View
8
Download
0
Category
Preview:
Citation preview
DESARROLLO DE UNA PLATAFORMA PARA LA ACTUALIZACIÓN AUTOMÁTICA DE
INVENTARIOS DEL SISTEMA DE ALMACENAMIENTO AUTOMÁTICO AS/RS DEL
CENTRO TECNOLÓGICO DE AUTOMATIZACIÓN INDUSTRIAL CTAI
MELISSA LAURENCE
JOSE MANUEL TOBÓN
PONTIFICIA UNIVERSIDAD JAVERIANA
FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA INDUSTRIAL
BOGOTÁ DC
2013
DESARROLLO DE UNA PLATAFORMA PARA LA ACTUALIZACIÓN AUTOMÁTICA DE
INVENTARIOS DEL SISTEMA DE ALMACENAMIENTO AUTOMÁTICO AS/RS DEL
CENTRO TECNOLÓGICO DE AUTOMATIZACIÓN INDUSTRIAL CTAI
MELISSA LAURENCE
JOSE MANUEL TOBÓN
Trabajo de Grado
DIRECTOR
SERGIO RAMIRO GONZÁLEZ
Ingeniero Electrónico
PONTIFICIA UNIVERSIDAD JAVERIANA
FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA INDUSTRIAL
BOGOTÁ DC
2013
Nota de aceptación:
________________________
________________________
________________________
________________________
____________________________
Firma del jurado
____________________________
Firma del jurado
Bogotá D.C., 2013
A nuestros padres, por el apoyo incondicional, por creer en nuestras capacidades y por él
constante impulso a conseguir nuestros objetivos y dar lo mejor de nosotros.
AGRADECIMIENTOS
Gracias a todas las personas que participaron en este proyecto o hicieron posible este
trabajo.
Gracias al Ing. Sergio González, quien asumió como director de tesis.
A los ayudantes, directivos y profesores del CTAI, por la ayuda prestada, los permisos
concedidos, la asesoría brindada y por la confianza depositada en nosotros.
A todos GRACIAS.
TABLA DE CONTENIDO
1.0 INTRODUCCIÓN .................................................................................................................. 10
2.0 FORMULACIÓN .......................................................................................................................... 12
3.0 OBJETIVOS ................................................................................................................................ 15
3.1 Objetivo General: ..................................................................................................................... 15
3.2 Objetivos Específicos .............................................................................................................. 15
4.0 MARCO TEÓRICO ..................................................................................................................... 16
4.1 SISTEMAS DE MANUFACTURA FLEXIBLE ........................................................................ 16
4.2 SISTEMAS DE ALMACENAMIENTO ..................................................................................... 17
4.2.1 SISTEMA DE ALMACENAMIENTO-ASRS (Automatic Storage and Retrieval System) . 19
4.3 SISTEMA DE VISIÓN ARTIFICIAL ......................................................................................... 20
4.3.1 DESARROLLOS DE VISIÓN ARTIFICIAL EN LA INDUSTRIA ....................................... 21
4. 3.2 DESARROLLOS SIMILARES DE PROYECTOS DE VISION ARTIFICIAL .................... 22
4.4 PROCESAMIENTO DIGITAL DE IMÁGENES ........................................................................ 23
4.4.1 Procesamiento digital ....................................................................................................... 23
4.4.2 Espacios de color:............................................................................................................. 24
4.1.3 Reconocimiento de imágenes con Labview: .................................................................... 26
5.0 ANÁLISIS SITUACIÓN ACTUAL ................................................................................................ 28
5.1 Recursos Actuales: .................................................................................................................. 28
5.2 Situación Actual: ..................................................................................................................... 28
5.3 Tipo de materias primas: ......................................................................................................... 30
6.0 CONSTRUCCIÓN DEL MODELO DE RECONOCIMIENTO ..................................................... 32
6.1 Requerimientos del sistema: ................................................................................................... 32
6.2 Pruebas ................................................................................................................................... 32
6.3 Diseño del soporte ................................................................................................................... 35
6.4 Instalación del soporte............................................................................................................. 37
6.5 Calibración de la Cámara ........................................................................................................ 38
6.6 Filtros y máscaras iniciales ..................................................................................................... 39
6.7 Clasificación por color ............................................................................................................. 41
6.8 Determinación de las regiones de interés ............................................................................... 42
6.9 Generación de la Interfaz en LabVIEW® ................................................................................ 45
7.0 PLAN DE PRUEBAS ................................................................................................................... 47
8.0 INTEGRACIÓN DEL SISTEMA ....................................................................................................0
9.0 COSTO BENEFICIO DEL PROYECTO .........................................................................................0
10. CONCLUSIONES ..........................................................................................................................0
11. RECOMENDACIONES ..................................................................................................................2
12. GLOSARIO ....................................................................................................................................3
13. ........................................................................................................................................................4
BIBLIOGRAFÍA ....................................................................................................................................4
ANEXOS ..............................................................................................................................................8
ANEXO 1. INSTRUCTIVO DE USO PARA LA ACTUALIZACIÓN DE INVENTARIOS ...................9
ANEXO 2. CARACTERÍSTICAS CÁMARA GUPPY F-146 .......................................................... 13
ANEXO 3. PASOS PARA AGREGAR UNA MATERIA PRIMA AL SISTEMA DE
RECONOCIMIENTO ..................................................................................................................... 14
LISTA DE IMÁGENES
Imágen 1. Apilamiento. .................................................................................................... 18
Imágen 2. Estantería ....................................................................................................... 18
Imágen 3. Estantería y Compartimientos ......................................................................... 18
Imágen 4. ASRS .............................................................................................................. 19
Imágen 5. ASRS Carga de Unidad .................................................................................. 19
Imágen 6. Figura Flow Throught ...................................................................................... 20
Imágen 7. Resolución de la imagen ................................................................................. 24
Imágen 8. Saturación o intensidad ................................................................................... 25
Imágen 9. Figura Matices ................................................................................................ 25
Imágen 10. Ni Color Clasificator training .......................................................................... 27
Imágen 11.Matriz HUE..................................................................................................... 27
Imágen 12.Gráficas Resultantes ...................................................................................... 27
Imágen 13.. .................................................................................................................. 5127
Imágen 14........................................................................................................................ 27
Imágen 15.. ...................................................................................................................... 27
Imágen 16. Cambio Manual Materias Primas .................................................................. 29
Imágen 17. Resolución Cámara web ............................................................................... 33
Imágen 18. Ángulo cámara Guppy .................................................................................. 34
Imágen 19. Alcance cámara Guppy ................................................................................. 34
Imágen 20. Lente nuevo .................................................................................................. 35
Imágen 21. Primer prototipo ............................................................................................ 35
Imágen 22. Prototipo con inclinación ............................................................................... 36
Imágen 23. Soporte para la cámara ................................................................................. 36
Imágen 24. Diseño de rótula ............................................................................................ 37
Imágen 25. Instalación Soporte ....................................................................................... 37
Imágen 26. Instalación cámara ........................................................................................ 37
Imágen 27. Calibración cámara ....................................................................................... 38
Imágen 28. Clasificación materia prima ........................................................................... 40
Imágen 29. Obtención de imágen .................................................................................... 42
Imágen 30. Pallet ............................................................................................................. 46
Imágen 31. Posiciones Materia Prima. ............................................................................. 51
Imágen 32. Captura a las 9:00 a.m. ................................................................................. 51
Imágen 33. Captura a las 9:00 a.m. ................................................................................. 51
Imágen 34. Captura a las 12:00 m. .................................................................................. 51
Imágen 35. Captura a las 3:00 p.m. ................................................................................. 52
Imágen 36. Captura a las 6:00 p.m. ................................................................................. 52
Imágen 37. Pruebas de contraste .................................................................................... 52
Imágen 38. Interfaz .......................................................................................................... 54
Imágen 39. Base de Datos .............................................................................................. 55
LISTA DE FIGURAS
Figura 1. Función Mask LabView. .................................................................................... 38
Figura 2. Proceso de detección de color .......................................................................... 39
Figura 3. Patrón de comparación aluminio ....................................................................... 40
Figura 4. Ejemplo entrenamiento clasificador .................................................................. 41
Figura 5. Histograma de pixeles ...................................................................................... 42
Figura 6. Color Classification ........................................................................................... 42
Figura 7. Comparación imágenes .................................................................................... 43
Figura 8. Resultado clasificación materias primas ........................................................... 44
Figura 9. Vi generado por Script ...................................................................................... 44
Figura 10. Ajustes ............................................................................................................ 45
Figura 11. Interfaz ............................................................................................................ 46
Figura 12. Access-Cosimir Control .................................................................................... 0
LISTA DE TABLAS
Tabla 1. Reconocimiento por posiciones ......................................................................... 57
Tabla 2. Reconocimiento de posiciones con entrenamiento ............................................ 58
Tabla 3. Problemas de reconocimiento ............................................................................ 59
Tabla 4. Condiciones lumínicas Bronce. .......................................................................... 51
Tabla 5. Condiciones lumínicas Parafina. ........................................................................ 60
Tabla 6. Condiciones lumínicas Empak ........................................................................... 61
Tabla 7. Condiciones lumínicas Aluminio ......................................................................... 51
Tabla 8. Funcionamiento interfaz ..................................................................................... 51
Tabla 9. Base de Datos ................................................................................................... 64
Tabla 10. Reconocimiento por material ........................................................................ 64
Tabla 11. Porcentaje Reconocimiento ............................................................................. 51
Tabla 12. Resumen Resultados…………………………………………………………………57
Tabla 13. Costos Elaboración…..………………………………………………………………57
10
1.0 INTRODUCCIÓN
La Pontificia Universidad Javeriana en sus instalaciones cuenta con el Centro Tecnológico
de Automatización Industrial (CTAI) el cual tiene como propósito contribuir a la formación
académica, profesional y científica de los futuros profesionales del país. Es un espacio
para investigar, innovar y desarrollar tecnologías que contribuyan a la automatización
procesos del sector productivo; cuenta con recursos para diseñar, fabricar, planear y
controlar procesos de producción.
El Centro Tecnológico de Automatización Industrial (CTAI) comenzó en el año 1993 con la
creación de los laboratorios del Departamento de Ingeniería Industrial adquiriendo
inicialmente tecnologías neumáticas y herramientas básicas de metalmecánica para la
asignatura Procesos Industriales. En el año 2003, la Universidad realizó una inversión en
un Centro Integrado de Manufactura (CIM), compuesto por tres estaciones conectadas: un
módulo AS/RS (automatic storage/ retrieval system), una banda transportadora y un robot
manipulador.
