento Digital de Imagens) Nesta fase, iniciou o tratamento das imagens, de forma a obter uma imagem de bordas que melhor contornasse as cunhas de fricção dos truques. Assim, foram estabelecidos os passos apresentados na figura 5. A partir da imagem original RGB (a), a mesma foi convertida em uma imagem em tons de cinza (b), permitindo a aplicação dos procedimentos de binarização. Em seguida, foi equalizado o histograma (c) da imagem em tons de cinza, posteriormente realizada a binarização (d), através de um limiar fixo, de 0,50, número este que foi determinado segundo diversas simulações de todo este processo de detecção das bordas do conjunto, escolhendo o limiar que melhor valorizasse as cunhas. Feito isso, foram aplicados alguns tratamentos morfológicos, de dilatação seguida de erosão (e), com máscara tipo "disk", tamanho 9, e aplicado um filtro de média, com máscara 20x20, a fim de suavizar a imagem. Após os processamentos digitais iniciais, foi aplicado um método de detecção de bordas pela função edge do Matlab, obtendo assim a etapa (f) da figura 5, e em seguida, aplicado um novo tratamento morfológico, de dilatação (g), agora um "disk" tamanho 5. Assim seguiu-se para a fase 3, para iniciar a localização dos objetos na imagem, partindo da localização horizontal. Figura 4. Enquadramento das Imagens dos Truques (Elab. Figura 5: (a) Imagem Original; (b) Imagem Tons de Cinza; (c) Equalização do Histograma;

5 (d) Binarização Limiar 0.5; (e) Dilatação, Erosão e Filtro Média; (f) Detecção Bordas; (g) Realce das Bordas; (h) Recorte Região dos Truques (Elab. Fase 3 - Localização Horizontal Para a localização horizontal dos truques foi observado que no gráfico de variância dos pixels, coluna a coluna, existe uma elevada variação nos pixels na região das molas dos truques. Assim, definiu-se essa referência (região das molas) como elemento de localização horizontal, ou, indexação horizontal das imagens. Na figura 6, é possível observar a imagem de bordas com o gráfico de variância coluna a coluna, acima da imagem. A região indicada como "a", na figura 6, mostra a região com um patamar mais constante e elevados valores de variância dos pixels, coluna a coluna, da imagem de bordas. Esse patamar, que indica a região das molas, é sempre caracterizado por um vale centralizado, indicando uma região de baixa variância dos pixels. Esta região de "vale" coincide exatamente com a posição entre molas, local este, com poucos pixels claros. Teste 2: diferencial do pixel (h) em relação ao anterior (h-1), menor que este pixel (h-1) pelo seu anterior (h-2), em módulo; Cálculo da Média Parcial: quando satisfeitos os Testes 1 e 2, faz-se a média parcial dos 10 pixels na vizinhança do pixel (h); Se o valor do pixel (h) estiver entre mais ou menos 1% da média parcial, será caracterizado como um possível pixel na região das molas. Assim, é possível criar o gráfico apresentado na figura 21, o qual representa a posição dos possíveis pixels da região de molas. Neste vetor de posições é aplicada a mediana, para definir um ponto que esteja contido na região das molas. Figura 7. Posições com potencial de ser a região das molas(elab. A partir deste valor de referência (mediana das posições), é possível estabelecer uma janela onde provavelmente encontra-se o "vale" entre as molas. Assim, definiu-se uma janela de 140 pixels, para ambos os lados deste ponto de mediana. Dentro desta janela de 280 pixels, procurase pela posição cujo valor é o mínimo, caracterizando a posição do "vale", ou seja, a posição de entre molas. Figura 6. (a) Região das Molas; (b) Vale entre molas; (c) Linha de Referência da Localização Horizontal (Elab. Assim, foi estabelecido um algoritmo que identifique a região do patamar e do vale entre as molas. Este método considera os seguintes cálculos: Cálculo da Média Total do Gráfico; Teste 1: sequencial de 10 valores acima da média total do gráfico; Fase 4 - Localização do Vertical O objetivo desta fase é localizar o topo das molas, permitindo assim uma localização mais fina na plataforma superior da travessa do truque. Deste modo, para esta fase são traçadas linhas verticais de referência para ambos os lados da posição entre as molas, com relação a eixo "x". Na Erro! Fonte de referência não encontrada., é possível observar as duas linhas verticais traçadas para ambos os lados, estas linhas foram definidas como posições fixas e configuráveis, a partir da posi-

