Publicado 2012-06-15
Palabras clave
- Visión artificial,
- cilindros de gas,
- códigos,
- seriales,
- redes neuronales artificiales
- Hopfield ...Más
Cómo citar
Resumen
Las compañías que se dedican a la fabricación, comercialización y mantenimiento de cilindros para el gas licuado de petróleo en Colombia, estampan en placas de acero y soldadas al producto un código serial único para ser identificado dentro del parque de cilindros del país. Actualmente el proceso de identificación es manual y se revisan aproximadamente 7000 cilindros al día en una sola fábrica. El objetivo principal de este documento es presentar un sistema de visión artificial que utiliza redes neuronales artificiales para reconocer dicho código. Este sistema se compone físicamente de un dispositivo portátil de ambiente controlado en iluminación y escena para la adquisición de las imágenes. Otro componente del sistema es el ajuste de la imagen. El ajuste se realiza a partir de filtros de mediana, binarización, etiqueta, y segmentación; este procesamiento permite obtener mayor información significativa y discriminación de la imagen. Por último el componente inteligente para la identificación se realiza con redes neuronales artificiales tipo Hopfield y un algoritmo que verifica la evolución del reconocimiento de la imagen. La efectividad del sistema se reporta con los resultados experimentales obtenidos con base al error con una cantidad significativa de muestras.
Descargas
Referencias
- Cilindros de acero con costura para gases licuados de petróleo -glp- con capacidad desde 5 kg incluido, hasta 46 kg excluido. NTC 522-1. 2003
- J. Villanueva y S. Córdova, “Sistema de visión artificial”, Universidad de San Martin de Porres, Peru 2010.
- Rosenbluth, A. E.; Progler, C.; Fullenbaum, M.,” Confocal filtering of the instantaneous image in scanned darkfield alignment,” Journal of Vacuum Science & Technology B: Microelectronics and Nanometer Structures, vol 11, pp. 2183 - 2190 Nov 1993.
- C. Solomon, T. Breckson, Fundamentals of Digital Image Processing: A Practical Approach with Examples in MATLAB, John Wiley & Sons, Inc., USA, 2011.
- Gonzalez, Word, Eddins; Digital Image Processing Using Matlab, 2 ed, 2002.
- M. Rao, S. Bopardikar. Wavelet Transforms: Introduction to Theory and Applications. Addison-Wesley, USA ,1998.
- Weeks Michael; Digital signal processing using MATLAB and Wavelets. [8] Majid Rabbani; Wavelet Compression and the JPEG2000 Standard; Eastman Kodad Research Laboratories; 2003.
- O. Medina, D. Mery,”Inspeccion visual automática de botellas de vino usa adaptada”. Encuentro Chileno de Ciencias de la Computación, 3-8 Noviembre, Chillán. 2003.
- J. Esqueda, L., Palafox, Fundamentos de Procesamiento de Imágenes, Universidad Autónoma de Baja California. Departamento de Editorial Universitaria, México. 2005.
- C. Gonzales; R. Woods, Tratamiento digital de señales, Addison-Wesley Iberoamerica, S.A / Ediciones Díaz de Santos; 1992.
- Otsu, N., “A Threshold Selection Method from Gray-Level Histograms,” IEEE Transactions on Systems, Man, and Cybernetics, Vol. 9, No. 1, pp. 62-66. 1979.
- J. Freixenet. “Operaciones morfológicas” Computer Vision and Robotic Group. Universitat de Girona. España 2011.
- M. Balbuena, Recuperación rápida de imágenes mediante memorias asociativa, M. Ing. Tésis, México, Dic, 2008.
- Haralick M., G. Shapiro, Computer and Robot Vision, Volume I, Addison-Wesley, pp. 28-48. 1992.
- A. Mirzaei, R. Safabakhsh, Optimal matching by the transiently chaotic neural network, Applied Soft Computing, Volume 9, Issue 3, pp 863-873, 2009
- M. Seow, H. Ngo, Vijayan K. Asari, Systolic implementation of 2D block-based Hopfield neural network for efficient pattern association, Microprocessors and Microsystems, Volume 27, Issue 8, pp 359-366, 2003
- X. Dou; F. Song “Based on discrete Hopfield neural network and wavelet transform character recognition” IEEE - Electric Information and Control Engineering (ICEICE), 2011 International Conference on, Tangshan, China 2011.