El CTAI está orientado para desarrollar prácticas de laboratorio tanto de estudiantes de la
Pontificia Universidad Javeriana como de otras universidades de educación superior.
Adicional ofrecen consultoría en procesos de automatización para el sector productivo con
el fin de aportar al desarrollo de tecnología del país. El Centro Tecnológico de
Automatización Industrial cuenta con la certificación de su sistema de calidad con
respecto a los requisitos de la Norma ISO 9001:2008 y se quiere proyectar como líder en
investigación y desarrollo del conocimiento científico transmitiendo ese conocimiento a los
futuros profesionales y a la industria nacional. Sus nuevas instalaciones están ubicadas
en la Carrera 7 No 40-69. (Mondragón, 2012)
Actualmente el CTAI cuenta con sistemas de diseño y manufactura integrada por
computador (CAD/CAM), tecnología electroneumática, electrohidráulica, control lógico
programable, sala SAP (Herramientas de Integración de ERP con procesos industriales),
sala Robótica y un sistema de manufactura flexible (FMS, Siglas en Inglés). Un Sistema
de Manufactura Flexible es un conjunto de máquinas altamente automatizadas
compuestas de estaciones de procesamiento (equipos de mecanizado), interconectadas
por un sistema automático de transporte y almacenaje de materiales controlado y
distribuido por computador. (Groover Mikel, 2001)
11
El FMS se encuentra automatizado, controlado por el software COSIMIR CONTROL®
(Cell Oriented SIMulation of Industrial Robots) con el cual se manejan todos los robots
que componen el FMS, excepto el inventario del almacén el cual se debe actualizar
manualmente cada vez que se inicia el sistema o se realiza alguna operación. Se deben
introducir los códigos de las materias primas manualmente en el sistema y sus posiciones
para poder realizar la correcta ejecución de cualquier programa. La actualización manual
del inventario genera errores como: ejecución de programas con materia prima incorrecta
que puede generar daños en la maquinaria debido a las diferentes características de los
materiales; errores de digitación, choques de las máquinas y demoras debido a que la
locación está vacía.
De esta necesidad surge el desarrollo de nuestro proyecto, el cual a través de
reconocimiento de imágenes determina las materias primas en cada posición del
almacén, actualiza el inventario y elimina introducir códigos de las materias primas
manualmente evitando correr programas con materias primas erróneas. De esta manera
tendríamos un FMS totalmente automatizado, con la actualización del inventario sin la
intervención del hombre, acercándonos a un sistema de manufactura flexible de la vida
real. Este proyecto utiliza una cámara Guppy de uso industrial, el software para visión
artificial LabVIEW® y complementos como Color Classification Trainning y Ni Vision
Assistant.
La solución al problema planteado fue alcanzada, los objetivos planteados se cumplieron
y este proyecto puede ser tomado como base para plantear nuevos alcances e
incrementar la confiabilidad del sistema.
El contenido de este documento está organizado en 4 temas fundamentales. El primer
tema habla sobre la situación actual del sistema de inventarios en el CTAI, en el segundo
sobre el método de reconocimiento de imágenes a utilizar en nuestro proyecto y el
proceso de construcción del algoritmo de reconocimiento de imágenes y la interfaz
humano-máquina; el tercero las pruebas y resultados de funcionamiento del algoritmo y el
último capítulo habla de posibles mejoras y el beneficio del proyecto implementado.
12
2.0 FORMULACIÓN
El FMS del Centro Tecnológico de Automatización Industrial integra un almacén AS/RS
(Automated Storage/Retrieval System) una banda transportadora con cuatro estaciones,
un robot RV-2A Mitsubishi, un torno PCTurn 125 de Emco y una fresadora.
El almacén AS/RS (Automated Storage/Retrieval System) es de los sistemas de
almacenamiento más automatizados hasta el momento; a través de un robot
cartesiano con movimientos lineales (x,y,z) se encarga de recoger o depositar los pallets
(estibas) en el almacén o en la banda transportadora (Lecourtois, 2010). El almacén del
CTAI tiene 40 posiciones (lugares de almacenamiento) para recoger o depositar materia
prima, está distribuido en cinco niveles en donde cada nivel tiene ocho posiciones.
La banda transportadora es la encargada de conectar y hacer circular las materias primas
o productos terminados a través de las 4 estaciones del sistema. La primera estación del
FMS son las máquinas MPS (Siglas en Inglés de Sistema Modular de Procesos) las
cuales permiten simular procesos de una fábrica embotelladora; cuenta con etapas de
mezclado, regulación de temperatura, filtrado y embotellamiento. La segunda estación del
FMS es el Robot RV-2A Mitsubishi que es encargado de manipular los objetos en el
sistema y trasladarlos entre las MPS (estación embotellamiento), la estaciones de
mecanizado y la estación de calidad. La tercera estación del FMS es el Centro de
Mecanizado compuesto por la una máquina fresadora y el torno PCTurn 125 de Emco;
finalmente la cuarta estación del FMS es la Estación de Calidad donde a través de visión
artificial se le hace inspección a los productos terminados y en caso de no superar los
estándares de calidad es necesario reprocesar el producto o si los supera se envía a el
almacenamiento.
Principales Problemas
El FMS del CTAI se encuentra parcialmente automatizado debido a que el inventario del
almacén se actualiza manualmente. La actualización del inventario consiste en la
introducción manual de códigos de la materia prima en la interfaz del almacén en el
software COSIMIR CONTROL®. Es un proceso repetitivo que se debe hacer cada vez
que se quiera ejecutar algún programa; es un proceso largo y tedioso pues es necesario
observar el inventario real del almacén e ingresar en la interfaz, el código de las materias
13
primas en cada una de las 40 posiciones del almacén. Entre los principales problemas
tenemos:
Demoras en la Actualización del Inventario: Actualizar el inventario de las 40
posiciones del almacén es un proceso que puede demorar 15 minutos y requiere
concentración ya que es un proceso de digitación susceptible de errores. Se debe
observar la materia prima en cada posición, identificar el código correspondiente de 5
dígitos e ingresarlo en la interfaz del almacén en el software COSIMIR CONTROL®.
Desconocimiento de Códigos: La mayoría de los estudiantes que están realizando
las prácticas, no conocen los códigos de las materias primas y se ven forzados a
interrumpir su práctica hasta que con la supervisión de los ayudantes del laboratorio
ingresan los códigos adecuados en la interfaz. Está situación hace que se pierda
tiempo valioso de la práctica que incluso llega a alcanzar hasta 10 minutos de tiempo
en el que el sistema está quieto sin producir.
Errores de Digitación: Puede que los estudiantes sepan el código de la materia
prima cuando van a actualizar manualmente el inventario, pero por error de digitación
introducen códigos que no corresponden a estas. Esto lleva a que se ejecuten
programas sin materia prima o incluso con materias primas inadecuadas.
Reinicio del Sistema: Cuando por errores en la actualización del inventario se
ejecuta algún programa sin materia prima es necesario hacer una parada en el
programa y reiniciar todo el sistema. Es un proceso que puede demorar de 3 a 4
minutos mientras todos los componentes vuelven a sus posiciones iniciales.
Daño de Máquinas y Equipos: Al ejecutar un programa con una materia prima
incorrecta los equipos pueden llegar a dañarse. Por ejemplo si en la posición 5 del
almacén hay aluminio rectangular pero por error introdujeron en la interfaz del
almacén el código del bronce cilíndrico, el centro de mecanizado utilizará la
herramienta adecuada para mecanizar la parafina pero cuando llegue el bronce la
herramienta no soportará la dureza de este material y se romperá o el brazo de la
máquina deberá ejercer más presión haciendo que se des calibre la máquina y sea
necesaria su reparación. Igual puede sucedes con materiales de diferentes medidas,
el robot puede hacerlos estrellar con las diferentes estaciones del sistema.
14
Solución a través de visión artificial
Por medio de herramientas y software de visión artificial este trabajo se concentrará en
desarrollar un sistema de reconocimiento de las materias primas de las 40 posiciones del
almacén AS/RS del FMS del CTAI. Así se automatizaría el proceso de actualización del
inventario y se evitaría la intervención del hombre, haciendo que las prácticas sean más
eficientes y libres de errores.
De igual forma, el sistema de manufactura flexible alcanzaría un alto nivel de
automatización como los utilizados en las grandes industrias permitiendo así hacer
producciones a escala y diferentes proyectos.
Por otra parte, con la automatización del sistema de inventario sirve para llevar registro de
entrada y salida de materias primas las cuales quedan registradas en la base de datos de
Access. Con esto, así como en los sistemas de producción de las empresas, se podrían
realizar cálculos necesarios a la hora de producir como el tamaño de almacenamiento
adecuado, indicadores económicos y la Cantidad Económica de Pedido (según Silver son
las cantidades óptimas a pedir de materias primas que minimicen el costo de mantener el
producto). Finalmente permite planear la producción, disminuyendo entonces la brecha
entre el FMS del CTAI y un sistema de manufactura real.
Este proyecto beneficiará a los estudiantes de ingeniería, de diferentes pregrados,
estudiantes de educación superior de otras universidades, especializaciones, consultores
y profesores que utilicen el FMS del CTAI debido a que podrán realizar prácticas más
seguras y más eficientes e integrar otras asignaturas relacionadas a un proceso real de
producción.
15
.
3.0 OBJETIVOS
3.1 Objetivo General:
Desarrollar una plataforma virtual para la actualización automática de inventarios del
sistema de almacenamiento automático AS/RS del centro tecnológico de automatización
industrial CTAI.
3.2 Objetivos Específicos
Analizar el sistema de almacenamiento AS/RS para determinar el método de
actualización de inventarios del almacén usado en la actualidad.
Identificar las características físicas (color, forma y textura) de la materia prima del
SIM para establecer patrones de comparación y posterior reconocimiento a través
de una técnica de procesamiento de imágenes.
Realizar el interfaz humano máquina en LABVIEW® para la actualización en
tiempo real del inventario del AS/RS.
Realizar el análisis costo beneficio del proyecto para determinar la conveniencia
del desarrollo del mismo en el Centro Tecnológico de Automatización Industrial de
la Pontificia Universidad Javeriana Bogotá.