6 ção entre molas encontrada no passo anterior. Neste caso, definiu-se 50 pixels para ambos os lados. A partir destas linhas verticais, foram criados os vetores variância dos pixels, para ambos os lados da região entre as molas, e, observado que os elos das molas possuem espaçamentos bem definidos e repetitivos (com dimensão entre 5 e 46 pixels). Assim, é possível determinar o topo das molas como sendo o início desta região, ou seja, quando for encontrado uma sequência de três valores de posição, em que o diferencial do pixel (h+1) em relação ao pixel (h) for maior que 5 e menor que 46, caracteriza-se como início da região dos elos das molas. Fase 5 - Localização da Referência Inferior de Altura das Cunhas De posse das informações dos passos anteriores: posição de entre molas e posição do topo das molas, faz-se uma janela com o recorte da região das cunhas, conforme figura 10. Nesta fase, o objetivo é encontrar a referência inferior de altura das cunhas, ou seja, o patamar superior da travessa dos truques. Figura 10. Recorte Região das Cunhas (Elab. Assim, é aplicado novo tratamento das imagens, aplicando os métodos de erosão, dilatação e definição de bordas, conforme apresentado nos passos definidos na Erro! Fonte de referência não encontrada. Figura 8. Localização do Topo das Molas (Elab. Repetindo este procedimento em 5 colunas de vetor variância dos pixels à esquerda do entre molas, e em 5 colunas à direita da posição entre molas, é possível confirmar melhor a posição de topo das molas. Desta forma, é possível traçar na figura original as linhas verdes, que indicam a posição encontrada para a região entre as molas e, também, o topo das molas, conforme observado na figura 9. Figura 11. (a) Imagem Original; (b) Binarização; (c) Dilatação; (d) Erosão; (e) Imagem de Bordas (Elab. De posse da imagem de bordas do recorte da região das cunhas (e), é possível estabelecer uma janela de busca das linhas horizontais que representam a espessura da travessa. A região delimitada para esta busca está representada entre as linhas verticais vermelhas da figura 12. Figura 9. Linhas de Referência de Entre Molas e Topo das Molas (Elab.

7 Figura 12. Região de Busca da Travessa (Elab. Assim, é possível gerar a imagem da Erro! Fonte de referência não encontrada., que mostra uma linha verde referenciando a posição superior da travessa, encontrado pelo código Figura 15. Linhas de Localização do Patamar Superior das Cunhas (Elab. Figura 13. Localização do Topo da Travessa (Elab. Em seguida, prossegue-se com a localização do patamar superior das cunhas esquerda e direita. Fase 6 - Localização da Referência Superior das Cunhas A figura 14Erro! Fonte de referência não encontrada. ilustra o método desta etapa. Foram criadas janelas entre as linhas vermelhas para localização da parte superior das cunhas. A partir destas janelas, fez-se o vetor com a soma das linhas de cada recorte das cunhas. Neste vetor é possível identificar dois picos, sendo o maior mostrando a linha superior da lateral do truque, e o segundo maior valor, mostra a linha de topo das cunhas. Fase 7 - Cálculo da Altura das Cunhas Para cálculo da altura das cunhas, será considerado como referência o dimensional da vista frontal da travessa dos truques, conforme apresentado na figura 16. O valor de 696 pixels representa 444,5 em milímetros da medida real da travessa, ou seja, 17,5 polegadas, conforme informado pelo fabricante do componente. De posse deste valor como referência para calibração, é possível determinar o fator de conversão pixel para milímetros da imagem analisada. A calibração será feita de forma fixa, ou seja, não se trata de uma auto calibração durante o processo de medição automática. Mas poderão ser propostos métodos para autocalibração em trabalhos futuros, uma vez que boa parte dos componentes dos truques não possui grande variação dimensional entre vagões. Figura 16. Cálculo da Altura das Cunhas (Elab. Figura 14. Vetor Somatório das Linhas das Cunhas Esquerda e Direita (Elab. pelo Autor, 2015) Assim é possível inferir que o segundo maior pico representa a posição de altura das cunhas. Na figura 15, foram criadas as linhas verdes, indicando a posição localizada para a altura das cunhas. Neta figura 16, é possível observar as informações necessárias para o cálculo da altura das cunhas. De posse da posição das linhas verdes, é possível fazer o cálculo considerando que a altura das cunhas esquerda e direita seja a diferença das posições encontradas do topo das cunhas, em relação ao patamar superior das travessas, representado pelas setas vermelhas. Em seguida, será feita a multiplicação pelo fator de calibração para se obter o valor de altura das cunhas em milímetros. Fazendo a divisão do valor em milímetros, temos o fator de calibração de 444,5 mm dividido por 696 pixels, o que resulta em 0,63 milí-

