Sistema de classificação de tecidos para a indústria automóvel, uma abordagem baseada em aprendizagem

Abstract

O objectivo deste trabalho é a classificação, em tempo-real, de tecidos da indústria automóvel sob condições de iluminação não-controlada. Foram estudadas e analisadas diversas técnicas de pré-processamento e de escolha das características de textura mais adequadas para o problema. Ao nível do préprocessamento, a solução obtida utiliza processos de equalização do histograma, de aplicação de filtros de Laws e Sobel, e de análise multi-escala. O vector final de características das imagens compreende características estatísticas relativas aos histogramas dos 3 canais de cor e relativas às matrizes de co-ocorrência das imagens préprocessadas. A classificação foi realizada usando o algoritmo de Máquinas de Suporte Vectorial (SVM – Support Vector Machines). Alguns processos industriais não possibilitam o controlo eficaz da iluminação para os seus sistemas de visão, prejudicando muito a eficácia dos mesmos. A possibilidade de ultrapassar esses problemas com técnicas adequadas de pré-processamento e de escolha de características permitirá aumentar a eficácia dos sistemas de visão industrial, com claros ganhos produtivos e, consequentemente, económicos. Foram testadas um conjunto de amostras com grande variabilidade de condições de luz, de forma a simular o ambiente industrial com condições não ideais de luz. A solução encontrada apresentou taxas de sucesso de classificação de 100%, usando um algoritmo muito rápido e robusto.

The aim of this work is the classification, in real-time, of fabric texture for the auto industry, under uncontrolled illumination. It was studied and analyzed various preprocessing techniques and the choice of the most appropriate texture characteristics for our case study. In terms of preprocessing, the obtained solution uses histogram equalization, Laws and Sobel filters, and multi-scale analysis. The final characteristics’ vector of the images includes statistics’ features of the 3 color channels’ histograms and of the co-occurrence matrices taken from the preprocessed images. The classification was carried out using the algorithm Support Vector Machines (SVM). Some industrial processes do not permit effective control of illumination for their vision systems, hindering their effectiveness. The ability to overcome these problems with suitable techniques of preprocessing and choice of characteristics will increase the efficiency of industrial vision systems, with obvious production gains and thus economical. It was tested a set of samples with great variability of illumination conditions in order to simulate the industrial environment with non-ideal illumination conditions. The solution presented classification’s success rates of 100% using a very fast and robust algorithm.