16
4.0 MARCO TEÓRICO
4.1 SISTEMAS DE MANUFACTURA FLEXIBLE
Los procesos de fabricación se clasifican según el grado de automatización de los
sistemas de control en diferentes niveles desde la producción manual hasta el máximo
nivel que es la Manufactura Integrada por Computador (CIM). En este nivel el operario
únicamente está para supervisar la producción pues las máquinas se encargan de la
producción. (Groover, 1994)
Un sistema de producción flexible es un sistema de fabricación conformado por máquinas
y subsistemas enlazados por un sistema de transporte y control común, con la posibilidad
de realizar diversas tareas. La flexibilidad del sistema se refiere a la posibilidad de
cambiar el tipo de producto que se está fabricando, cambiar el proceso de producción sin
necesidad de cambiar los equipos del sistema. (Tornero, 1996) Los sistemas flexibles de
manufactura pueden clasificarse en cinco niveles:
• Máquina-herramienta con control numérico (CNC)
• Transfer
• Célula o celda flexible de manufactura
• Línea flexible de fabricación
• Fábrica totalmente automatizada
La Máquina-herramienta CNC es un equipo automatizado que permite hacer procesos
de mecanizado y es operada mediante comandos numéricos. Incorpora un sistema de
alimentación y cambio automático de herramientas. El transfer está compuesto por un
conjunto de máquinas-herramientas dedicadas al transporte, puede ser una banda
transportadora o un conveyor. (Fu, 1990)
La celda o célula flexible está formada por pocas máquinas equipadas con control
numérico (programación por código), con dispositivos para el cambio de herramientas, un
almacén y un computador que coordina las labores de mecanizado, almacenamiento y
transporte. Están capacitadas para producir piezas, hacer operaciones de control de
calidad y operaciones de almacenamiento. En las líneas flexibles de fabricación, varias
máquinas o celdas flexibles de manufactura están relacionadas entre sí por un sistema de
transporte y el control la producción lo efectúa un computador. Las fábricas totalmente
automatizadas cuentan con un conjunto de celdas o líneas flexibles de manufactura con
almacenes automatizados mediante robots. Todos los sistemas y operaciones son
manejados por el computador de fábrica, el cual se encuentra unido al sistema de gestión,
pedidos, stocks y planificación de la producción. (Barrientos, 1997)
17
4.2 SISTEMAS DE ALMACENAMIENTO
Una parte importante del sistema de manufactura flexible es el sistema de
almacenamiento, los cuales son sistemas comúnmente utilizados en empresa e industrial
que manejan gran cantidad de unidades diarias, unidades que tienen seguimiento desde
la entrada hasta la salida del almacén. Los sistemas de almacenamiento guardan objetos
por un periodo de tiempo, manteniendo las unidades disponibles para acceder a estas en
cualquier momento. El sistema de almacenamiento puede ser automatizado
completamente por lo cual la eficiencia depende del nivel de automatización.
La automatización del sistema de almacenamiento es compleja debido a que requiere
inspeccionar el contenido en cada posición del almacén, por lo cual lo normal en
automatizar en estos sistemas es la acción de recoger las unidades en la posición
indicada y la entrega en un lugar predeterminado para la entrega.
Es importante tener en cuenta que las características ideales de un sistema de
almacenamiento es de contar con gran capacidad, densidad de almacenamiento,
accesibilidad, un buen rendimiento, la u utilización de los recursos y la disponibilidad a
todo momento de los objetos almacenados.
Existen diferentes tipos de almacenamiento como el apilamiento Imagen 1 que
aprovechan la superficie, pero generan dificultad en la selección de unidades de la misma
referencia, tiene un inventario FIFO (primero en entrar, primero en salir) aunque no
necesariamente se sabe cuál es el primero en entrar. La estantería Imagen 2 consiste de
una estructura con espacios para cada material, este tipo de almacenamiento ahorra y
aprovecha espacio cubico, dependiendo de la construcción puede llegar a ser antisísmico,
tiene posibilidad de expansión, sirve para procesos que requieren de rapidez y se cuenta
con poco espacio horizontal, pues este tipo de almacenamiento permite almacenar
verticalmente y maneja un inventario FIFO la desventaja de este tipo de almacenamiento
es que pierde espacio en los corredores de circulación. Otro tipo de almacenamiento es
el de estantes y compartimientos Imagen 3 normalmente usados para almacenamiento
individual y tiene gran visibilidad de los objetos almacenados. También encontramos el
almacenamiento automatizado que tiene mayor rendimiento, facilita el uso de un control
de inventario, adicionalmente incrementa la capacidad de almacenamiento, la seguridad,
servicio al cliente, tasa de rendimiento y disminuye los costos aumentando la
productividad.
18
Imágen 1. Apilamiento
(Oswaldo, 2012)
Imagen 2. Estantería
(Anonimo, Sf)
Imagen 3. Estantería y Compartimientos
(Alibaba, Sf)
19
4.2.1 SISTEMA DE ALMACENAMIENTO-ASRS (Automatic Storage and
Retrieval System)
Sistema automatizado que se caracteriza por coger el material en la posición indicada y
depositarlo en otra posición programada, este sistema es guiado por computador. Estos
sistemas de almacenamiento consisten de estantes y que adquiere la carga con ayuda
de dispositivos mecánicos o electrónicos. Estos sistemas de almacenamiento
proporcionan mayor seguridad ya que los materiales no tienen contacto alguno con el
personal realizando el comando y tiene un manejo eficiente del contenido.
Imagen 4. ASRS
(Gómez, Sf)
Hay más de un tipo de ASRS, algunos son de carga de unidad que tienen sistemas
grandes para el manejo de cargas sobre contenedores o pallets, estos son totalmente
automatizados y son manipulados remotamente por computador, son los más rápidos
adquiriendo la carga. Otros son los ASRS Depp lane que manejan gran cantidad de carga
que almacena en una sola ubicación varias cantidades de los materiales almacenados
diseñados especialmente para flow-through que es una estantería inclinada levemente
para que por gravedad bajen los artículos almacenados, esto maneja inventario LIFO
(ultimo en entrar, primero en salir). También están los de recuperación automatizada de
artículos en los que se recuperan materiales por unidad, estos materiales se van
empujando unos a otros cayendo sobre la banda transportadora la cual entrega los
materiales en el punto determinado, los artículos tienen un sistema de inventario FIFO.
Finalmente están los almacenamientos de levantamiento vertical que funciona como un
pasillo horizontal para acceder a todos los materiales o artículos.
Imagen 5. ASRS Carga de Unidad
20
(Alibaba, Sf)
Imagen 6. Figura Flow Throught
(Gleason, Sf)
4.3 SISTEMA DE VISIÓN ARTIFICIAL
El sistema de visión artificial (SVA) surgió a partir del desarrollo de la inteligencia artificial,
con el propósito de programar un computador para que fuera capaz de “entender” una
escena o las características de una imagen. Se puede definir a la visión artificial como el
“proceso de extracción de información del mundo físico a partir de imágenes utilizando
para ello un computador” (Cha, Horch, Norman; 1992)
Es un procedimiento de adquisición de imágenes, sin contacto y mediante sistemas
ópticos, donde se realiza el análisis automático de las mismas. Los sistemas de visión
están compuestos por:
Fuente de luz: Es un aspecto que se debe controlar y que se debe mantener uniforme
en la medida de lo posible.
Sensor de imagen: Recoge las características del objeto a estudiar.
Tarjeta de adquisición de imágenes: Dispone de la información capturada por el
sensor.
21
Algoritmos de análisis de imagen: Aplica las transformaciones necesarias y extrae
la información requerida de las imágenes para obtener el resultado requerido.
Ordenador o módulo de proceso: Realiza el análisis de la información que entrega
el sensor, ejecutando los algoritmos diseñados para la extracción de la información
requerida.
Sistema de respuesta en tiempo real: Con la información disponible, el sistema
puede tomar decisiones para cambiar el sistema productivo mejorando la calidad de
la producción.
En los últimos años, los sistemas de visión artificial han evolucionado enormemente, lo
que hace que sus costos de implementación disminuyan. Esto ha implicado cambios
sustanciales en la forma de interpretar la visión como una herramienta standard para
el análisis de procesos.
4.3.1 DESARROLLOS DE VISIÓN ARTIFICIAL EN LA INDUSTRIA
La visión artificial ha sido utilizada en la industria principalmente para procesos de
inspección, clasificación y control de calidad. Permite la automatización de procesos de
clasificación en base a la forma, tamaño o color de las materias primas y la
automatización de procesos de control de calidad donde se verifican especificaciones y
requerimientos de lotes de producción en tiempo real para detectar y rechazar productos
defectuosos. Entre las principales ventajas de su implementación está la reducción de
costos del control de calidad, la inspección del 100% de la producción y el funcionamiento
permanente del sistema de inspección “sin cansancio”. Cabe aclarar que las cámaras
utilizadas a nivel industrial son de gran capacidad pues necesitan procesar gran cantidad
de datos en tiempo real. Es utilizada en sectores de producción como el automotriz, textil,
farmacéutico y químico entre otros.
En la industria farmacéutica, para la fabricación de pastillas y cápsulas, la falta de
homogeneidad y uniformidad del contenido en las dosis de los medicamentos hace que
los lotes de producción se rechacen. Para este caso se desarrolló un sistema de bajo
costo pero de gran efectividad, el cual a través de una luz infra-roja examina la
composición de los medicamentos y a través del procesamiento de imágenes determina
el contenido químico (National Instruments, sf).
En la industria de alimentos se ha utilizado para observar y vigilar las máquinas utilizadas
en la producción. A través de información y video se ha convertido en una herramienta de
diagnóstico y servicio que permite maximizar la eficiencia y desempeño con el fin de evitar
pérdidas de tiempo. Una de las empresas pioneras en implementar este sistema de
control de calidad fue KRAFT FOODS la cual lo implemento en la línea de producción y
empaque de café (National Instruments, sf).