8 metros por pixel. Multiplicando este fator de 0,63 pelo valor da altura da cunha encontrado em pixel, tem-se a altura da cunha em milímetros. Na figura 17 é possível ver uma representação da medição da altura das cunhas esquerda e direita em uma imagem de resultado do processamento no Matlab. Figura 17. Cálculo da Altura das Cunhas - Imagem Final Matlab (Elab. 5. EXPERIMENTOS E RESULTADOS Com base no método e premissas apresentadas, 62 imagens foram utilizadas para criação do código para solução do problema em questão. Após diversas simulações e testes, foi necessário realizar simplificações no código, bem como, avaliação de erros apresentados fase a fase do método proposto. Assim, foi possível obter os resultados apresentados na Erro! Fonte de referência não encontrada. Foi possível observar que o método desenvolvido é bem sensível às variações das condições de iluminação do ambiente e, também, à qualidade das imagens coletadas, necessitando de ajustes adequados na técnica de limiarização. Durante o desenvolvimento, foram implementadas correções e melhorias no método, tais como: busca do topo das molas apenas pelo lado esquerdo da linha de entre molas; alterações no limiar de binarização; alterações nas janelas de busca da posição de entre molas; alteração da localização das regiões mais prováveis de ser região das molas, antes feita pela média e alterada para serem feitas pela mediana; dentre outras alterações. Com estes ajustes foi possível sair de uma média de acertos das fases de 50% para 88%, obtendo assim os resultados apresentados na tabela 1. Ficou evidente que este método está sujeito a erros propagados entre as fases, ou seja, erros na fase 1, por exemplo, levam a erros nas fases seguintes, pois as fases dependem de informações da sua antecessora, deixando assim, esta técnica frágil. Para trabalhos futuros, poderão ser estudados métodos mais robustos, onde as fases possam confirmar as localizações dos objetos, e não apenas complementar, como está desenhado neste código. Um exemplo de erro na primeira fase é possível observar na imagem binária apresentada na figura 18. Tabela 1. Resultados por Fases (Elab. pelo Autor, 2015) Base Desenvolvimentos Base Simulação Fase 1 Fase 2 Índice de Acerto Fase 3 Fase 4 Fase 5 Total 96% 96% 94% 79% 85% 90% 80% 90% 80% 70% 60% 76% Total 94% 95% 92% 77% 81% 88% Desta forma, podemos observar que as fases iniciais apresentam resultados de sucesso na localização dos objetos acima de 90%, enquanto que a localização do patamar das cunhas ficou em 77% para as cunhas esquerdas e 81% para as cunhas direitas. Figura 18. Erro na localização das molas (Elab. Em função da perturbação das molas traseiras ao lado da mola direita do truque, fez com que os elos desta mola direita fiquem com uma largura maior que o padrão normal (na imagem de bordas), ou seja, os elos das molas traseiras se "fundem" com os elos das molas frontais, e resulta em

9 uma mediana das possíveis regiões das molas (gráfico semelhante à figura 7) no centro da mola direita, e não efetivamente na região entre as molas, causando o erro de localização horizontal. É importante destacar que novas heurísticas podem ser implementadas para complementar as técnicas apresentadas no trabalho, de forma a reduzir os erros. Para isto, é necessário continuar com as análises individuais de cada erro, permitindo, assim, implementar novas rotinas que evitem a localização indevida. Por outro lado, a técnica apresentada se mostrou eficiente na localização dos componentes, uma vez que não demanda grande quantidade de recurso computacional, e conseguiu boa eficiência em se tratando de imagens de baixa qualidade, ou