Por:
Hindawi Publishing Corporation
|
Fecha:
2016
La inspección basada en visión se ha aplicado para el control de calidad y la clasificación de productos en los procesos de fabricación. Los objetos borrosos o múltiples son causas habituales del bajo rendimiento de los sistemas convencionales de inspección por visión. La detección de objetos híbridos borrosos o múltiples ha sido durante mucho tiempo un reto en la fabricación. Por ejemplo, los algoritmos basados en una sola característica podrían no extraer exactamente las características cuando se detectan simultáneamente objetos híbridos borrosos/múltiples. Por lo tanto, para resolver este problema, este estudio propone un nuevo algoritmo de inspección basado en la visión que implica la selección de un método dinámico basado en características sobre la base de un multiclasificador de máquinas de vectores de soporte (SVM) para inspeccionar imágenes de objetos híbridos borrosos/múltiples. El algoritmo propuesto selecciona dinámicamente esquemas de inspección adecuados para clasificar las imágenes híbridas. Los esquemas de inspección incluyen la transformada wavelet discreta, la transformada wavelet esférica, invariantes de momento y métodos de clasificación basados en descriptores de bordes. Los métodos de clasificación de objetos individuales y múltiples se basan, respectivamente, en enfoques de aprendizaje basados en el crecimiento adaptativo de regiones (ARG) y en el crecimiento adaptativo local de regiones (LARG). Los resultados experimentales demuestran que el algoritmo propuesto puede seleccionar dinámicamente esquemas de inspección adecuados aplicando un algoritmo de selección, que utiliza SVMs para clasificar muestras híbridas de objetos borrosos/múltiples. Además, el método aplica esquemas basados en características adecuadas en función de los resultados de la clasificación para emplear el método basado en ARG/LARG para inspeccionar los objetos híbridos. El método mejora los métodos convencionales de inspección de objetos híbridos borrosos/múltiples y consigue altas tasas de reconocimiento en procesos de fabricación.