22
También ha sido implementado en la producción de productos sanitarios los cuales
requieren materiales y procesos de alta calidad. Si un producto de higiene personal
llegara a presentar problemas podría causar lesiones o complicaciones en los
consumidores, por eso es de gran importancia asegurarse de una excelente calidad del
producto final. El sistema implementado requirió una inspección a alta velocidad debido a
que la capacidad de producción de la planta era de 1,000 unidades por minuto y puntos
de inspección a lo largo de toda la línea de producción debido a la complejidad del
producto (distintas capas de materiales diferentes) (National Instruments, sf)
4. 3.2 DESARROLLOS SIMILARES DE PROYECTOS DE VISION ARTIFICIAL
En el 2007 se realizó una tesis que inspeccionaba el contenido del almacén por medio de
visión artificial con la diferencia de que este utilizaba una cámara (WebCam) de baja
resolución y sin memoria para almacenar algunos de los parámetros de las imágenes. La
cámara estaba sujeta a un brazo telescópico que se movía a través del almacén; se utilizó
el módulo de visión por computador OPENCV® creado por Intel. Este proyecto no se
conectó al CIM debido a que no se podía modificar el programa interno del PLC
(Controlador Lógico Programable) FESTO®. En sus recomendaciones y posibles mejoras
planteó el cambio de dispositivo de captura, solucionar problemas de detección de bordes
de las piezas las cuales eran limitadas por el algoritmo utilizado. Como continuación
sugirió realizar el empalme con el FMS para que funcione de manera automática (Acosta,
2007) debido a que su proyecto no fue compatible.
En la Escuela Superior Politécnica del Litoral, en Guayaquil Ecuador, se llevó a cabo un
proyecto de visión artificial en el cual a través de Labview y su librería NI Vision se
detectaban frascos que presentaran diferencias de color al color preestablecido. La
aplicación se integraba con un sistema de bandas transportadoras y brazo robótico a fin
de simular una línea de producción y la aplicación se ejecutaba en una estación de
calidad. Basados en técnicas de reconocimiento de patrones de colores se determinaba
cuales frascos cumplían con la condición de color y los brazos que no aprobaban el
estándar de calidad eran sacados de la línea de producción. (Tello, Salcán, Valdivieso, sf)
También en proyectos de visión artificial se puede citar el proyecto aplicado en el CTAI de
la Universidad Javeriana llamado “Estación de control de calidad por visión artificial para
un Centro de Manufactura Integrada por Computador” desarrollado por los autores Gabriel
Mauricio Zambrano, Carlos Alberto Parra, Martha Ruth Manrique y César Julio Bustacara.
Este proyecto se concentró en implementar un sistema de control de calidad en la
plataforma C++ el cual hace medición e inspección de piezas mecanizadas. Dado la
importancia de la metrología y el control de calidad en los procesos de fabricación, se
buscó automatizar el proceso de medición evitando la intervención de operarios con
resultados exitosos y bajos niveles de error. (Bustacara, Manrique, Parra, Zambrano;
2007)
23
4.4 PROCESAMIENTO DIGITAL DE IMÁGENES
En las áreas de control y automatización en un sistema integrado de manufactura, el procesamiento digital de imágenes permite eliminar operaciones manuales como controles de calidad y actualización del inventario debido a que se vuelve un proceso eficiente, productivo y automático. Así mismo requiere un sistema complejo de procesamiento digital el cual no es de fácil implementación. (National Instruments, 2010)
Programas como LABVIEW® ofrecen herramientas de procesamiento de imágenes que facilitan la creación de aplicaciones inteligentes de reconocimiento y visión. El paquete Vision Builder de LABVIEW® es una librería que permite la implementación de reconocimiento de visión artificial e imágenes.
La visión artificial logra relacionar lo tridimensional a lo bidimensional, tomando vistas diferentes de lo tridimensional, logrando entonces una reconstrucción del espacio, y una simulación de una proyección de lo tridimensional en una posición deseada.(Mery, 2002)
Los sistemas de visión artificial están enfocados hacia la inspección visual, donde se requiere disminuir tiempo y aumentar la eficiencia del proceso cuando son jornadas largas, continuas y repetitivas. (Jasvisio s.l., 2010).
El módulo de LABVIEW NI Vision Development está diseñado para desarrollo de aplicaciones de visión artificial y de imágenes para científicos, ingenieros y técnicos. El paquete incluye Vision Asssitant el cual es un entorno interactivo para desarrolladores de prototipos para aplicaciones o inspecciones fuera de la línea. El paquete incluye funciones y herramientas asociadas a la visión artificial donde se encuentran algoritmos de contornos, filtros, lector de códigos de barra, templetes de imágenes, aprendizaje de color, de forma entre otros algoritmos. (National Instruments, Sf) Esta aplicación permite realizar la estrategia del programa sin ningún tipo de programación y este se encarga de generar automáticamente la programación de labview, así mismo tiene acceso a las librerías de labview, IMAQ o IMAQ visión lo cual facilita la elaboración del proceso.
4.4.1 Procesamiento digital
El procesamiento digital de imágenes parte de la división de la imagen en pixeles (Superficie homogénea más pequeña de las que componen una imagen, que se define por su brillo y color)(RAE) para así asignar un valor promedio de luminosidad de cada pixel con su correspondiente coordenada que permite la ubicación dentro de la imagen. (Biblioteca general, Sf) Dichas coordenadas son de dos dimensiones (x,y) en donde la función f(x,y) representa la luminosidad del pixel. (González, 1993).
24
Todas las imágenes digitales están dadas por dos parámetros, la cantidad de pixeles a lo ancho y la cantidad de pixeles a lo alto de la imagen, existen tres tipos de imágenes digitales: binarias, escala de grises y a color, las binarias son imágenes cuya función puede tomar valor 0 ó 1 siendo 0 negro y 1 blanco, Escala de grises es cuando la función puede tomar entre 0 hasta 255 tonos en escala de gises donde 0 es negro y 255 es blanco y finalmente la imagen a color necesita tres canales para su representación, si es una imagen RGB el pixel contiene información del canal rojo, otro por el verde y finalmente por el canal azul. La información que se captura por pixel se mide en bytes para las imágenes en escala de grises y a color, pero en escala de grises la unidad por pixel es de un byte, debido a que toma un solo valor en la escala de grises, mientras que en la imagen a color cada pixel contiene tres niveles en cada canal de color por lo cual cada pixel pesa tres bytes, por otro lado las imágenes binarias tienen un peso de un bit por pixel, es una unidad binaria que representa un digito de la numeración binaria. (García, 2007)
La resolución es un parámetro que depende de la calidad de la imagen, la nitidez y la posibilidad de obtener mayor detalle de la imagen. La resolución se expresa en dpi (dot per inch), a mayor resolución, mayor detalle, por lo cual la es un parámetro importante para evaluar si la imagen puede brindar el detalle requerido para el procesamiento. (De la Fraga, 2007)
Imagen 7. Resolución de la imagen
(De la Fraga, 2007)
4.4.2 Espacios de color:
Los espacios de color son modelos matemáticos abstractos que permiten interpretar las imágenes por medio de características de la imagen, existen muchos modelos matemáticos de color pero los más importantes son los modelos sensoriales y los perceptuales: los modelos sensoriales enfocados a los equipos como las cámaras o monitores de televisión, por otro lado los modelos perceptuales están enfocados a la visión y procesamiento de imágenes. (González, 1997). Para el procesamiento de imágenes hay dos conceptos importantes, como la saturación o la intensidad o saturación y el matiz (hue): la saturación o intensidad
25
es un valor porcentual que determina que tan puro es el color Ver figura, y el Matiz (hue) es el estado puro del color sin tener el blanco y el negro, es un atributo asociado a la longitud de la honda dominante que muestra hacia el lado al que tiende el tono en el círculo cromático(ver figura), permitiendo entonces determinar que a qué color tienden los pixeles.
Imagen 8. Saturación o intensidad
(Gonzales, 2007)
Imagen 9. Figura Matices
26
(González, 2007)
4.1.3 Reconocimiento de imágenes con Labview:
National Instruments Vision Assistant:
Asistente complementario de labview, que contiene subprogramas y algoritmos de reconocimiento para lograr agilidad en la programación de reconocimiento y tiene aplicaciones como selección de regiones de interés (ROI) forma en la cual se seleccionar la región de interés a analizar (National Instruments, sf), Color Matching aplicación con la cual se asocia una imagen patrón para comprarla con la región de interés y determina un valor ponderado de o 1000 y manualmente se puede determinar el límite en el cual la imagen pasa o no pasa el examen de reconocimiento. Así como estas tienen alto contenido de algoritmos para facilitar la creación de programas de reconocimiento. Esta aplicación en cuanto a reconocimiento de patrones tiene la opción de programar de acuerdo a un patrón.
Ni Color Clasificator training:
Aplicación de National Instruments permite el entrenamiento del programa, se crean unas clases donde se determina que es lo que se debe reconocer, por ejemplo una barra de aluminio, en la clase aluminio se guardan fotos en las distintas condiciones en las cuales la aplicación debe reconocer el aluminio. Con esto la aplicación se vuelve más tolerante y saca promedios de intensidad, saturación y matiz y de acuerdo a los valores que arroja la región de interés el programa logra ubicarlo en la clase más parecida.
27
Imagen 10. Ni Color Clasificator training
(Laurence, Tobón, 2013)
Adicionalmente la aplicación lo que hace es que genera un promedio del matiz HUE, la saturación y la intensidad en blancos y negros de las clases que se establecen dependiendo del interés.
Imagen 11. Figura Matriz HUE
(Laurence, Tobón, 2013)
Posteriormente a que se entrena el clasificador lo que hace el programa es una vez identificada la región de interés calcula las mismas gráficas y clasifica la región de interés en una de las clases más cercas a cuanto las gráficas resultantes.
Imagen 12. Figura Gráficas Resultantes
(Laurence, Tobón, 2013)
28
5.0 ANÁLISIS SITUACIÓN ACTUAL
5.1 Recursos Actuales:
Almacén con 40 estaciones
Pallets
Cámara Guppy AVT
Licencia de LABVIEW®
Materias Primas: Parafina Industrial (azul), Empak (blanco), Aluminio
Cilíndrico y Bronce.
5.2 Situación Actual:
El ASRS consta de un almacén con estantería y pallets que son unas bandejas en las que
se almacenan los artículos, un PLC (controlador lógico programable) el cual maneja los
movimientos del robot del almacén y un software que debe integrar el almacenamiento
con todo el proceso.
Enfocándonos puntualmente en el ASRS con el que cuenta el CTAI de la Pontificia
Universidad Javeriana, es un almacén suministrada por FESTO marca encargada de
cualquier modificación, programación o mantenimiento del CIM lo cual incluye cualquier
modificación, cambio o ajuste de programación. La estantería del almacén cuenta con 40
posiciones en las cuales se encuentran unas estibas metálicas denominadas y conocidas
industrialmente como Pallets, estos pallets tienen varios diseños especialmente para
contener unas materias primas específicas.