seja, com grandes perturbações do ambiente, foco deficiente, sem tratamento de exposição à luz no local, bem como coletadas com equipamento não especificado para este tipo de aplicação. Outro fator importante a destacar é o desempenho do código. No ambiente de programação Matlab, o desempenho para gerar a figura 17 foi de aproximadamente 7 segundos por quadro. Retirando as etapas de processamento na imagem final, ou seja, não gerar as linhas de referência na figura 17, bem como exibir o valor da altura calculada na imagem, deixando apenas os valores de altura mostrados no ambiente command window do Matlab, o desempenho do código melhora para aproximadamente 5,8 segundos por quadro. 6. CONCLUSÕES Com este trabalho foi possível aplicar os conceitos de processamento digital de imagens em um caso prático, e também, avaliar o uso de heurísticas matemáticas para solução de problemas de localização de objetos e coleta de parâmetros de interesse nas imagens digitais. Com a evolução dos métodos e disseminação do conhecimento relacionado à visão computacional, está sendo possível expandir sua utilização na indústria como um todo, seja como desenvolvimento de novas tecnologias, seja como capacitação para manutenção dos sistemas adquiridos nestas companhias. Trata-se ainda de um movimento tímido de implantação de tecnologias relacionadas a este tema, mas já é observado o grande potencial de aplicação, uma vez que os sensores e códigos estão sendo cada vez mais aprimorados e popularizados, associado à inúmeras tarefas de inspeção realizadas pelos técnicos de manutenção. Com este tipo de tecnologia, serão possíveis ganhos expressivos de produtividade, em relação aos métodos atuais utilizados para inspeção, bem como adicionar qualidade nesta atividade. Para as ferrovias, este ganho é potencializado, uma vez que se trata de elevado número de equipamentos móveis e com grande dispersão geográfica, criando um campo fértil para desenvolvimento destas técnicas de visão computacional, sendo possível inspecionar todo o parque de ativos, desde a linha férrea até os materiais rodantes. A aplicação deste método baseado em heurística, por um lado, se mostrou adequado, permitindo bons resultados em se tratando de imagens de baixa qualidade, mas por outro lado, apresentou certo nível de sensibilidade a erros e propagação destes erros. Variações pequenas no procedimento de binarização podem levar a erros em todas as fases, sabendo-se também que erros nas fases iniciais propagam-se para as fases seguintes, uma vez que estas dependem de informações da fase antecessora. Este trabalho também abre espaço para a pesquisa de novos métodos, que permitam ser comparados com o desempenho deste, buscando assim um aperfeiçoamento da técnica, podendo chegar a um nível que possa ser implementado em ambiente operacional, de forma a gerar os ganhos relacionados à segurança dos vagões e melhor produtividade da inspeção. Como trabalhos futuros, poderão ser melhorados os métodos apresentados neste trabalho, reduzindo sua taxa de erro, bem como realizar a medição de precisão da informação gerada pelo código, ou seja, qual o erro da medição gerada, em milímetros. E também poderá ser implementada técnicas de classificação, permitindo a comparação dos métodos, e a utilização de outras tecnologias para captura das imagens como, por exemplo, câmeras estéreo, sendo possível diferenciar as cunhas pelo tratamento de profundidade na região das cunhas.

10 Finalmente, foi possível concluir o trabalho de medição da altura das cunhas de fricção nos truques dos vagões ferroviários, utilizando de técnicas simples de processamento de imagens e heurísticas matemáticas, para gerar a informação de altura das cunhas de fricção dos vagões ferroviários. 7. REFERÊNCIAS BIBLIOGRÁFICAS GONZALEZ, Rafael C.; WOODS, Richard E. Processamento digital de imagens. 3. ed. São Paulo: Pearson Prentice Hall p. JESUS, Rogério Eleotério. Rastreamento, Segmentação e Classificação de Caracteres em Placas de Aço f. Trabalho de Conclusão de Curso (Pós-Graduação Lato Sensu em Engenharia Elétrica com Ênfase em Sistemas Inteligentes Aplicados à Automação) - Instituto Federal do Espírito Santo, Vitória, KINA, Edilson Jun. Concepção e Manutenção de Vagões f. Apostila do Curso de Engenharia Ferroviária, Multivix / Vale, Vitória, 2014.