El CTAI de la Pontificia Universidad Javeriana cuenta con tres tipos de pallets el de la Imagen 13 es para materiales cilíndricos con especificaciones que no maneja el CTAI actualmente, el que se muestra la Imagen 14 es el pallet más usado en el CIM del CTAI, es para materia prima cilíndrica de diámetro 6.5 cm, que es la materia prima de mayor rotación en el almacén y la Imagen 15 muestra un pallet diseñado para almacenar piezas rectangulares.
Imagen 13 Imagen 14 Imagen 15
29
El almacén ASRS es el principio de la ejecución de cualquier programa que se desea
ejecutar en el CIM, pues de este sale la materia prima para la realización de la actividad
que se requiera realizar, este almacén cuenta con un robot cartesiano que es el
encargado de recoger la materia prima adecuada en la posición donde esta se encuentra
y posteriormente depositarla en la banda transportadora para que continúe el proceso.
El inventario del almacén se está actualizado manualmente, y es utilizado para la
elaboración de proyectos en el CTAI. Esta actualización manual genera demoras y errores
innecesarios en las prácticas, adicionalmente los códigos de las materias primas no son
conocidos por todos los usuarios del sistema. Actualmente los movimientos del almacén
se están registrando en una base de datos en Access; esta base de datos tiene
información importante con la cual se pueden generar cálculos como Cantidad
Económica de Pedido, el tamaño del almacenamiento adecuado, indicadores económicos
y permite planear la producción. Estos cálculos no se pueden realizar ya que esta base de
datos no tiene información lo suficientemente confiable.
Esta estación del sistema de manufactura es de gran importancia pues es ahí donde
empieza la correcta ejecución del programa, si se incurre en un error en esta estación es
necesario volver a empezar todo el procesamiento.
Imagen 16. Cambio Manual Materias Primas
(Laurence, Tobón, 2012)
30
5.3 Tipo de materias primas:
Las materias primas que maneja el almacén son cilindros de aluminio, parafina industrial,
empak y bronce. Como característica principal de cada materia prima se definió el color,
el cual es diferente para cada una y permite una forma de identificar más sencilla.
Además encontramos que la altura de los objetos no está definida, por lo cual las
dimensiones no son características de cada tipo de materia prima, adicionalmente la
textura no tiene diferencias significativas lo que hace necesaria una identificación por
color.
MATERIAL
Alto: 5.8 Cm
Diámetro: 3 Cm
DESCRIPCION
DIMENSIONES
Material solido cilíndrico principalmente usado
en el torno y en el centro de mecanizado. De
bajo uso en el CTAI ya que no es reciclable.
Cilindro de aluminio
MATERIAL
Alto: 6.5 Cm
Diámetro: 3.5 Cm
DESCRIPCION
Parafina industrial
DIMENSIONES
Material sólido cilíndrico de color azul
principalmente usado en el torno y en el centro
de mecanizado, usado normalmente en CTAI
debido a que es reciclable.
31
Las materias primas mencionadas anteriormente son las materias primas de mayor
rotación en el sistema y de estas las más utilizadas son el Empak y la Parafina Industrial
ya que son materiales reciclables.
MATERIAL
Alto: 6.5 Cm
Diámetro: 3.5 Cm
DESCRIPCION
Empack
DIMENSIONES
Material solido cilíndrico color blanco
principalmente usado en el torno y en el centro
de mecanizado, usado normalmente en CTAI
debido a que es reciclable.
MATERIAL
Alto: 5.8 Cm
Diámetro
Externo:3 Cm
Diámetro
interno:2.2 Cm
DESCRIPCION
Cilindro Hueco de Bronce
DIMENSIONES
Material solido cilíndrico hueco principalmente
usado en el torno y en el centro de
mecanizado. De bajo uso en el CTAI ya que no
es reciclable.
32
6.0 CONSTRUCCIÓN DEL MODELO DE RECONOCIMIENTO
Dependiendo del tipo de análisis que se va a realizar se deben tener en cuenta
factores importantes antes de empezar a configurar el sistema; la cámara debe
tener la calidad necesaria para extraer la información requerida de la imagen. Es
importante tener en cuenta los siguientes aspectos (NI Vision for LabVIEW®,
2010):
1. Determinar el equipo requerido, el espacio y el objeto a inspeccionar.
1.1 Asegurar que el sensor de la cámara tiene la resolución necesaria para
satisfacer las necesidades del proyecto.
1.2 Asegurar que la lente tiene una profundidad de campo lo
suficientemente alta como para mantener todos los objetos en foco
independientemente de su distancia. También, asegurar de que su lente
tiene una distancia focal que cumpla con las necesidades.
1.3 Asegurar que la iluminación proporciona suficiente contraste entre el
objeto bajo inspección y el fondo para se extraiga la información
adecuada.
2. Dependiendo del objetivo del trabajo, es recomendado que se ubique la cámara
perpendicular al objeto en inspección, de lo contrario se pueden producir errores
que se podrán corregir posteriormente, principalmente para tomar medidas.
3. Seleccionar un dispositivo de adquisición de imágenes que se ajuste a las
necesidades.
4. Instalar el software del controlador en este caso Ni visión Assistant.
6.1 Requerimientos del sistema:
Para empezar a realizar el proyecto es necesario definir los requerimientos del sistema. Es
necesario un modelo de reconocimiento que permita la actualización automática del inventario y
que a través de la plataforma actualice una base de datos en Access, de la cual posteriormente se
alimentara Cosimir Control para lograr integrar todas las estaciones del CIM. A través del
dispositivo de captura debe reconocer las materias primas en cada posición del almacén y
transmitirlas a la interfaz del almacén en Cosimir Control.
6.2 Pruebas
Una vez analizada la situación actual y las materias primas, se determinó hacer un
modelo de reconocimiento de imágenes por color que analice todas las posiciones del
almacén. Para nuestro proyecto era necesario que la cámara estuviera fija para poder
procesar las imágenes y que las regiones de interés (ROI) estuvieran ubicadas siempre
en las mismas coordenadas de la imagen tomada.
33
Para empezar se realizaron pruebas con una cámara web en diferentes posiciones del
laboratorio teniendo en cuenta variables que afectan el procesamiento como la luz.
También un aspecto importante era que la ubicación de la cámara capturara todas las
posiciones del almacén y que las otras partes del sistema no obstruyeran la visibilidad de
la misma. Para lograr esto se tomaron imágenes en diferentes posiciones y se realizaron
los análisis respectivos
Como lo muestra la siguiente imagen la cámara web tiene una resolución muy baja y no
se pueden determinar las diferentes clases de materia prima que contiene el almacén.
Imagen 17. Resolución Cámara web
(Laurence, Tobón, 2012)
Posteriormente al encontrar posiciones adecuadas se realizaron pruebas con la cámara
Guppy que es la que realmente se utilizó en el proyecto. Al empezar a realizar las pruebas
en las posibles posiciones, el lente de la cámara Guppy era un lente de 1:1.6/35mm, pero
el ángulo en el cual quedaba la cámara no alcanzaba a capturar el almacén completo
como lo muestra la imagen ya que es un lente para capturar imágenes a corta distancia.
34
Imagen 18. Ángulo cámara Guppy
(Laurence, Tobón, 2012)
Con este lente sólo se podían analizar 30 posiciones y nos quedaban 10 posiciones fuera
del alcance.
Imagen 19. Alcance cámara Guppy
(Laurence, Tobón, 2012)
Posteriormente se cambió a un lente 1:1.6/16mm que permitió abarcar las 40 posiciones
del almacén y se realizaron nuevas pruebas para determinar la mejor posición para la
cámara.
35
Imagen 20. Lente nuevo
(Laurence, Tobón, 2012)
6.3 Diseño del soporte
Inicialmente se pensó en un soporte en forma de canasta que iría colgado de las mayas
metálicas del techo y a través de un tornillo con rosca con los que se le daría un ángulo
de inclinación. Se realizó un prototipo imagen 6. pero no funcionó como se esperaba
debido a que no alcanzaba el ángulo deseado y adicionalmente la rejilla en la que se
quería colgar no era lo suficientemente estable para el soporte.
Imagen 21. Primer prototipo
(Laurence, Tobón, 2012)
36
Posteriormente, al hacer las pruebas con la cámara real, se observó que la cámara por
su lente no alcanzaba a tomar las 40 posiciones del almacén. Fue necesario buscar una
nueva posición que garantizara la amplitud deseada, por lo cual se desplazó
aproximadamente un metro hacia atrás y se pensó colgar en una viga del CTAI en un
soporte fijo con 36° de inclinación. (Imagen 7.)
Imagen 22. Prototipo con inclinación
(Laurence, Tobón, 2012)
Esta ubicación de la posición fue de difícil acceso por lo cual no se pudo obtener las
medidas exactas a la cual debía estar la cámara. Posteriormente se analizó la opción de
un soporte que se anclara a la pared del CTAI, con una rótula que permitiera varios
ángulos y desplazamientos para ajustar exactamente la posición deseada de la cámara
en el montaje del soporte como lo muestra la imagen 8.
Imagen 23. Soporte para la cámara
(Laurence, Tobón, 2012)
ELABORACIÓN DEL SOPORTE
37
La cámara queda montada sobre un eje el cual va a una rótula que le permite amplitud en
el movimiento en caso de que el almacén sea movido o cambiado de lugar. El soporte es
hecho en aluminio lo que lo hace liviano y adecuado para el peso de la cámara.
Antes de llegar al diseño final del soporte se presentaron diferentes diseños a los
directivos del CTAI, los cuales no fueron aprobados por diferentes razones, lo que retrasó
unas semanas el proyecto, hasta que finalmente el diseño de rótula fue aprobado
imágen9.
Imagen 24. Diseño de rótula
(Laurence, Tobón, 2012)
6.4 Instalación del soporte
Para instalar el soporte en el CTAI primero fue necesario tramitar un permiso para poder
hacer perforaciones en sus paredes. Contamos con la ayuda de un asistente del
laboratorio para hacer estas perforaciones utilizando un taladro; el soporte está diseñado
para que lo sostengan 4 chazos de 0.6 pulgadas.
Imagen 25. Instalación Soporte
(Laurence, Tobón, 2012)
Imagen 26. Instalación cámara
38
(Laurence, Tobón, 2012)
Después de la instalación del soporte, se monta la cámara al mismo y se busca la mejor
posición utilizando la rótula, al encontrar la posición se fija la misma.
6.5 Calibración de la Cámara
Inicialmente se pensó en realizar un proceso de calibración de la cámara, tomando 20
fotos de un tablero de ajedrez en diferentes posiciones, lo que permitiría a través de un
algoritmo generar una matriz de calibración con la cual se ajustan las variaciones que
genera la cámara de la imagen real. Sin embargo como el modelo de reconocimiento no
utiliza medidas de objetos ni distancias entre ellos no es necesario realizarlo. Esta
información fue suministrada por un ingeniero mecatrónico el cual nos asesoró en esta
parte de calibración (NI visión for LabVIEW®, 2010).
Imagen 27. Calibración cámara
(Laurence, Tobón, 2012)
39
6.6 Filtros y máscaras iniciales
En los primeros pasos de la programación en LabVIEW® como se puede observar en la
Figura 1. se utilizó la función Mask para determinar la región de interés y posteriormente
Color Matching para compararlas con un patrón de color previamente establecido.
Figura 1. Función Mask LabVIEW®
(Laurence, Tobón, 2012)
El script una vez abierta la imagen aplica una máscara sobre la foto y posteriormente se
crea la región de interés.
Figura 2. Proceso de detección de color
(Laurence, Tobón, 2012)
Esta función le otorga a cada patrón de color un puntaje y lo compara con el puntaje de la
región de interés. Si el mensaje obtenido en el resultado es Pass significa que el color del
ROI se asemeja al del patrón. En el proceso de programación, se identificó que en las
diferentes posiciones, el patrón de comparación no era el mismo lo cual nos hizo pensar
que era necesario hacer un script para cada posición y que lo comparara contra un
determinado patrón. Como se puede observar en la siguiente figura el patrón para
comparar en la posición 2 y 3 para el aluminio era diferente, lo cual nos llevó a tener más
de 3 patrones de comparación por materia prima.
40
Figura 3. Patrón de comparación aluminio
(Laurence, Tobón, 2012)
Continuamos en el proceso de hacer un Script para cada posición y para cada materia
prima, resultando en total 160 Scripts y múltiples patrones de comparación. Fue necesario
buscar alternativas y herramientas de LabVIEW® más eficaces como NiColor
Classification que permite que el sistema aprenda características de las materias primas y
las llame en el código utilizado en Vision Assistant (NI visión for LabVIEW®, 2010)
.
Imagen 28. Clasificación materia prima
(Laurence, Tobón, 2012)
41
6.7 Clasificación por color
Una vez observada la cantidad de patrones que teníamos por materia prima, fue
necesario buscar una herramienta que nos permitiera a partir de las imágenes aprender
características de las materias primas. Esto fue posible a través del complemento de
LabVIEW® llamado NiColor Classification Training Interface, el cual permite crear clases
para cada materia prima con diferentes características como niveles de intensidad de luz
y saturación pero conservando la característica principal de cada material. Posteriormente
se entrena el clasificador dando clic en el botón TRAIN y se genera un archivo con los
patrones de comparación que posteriormente serán usados en LabVIEW® NiVision
Assistant. Como se puede observar la figura 4. muestra un ejemplo para entrenar el
clasificador en la categoría de aluminio.
Figura 4. Ejemplo entrenamiento clasificador
(Laurence, Tobón, 2012)
Cada clase tiene unas características, niveles de saturación e intensidad diferentes; cada
clase tiene su propio histograma de pixeles que nos muestra cuantos pixeles tienen
determinada intensidad construyendo así la curva de color. Una vez obtenido el puntaje
de esta curva se pueden comparar regiones de interés y el programa identifica la clase a
la que más se parece a dicho puntaje (NI visión for LabVIEW®, 2010).
42
Figura 5. Histograma de pixeles
(Laurence, Tobón, 2012)
6.8 Determinación de las regiones de interés
Continuando con el proceso, se utilizó el complemento LabVIEW® NiVision Assistant que
permitió obtener la imagen, hacer una máscara para enfocar el almacén. Luego utilizando
la función Color Classification 1 se determinaron las regiones de interés, las 40 posiciones
del almacén y se comparó el valor de cada ROI contra los valores de la imagen patrón,
creadas anteriormente en el clasificador de color (Ni Color Classification).
Imagen 29. Obtención de imagen
(Laurence, Tobón, 2012)
Figura 6. Color Classification
43
(Laurence, Tobón, 2012)
En la función Color Classification es necesario traer el archivo creado en el NiColor
Classifier para que pueda comparar la imagen contra las imágenes patrón.
Figura 7. Comparación imágenes
(Laurence, Tobón, 2012)
El programa emite un resultado con la clasifiación de las materias primas del almacén
como se muestra en la imagen a continuación (NI visión for LabVIEW®, 2010).
44
Figura 8. Resultado clasificación materias primas
(Laurence, Tobón, 2012)
El Vi generado por el script Identificación de Materiales es el siguiente:
Figura 9. Vi generado por Script
(Laurence, Tobón, 2012)
Para un mayor entendiemiento se realizaron unos ajustes, se le agregaron los indicadores
de clasificación, indentificación, un botón de inicio y los contadores. Adicionalmente se le
45
agregó un temporizador con una demora que se puede ajustar de acuerdo a las
necesidades para que el ciclo de identificación se repita.
Figura 10. Ajustes
(Laurence, Tobón, 2012)
6.9 Generación de la Interfaz en LabVIEW®
Para hacer una interfaz agradable al usuario, se hizo un diseño simulando las 40
posiciones que tiene el almacén. En la parte superior se puede ingresar el código que
queremos darle a nuestro material y que posteriormente va a ir conectado a la base de
datos de Access del almacén para su actualización. En la interfaz en cada posición hay un
indicador que mide que tan parecido es la imagen analizada a la clase patrón previamente
establecida. También aparece un espacio para agregar el archivo de comparación
generado en el NiColor Classification y la pantalla donde se visualiza la imagen que se
está analizando y un botón para empezar a procesar la imagen. Al final hay un recuento
de la cantidad de materia prima en el almacén. (LabVIEW®, 2010)
46
Figura 11. Interfaz
(Laurence, Tobón, 2012)
Para el correcto funcionamiento del algoritmo, es necesario que el Robot Cartesiano esté
en su HOME para que no obstruya la visibilidad de la cámara. Adicionalmente hay que
tener en cuenta que la materia prima debe ir en el pallet adecuado, de lo contrario el
sistema no hará un correcto reconocimiento de esta. El pallet adecuado para las materias
primas cilíndricas es el de base en aluminio como el de la figura a continuación.
Imagen 30. Pallet
(Laurence, Tobón, 2012)
47
7.0 PLAN DE PRUEBAS
Una vez desarrollado el modelo de reconocimiento por visión artificial se realiza un plan
de pruebas para analizar el funcionamiento del modelo, con este se pretende evaluar
criterios como reconocimiento por posición y materia prima, condiciones lumínicas,
horarias y finalmente la conexión con el sistema de manufactura. Basándonos en la
estructura de un plan de pruebas de un software desarrollamos el plan de pruebas para
este proyecto.
7.1 HISTORIAL DE CAMBIOS:
Versión DECRIPCION RESPONSABLES
1.0 Con el complemento Color Clasificator de
LABVIEW, se analizó el reconocimiento de cada materia prima en cada posición.
José Manuel Tobón, Melissa Laurence
1.1 Analizar si las condiciones de luz natural y artificial afectan significativamente en el reconocimiento de
los materiales.
José Manuel Tobón, Melissa Laurence
2.0 Ejecutar la interfaz para probar su correcto
funcionamiento. José Manuel Tobón,
Melissa Laurence
3.0 Comprobar que los datos en la base de datos de Access correspondan con el inventario real del
almacén.
José Manuel Tobón, Melissa Laurence
7.2 OBJETIVOS:
Prueba 1.0: Evaluar el nivel de reconocimiento de la aplicación analizando cada materia
prima en las diferentes posiciones.
Prueba 1.1: Analizar el efecto de las condiciones lumínicas en el nivel de reconocimiento
de la aplicación.
Prueba 2.0: Evaluar el correcto funcionamiento de la interfaz y analizar el uso de la
interfaz por parte de usuarios externos al proyecto.
Prueba 3.0: Comprobar que los datos en la base de datos de Access correspondan con el
inventario real del almacén.
7.3 RECURSOS:
Cámara Guppy con lente 1:1.6/16mm
Almacén AS/RS con 40 posiciones
48
1 Cilindro de PARAFINA Industrial 3mm diámetro
1 Cilindro de Empak 3mm diámetro
1 Cilindro de BRONCE 3mm diámetro
1 Cilindro de ALUMINIO 3 mm diámetro
Aplicación Panel de Materiales 1 en Labview
Nivel de iluminación 1000 lux
7.4 ESTRATEGIA:
7.5 ARTEFACTOS DE PRUEBA
MODULO PRUEBA DESCRIPCION
VISION ASSITANT/CLASIFICATOR
Región de interés y reconocimiento.
Determinar si las regiones de interés están bien determinadas y si se está reconociendo correctamente la materia prima.
LABVIEW Interfaz. Correcto funcionamiento de la interfaz.
ACCESS Base de datos. Verificar si la exportación de los datos se está realizando adecuadamente.
7.5.1 CARACTERÍSTICAS A SER PROBADAS:
La principal característica que se va a probar es el reconocimiento de las materias primas
en las posiciones del almacén. Al probar esto se comprueba el correcto funcionamiento de
la interfaz y de los subprogramas en la aplicación que permita la correcta actualización de
Pruebas reconocimiento por materia prima.
Pruebas reconocimiento por posicion.
Pruebas de reconocimiento de la totalidad del inventario del almacen
49
la base de datos. Adicionalmente se evaluará que tan amigable es la interfaz con el
usuario y se evaluará el diseño del manual de uso de la aplicación.
7.5.2 PRUEBAS UNITARIAS:
Se realizarán pruebas de cada material en cada posición por lo cual se analizarán 120
regiones de interés.
NOMBRE PRUEBAS UNITARIAS
ACTIVIDADES Reconocimiento de cada materia
prima en cada posición.
TIEMPO 5 Min por posición.
ENTREGABLES Listado de chequeo.
7.5.3 PRUEBAS FRONTERA:
Se realizarán pruebas a diferentes horas del día para determinar si la luz natural
afecta el nivel de reconocimiento.
Se evaluará cuáles son las condiciones óptimas en cuanto a la luz artificial para el
reconocimiento.
NOMBRE PRUEBAS UNITARIAS
ACTIVIDADES Reconocimiento del Inventario.
TIEMPO 10 Min por variación.
ENTREGABLES Listado de chequeo.
7.5.4 PRUEBAS DEL SISTEMA:
Se realizará el proceso completo, desde la utilización de la interfaz hasta verificar que la
base de datos contenga la información actualizada del inventario.
NOMBRE PRUEBAS UNITARIAS
ACTIVIDADES Integración del sistema.
TIEMPO 10 Min por variación.
ENTREGABLES Registro Fotográfico.
50
7.6 PROCESO DE PRUEBAS:
Prueba 1.0:
Se tomaron 40 fotos en las cuales se cambió el orden y las posiciones de las materias
primas para analizar el reconocimiento de cada materia en cada posición.
Imagen 31. Posiciones Materia Prima
(Laurence, Tobón, 2013)
NOMBRE Reconocimiento por material
por posición.
PRUEBAS P1
PROPÓSITO Evaluar el nivel de reconocimiento de la aplicación analizando cada
materia prima en las diferentes posiciones.
PRERREQUISITOS Cámara fija.
Materia prima disponible
Iluminación adecuada
UBICACIÓN CTAI sala CIM
ENTRADA Imágenes con los materiales en las diferentes posiciones.
PASOS 1. Capturar la imagen.
2. Ejecutar el programa.
3. Revisar los resultados.
4. Añadir información a las estadísticas.
Salida Lista de chequeo con puntuación de 1 donde reconoce y 0.5
donde no lo hace.
51
Prueba 1.1: Analizar el efecto de las condiciones lumínicas en el nivel de reconocimiento
de la aplicación.
Se deben tomar fotos a diferentes horas del día, y con diferentes intensidades de luz
intercambiando los interruptores de la luz del salón.
Imagen 32. Captura a las 9:00 a.m.
Im
(Laurence, Tobón, 2013)
Imagen 33. Captura a las 12:00 m.
(Laurence, Tobón, 2013)
52
Imagen 34. Captura a las 3:00 p.m.
(Laurence, Tobón, 2013)
Imagen 35. Captura a las 6:00 p.m.
(Laurence, Tobón, 2013)
Imagen 36. Pruebas de contraste
53
(Laurence, Tobón, 2013)
NOMBRE Efecto de las condiciones
lumínicas.
PRUEBAS P1.1
PROPÓSITO Evaluar el nivel de reconocimiento de la aplicación variando las
condiciones de luz.
PRERREQUISITOS Cámara fija.
Materia prima disponible
UBICACIÓN CTAI sala CIM
ENTRADA Imágenes con los materiales en las diferentes iluminaciones
PASOS 1. Capturar la imagen.
2. Ejecutar el programa.
3. Revisar los resultados.
4. Añadir información a las estadísticas.
SALIDA Lista de chequeo con numeración 1 cuando se realiza el
reconocimiento correctamente y 0.5 cuando el reconocimiento no
es correcto.
Prueba 2.0: Evaluar el funcionamiento correcto de la interfaz y analizar el uso de la
misma por parte de usuarios externos al proyecto.
54
Se solicitó la colaboración de 36 participantes para que utilizaran la aplicación, se les
entregó el manual de instrucciones sin hacer ninguna explicación adicional. En caso tal
que la persona tuviera alguna duda o la interfaz falla, se da por terminada la práctica.
Imagen 37. Interfaz
(Laurence, Tobón, 2013)
NOMBRE Evaluar el correcto
funcionamiento de la interfaz
PRUEBAS P2
PROPÓSITO Evaluar el correcto funcionamiento de la interfaz y analizar el uso
de la interfaz por parte de usuarios externos al proyecto.
PRERREQUISITOS Cámara fija.
Materia prima disponible
UBICACIÓN CTAI sala CIM
ENTRADA Diferentes usuarios.
PASOS 1. Capturar la imagen.
2. Ejecutar el programa.
55
3. Revisar los resultados.
4. Añadir información a las estadísticas.
SALIDA Lista de chequeo de funcionamiento.
Prueba 3.0: Comprobar que los datos en la base de datos de Access correspondan con el
inventario real del almacén.
Con base en los datos registrados por los 32 participantes que culminaron la prueba 2.0,
se revisó que los datos estuvieran actualizados y completos.
Imagen 38. Base de Datos
(Laurence, Tobón, 2013)
NOMBRE Correcto funcionamiento en la base de datos.
PRUEBAS P3
PROPÓSITO Revisar si la base de datos se está creando correctamente con la información acertada
PRERREQUISITOS Cámara fija.
Materia prima disponible
UBICACIÓN CTAI sala CIM
56
ENTRADA Diferentes usuarios.
PASOS 1. Capturar la imagen. 2. Ejecutar el programa. 3. Revisar los resultados. 4. Añadir información a las estadísticas.
SALIDA Lista de chequeo de las 36 pruebas
57
7.7 RESULTADOS DE LAS PRUEBAS:
Prueba 1.0: Evaluar el nivel de reconocimiento de la aplicación analizando cada materia prima en las diferentes posiciones.
Tabla 1. Reconocimiento por posiciones
De esta prueba obtuvimos un 70% de reconocimiento, por lo cual procedimos a darle entrenamiento al clasificador y realizar una
prueba adicional.
MATERIAL
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
Parafina 1 1 1 0,5 1 1 0,5 1 1 1 1 1 1 0,5 1 0,5 1 1 1 1 0,5 0,5 0,5 1 1 1 0,5 1 1 0,5 1 1 1 1 0,5 1 0,5 1 1 1
Aluminio 1 0,5 1 0,5 0,5 1 0,5 1 0,5 1 0,5 1 0,5 0,5 1 0,5 0,5 1 0,5 1 1 1 0,5 1 1 0,5 1 1 1 0,5 1 1 0,5 1 1 0,5 0,5 1 1
Empak 1 1 1 0,5 1 0,5 1 0,5 0,5 0,5 1 1 1 1 0,5 1 0,5 1 1 1 1 0,5 1 1 1 0,5 1 1 1 0,5 1 1 1 0,5 1 1 1 0,5 1 0,5
Bronce 1 1 0,5 1 0,5 1 0,5 0,5 1 1 1 0,5 1 1 0,5 1 1 1 0,5 1 1 1 0,5 1 1 1 1 1 1 0,5 1 1 1 1 1 1 1 1 1 0,5
POSICIÓN POSICIÓN
58
Realizamos la siguiente prueba después de entrenar el clasificador con una imagen de cada materia prima a diferentes horas del día
obtuvimos los siguientes resultados:
Tabla 2. Reconocimiento de posiciones con entrenamiento
Analizando todas las materias primas en todas las posiciones encontramos que el sistema dejó de reconocer 19 materias primas de
las 160 que probamos, un 88% de reconocimiento debido a que las confunde con espacios vacíos. Posteriormente analizamos las
posiciones en las que se presentaban problemas de reconocimiento para observar si la posición del almacén en el que se
encontraba la materia prima era significativa en el reconocimiento y obtuvimos los siguientes resultados:
MATERIAL
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
Parafina 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Aluminio 1 0,5 1 0,5 1 1 0,5 1 0,5 1 1 1 0,5 1 1 0,5 1 1 0,5 1 1 1 0,5 1 1 1 1 1 1 1 1 1 0,5 1 1 0,5 0,5 1 1
Empak 1 1 1 0,5 1 1 1 0,5 1 1 1 1 1 1 1 1 0,5 1 1 1 1 0,5 1 1 1 0,5 1 1 1 0,5 1 1 1 0,5 1 1 1 0,5 1 1
Bronce 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
POSICIÓN POSICIÓN
59
Tabla 3. Problemas de reconocimiento
Se evalúa el reconocimiento de cada materia prima en las diferentes posiciones y se evidenció que en los materiales EMPAK y
ALUMINIO se encuentran los problemas debido a que el ALUMINIO es del mismo color que el pallet y el EMPAK se confunde con el
brillo generado por la luz y el pallet. El problema de reconocimiento no es inherente a la posición en la que se encuentre la materia
prima.
2 4 5 8 10 14 17 20 22 24 26 30 34 37 38
Parafina 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Aluminio 1 0,5 1 1 1 1 1 0,5 1 1 0,5 1 1 0,5 1
Empak 1 1 1 1 0,5 1 1 1 0,5 1 1 1 0,5 1 1
Bronce 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
MATERIALPOSICIÓN
60
Prueba 1.1: Analizar el efecto de las condiciones lumínicas en el nivel de reconocimiento de la aplicación.
ANÁLISIS DEL BRONCE
Tabla 4. Condiciones lumínicas Bronce
El BRONCE es reconocido al 100% por la aplicación a diferentes horas del día.
BRONCE
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
8 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
12 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
6 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
160
100% 0%
HORAPOSICIÓN Cantidad de
fallas
0
0
0
0
0
61
ANÁLISIS DE LA PARAFINA
Tabla 5. Condiciones lumínicas Parafina
La PARAFINA es reconocida en un 100% por la aplicación a diferentes horas del día. Debido a que tiene un color fuerte u
contrastante con la superficie del Pallet.
PARAFINA
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
8 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
12 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
6 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
160
100% 0%
0
0
HORACantidad de
fallas
0
0
0
POSICIÓN
62
ANÁLISIS DEL EMPAK
Tabla 6. Condiciones lumínicas Empak
Esta prueba muestra que el reconocimiento varía pero no significativamente en los diferentes horarios, por lo cual podemos concluir
que la las fallas no son generadas por la luz a las diferentes horas del día. El reconocimiento es de un 85%, por lo cual continuamos
con la teoría de que la causa de los errores es el parecido en cuanto al brillo generado por la luz artificial sobre los pallets de
ALUMINIO y el color del EMPAK.
EMPAK
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 0 31 32 33 34 35 36 37 38 39 40
8 1 1 1 1 1 1 1 1 1 0,5 1 1 1 0,5 1 1 1 1 1 1 0,5 1 1 0,5 1 0,5 1 1 1 1 1 1 1 1 0,5 1 1 1 1 1
12 1 1 1 1 1 0,5 1 1 1 1 1 0,5 1 1 1 0,5 1 1 1 1 1 1 1 1 1 1 1 0,5 1 1 1 1 1 1 1 1 0,5 1 1 1
3 1 1 1 1 1 1 1 0,5 1 1 1 1 1 1 1 1 1 1 1 0,5 1 0,5 1 1 1 1 1 1 1 1 1 1 1 0,5 1 1 1 1 1 1
6 0,5 1 0,5 0,5 1 1 1 1 1 0,5 1 1 1 1 0,5 1 1 1 0,5 1 1 1 1 1 1 1 0,5 1 1 1 1 0,5 1 1 1 1 1 0,5 1 1
136
85% 15%
HORAPOSICIÓN Cantidad de
Aucencias
6
5
4
9
24
63
ANÁLISIS DEL ALUMINIO
Tabla 7. Condiciones lumínicas del Aluminio
Esta prueba muestra que el ALUMINIO se reconoce en un 85% correctamente y debido a que las variaciones en las diferentes horas
del día no son significativas, podemos concluir que para el ALUMINIO la iluminación natural no es determinante para el correcto
reconocimiento de la materia prima. El causante de los errores en el reconocimiento de las piezas es el parecido entre el color del
ALUMINIO y los PALLETS.
ALUMINIO
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
8 1 1 1 0,5 1 1 1 1 1 1 0,5 1 1 1 1 1 0,5 1 1 1 1 1 0,5 1 1 1 1 1 1 1 1 0,5 1 1 1 0,5 1 1 1 0,5
12 1 1 1 1 1 1 1 1 0,5 1 1 1 1 1 1 0,5 1 1 1 0,5 1 1 1 1 1 1 1 0,5 1 1 1 1 1 1 1 1 1 0,5 1 1
3 1 1 1 1 1 0,5 1 1 1 1 1 1 1 0,5 1 1 1 0,5 1 1 1 1 1 1 0,5 1 1 1 1 1 1 0,5 1 1 1 1 1 1 1 1
6 1 0,5 1 1 1 1 1 1 1 0,5 1 1 1 1 0,5 1 1 1 1 1 1 0,5 1 1 1 0,5 1 1 1 1 1 1 0,5 1 1 1 1 1 1 1
136
85% 15%
5
5
6
24
HORAPOSICIÓN Cantidad de
repeticiones
7
64
Prueba 2.0: Evaluar el correcto funcionamiento de la interfaz y analizar el uso de la interfaz por parte de usuarios externos al
proyecto.
Tabla 8. Funcionamiento Interfaz
RESUMEN
PARTICIPANTES 36
Preguntas 3
Fallas 1
Participantes satisfechos 32
La interfaz funciona a un 100% en cuanto a conectividad entre las partes y de los resultados de esta podemos concluir que es
amigable con el usuario. Los manuales de procedimiento tienen la información detallada y el paso a paso de la ejecución del
programa tiene buen nivel de detalle fueron las principales observaciones recogidas por los estudiantes. Es una interfaz que simula
los espacios del almacén
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
Preguntas 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 3 10%
Fallas Interfaz 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 3%
PARTICIPANTE
Cantidad de fallas Porcentaje FallasMATERIAL
64
Prueba 3.0: Comprobar que los datos en la base de datos de Access correspondan con el inventario real del almacén.
Tabla 9. Base de Datos
La base de datos esta correctamente vinculada al programa y genera los resultados adecuados de acuerdo al reconocimiento
realizado por la aplicación, este archivo es el que Cosimir control va tomar como base para la ejecución de sus programas.
7.8 ANÁLISIS ÍNTEGRO DEL SISTEMA
Una vez obtenido el análisis por materia prima y por posición del almacén se hizo una prueba de reconocimiento con 50
imágenes del almacén tomadas a diferentes horas del día obteniendo los siguientes resultados:
Tabla 10. Reconocimiento por material Tabla 11. Porcentaje Reconocimiento
1 2 3 4 5 7 8 9 11 12 13 14 15 16 17 18 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 36
Actualizaciones 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0%
Base de Datos 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0%
MATERIALPARTICIPANTE
Cantidad de fallas Porcentaje Fallas
65
Obtuvimos un nivel general de reconocimiento del 88%. No se logró un 100% de reconocimiento debido a que el contraste
entre el color de los materiales y el pallet no es significativo. Por materia prima, obtuvimos un reconocimiento del 100% para la
parafina y el Empak, 92% para los espacios vacíos, 77% para el aluminio y 18% para el empak. Como principales causas el
aluminio se confunde con el color del pallet vacío y el empak (blanco) se confunde con el exceso de brillo sobre los pallets de
aluminio. Adicional a esto se realizaron pruebas de contraste con las luces de mayor incidencia de reflejo apagadas con lo cual
obtuvimos un 100% de reconocimiento debido a que el contraste entre las materias primas y el pallet es significativo.
7.9 RESUMEN DE LOS RESULTADOS
Tabla 12. Resumen Resultados
PRUEBA DESCRIPCIÓN RESULTADOS
1.0 Evaluar el nivel de reconocimiento de la
aplicación analizando cada materia prima en las diferentes posiciones.
La posición del almacén en el que está la materia prima no es el causante del error de reconocimiento.
Nivel de reconocimiento del 88% del inventario del almacén.
1.1 Analizar el efecto de las condiciones
lumínicas en el nivel de reconocimiento de la aplicación.
Nivel de reconocimiento del BRONCE 100% a las diferentes horas del día.
Nivel de reconocimiento de la PARAFINA 100% a las diferentes horas del día.
La iluminación natural a las diferentes horas del día no tiene un efecto significativo en el reconocimiento del EMPAK. Nivel de reconocimiento del empak del 85%. Causas de la variación en el reconocimiento es el brillo generado por la luz artificial sobre los pallets lo que hace que la aplicación confunda el brillo con el color blanco del EMPAK.
66
Continuación Tabla 12.
PRUEBA DESCRIPCIÓN RESULTADOS
1.1 Analizar el efecto de las condiciones
lumínicas en el nivel de reconocimiento de la aplicación.
Variación de las condiciones naturales de luz durante el día no tiene efecto significativo en el reconocimiento del ALUMINIO. Nivel de reconocimiento de del ALUMINIO del 85%. Las causas de error en el reconocimiento de aluminio se deben al parecido en el color del Aluminio y el color de los pallets vacíos.
2.0 Evaluar el funcionamiento correcto de la interfaz y analizar el uso de la misma por parte de usuarios externos al proyecto.
Interfaz amigable para el usuario y fácil de entender. Los manuales e instructivos tienen el procedimiento detallado.
3.0 Comprobar que los datos en la base de datos de Access correspondan con el inventario real del almacén.
El inventario reconocido por la aplicación es transmitido correctamente y vinculado con la base de datos de Access.
0
8.0 INTEGRACIÓN DEL SISTEMA
Los resultados obtenidos en el archivo de procesamiento de imágenes son exportados a
la base de datos de Access del almacén para que posteriormente Cosimir Control la lea y
actualice su interfaz de inventario.
Figura 12. Access-Cosimir Control
(Laurence, Tobón, 2012)
0
9.0 COSTO BENEFICIO DEL PROYECTO
El proyecto utilizó la licencia de software del programa Labview de National Instruments,
equipos de computación, el sistema de manufactura flexible y la cámara Guppy. Se le dio
mayor uso a recursos que estaban siendo sub-utilizados como la cámara, la cual se había
adquirido hace varios meses y no se había utilizado.
Los costos que se incurrieron en la elaboración del proyecto son los siguientes:
Tabla 13. Costos Elaboración
Cantidad Costo TOTAL
Licencia LabVIEW®
1 366 US
Mensuales
3.952.800
Tiempo Investigación
192 Horas $5.200 Hora
998.400
Asesoría Expertos
18 Horas $40.000 Hora
720.000
Cámara Guppy AVT
1 $ 900.000
900.000
Computador 1 $ 1.800.000
1.800.000
Soporte 1 $ 60.000
60.000
8.431.200
Uso eficiente del tiempo de práctica: El tiempo promedio de una práctica de laboratorio
es de 2 horas, de los cuales se pierden aproximadamente 15 minutos en el proceso de
actualizar manualmente el inventario, por las causas explicadas anteriormente. Al
automatizar este proceso, estos 15 minutos no son necesarios y pueden ser utilizados en
realizar más simulaciones y lograr mejores resultados de las prácticas. Mirándolo desde el
punto de vista económico, una hora de laboratorio tiene un costo de $850.000; (González
Sergio, 2013) por cada 4 prácticas realizadas estaríamos ahorrando 1 hora. En este
tiempo el sistema estaría disponible para alquilarlo externamente, lo cual representaría un
ingreso extra para el CTAI de 850.000 por cada 4 prácticas realizadas. Este dinero puede
ser invertido en comprar nuevos equipos que permitan al laboratorio ser líder en
investigación y desarrollo de tecnología.
1
Evitar daños en equipos: El costo del sistema de manufactura flexible del CTAI está
avaluado en $1 millón de dólares (González Sergio, 2013), cualquier colisión o daño de
estos equipos por mínimo que sea es costoso. En el historial de accidentes del CTAI los
daños y reparaciones de equipos por ejecutar programas con materias primas incorrectas
hacienden a los $10 millones de pesos, los cuales se evitaría realizando la actualización
del inventario sin la intervención de los estudiantes.
Este proyecto genera un acercamiento más real al funcionamiento de la industria,
automatizando el proceso de actualización del inventario pues el sistema de manufactura
flexible queda totalmente automatizado y puede simular un proceso completo de
producción. Además permite la integración de otras asignaturas al uso del CTAI ya que va
a permitir realizar un análisis más completo de procesos de producción, los movimientos
de las materias primas quedan registrados y se van a poder calcular indicadores de costo
y producción.
La implementación de esta plataforma beneficia a los estudiantes de ingeniería, de
diferentes pregrados, estudiantes de educación superior de otras universidades,
especializaciones, consultores y profesores que utilicen el FMS del CTAI debido a que
pueden realizar prácticas más seguras y más eficientes e integrar otras asignaturas
relacionadas a un proceso real de producción.
0
10. CONCLUSIONES
Con este proyecto se desarrolló una plataforma virtual para la actualización automática de inventarios del sistema de almacenamiento automático AS/RS del centro tecnológico de automatización industrial CTAI a través de reconocimiento de imágenes.
• Se analizó el sistema de almacenamiento AS/RS y se evidenció que el proceso de actualización del inventario se realizaba a partir de la observación y digitación manual de los códigos en las respectivas posiciones. A partir de este análisis se determinó que el mejor método de reconocimiento era a través de patrones de color debido a que las materias primas son de igual forma y de textura parecida. Partiendo de múltiples imágenes y pruebas se establecieron los patrones de comparación que permitieron el procesamiento de imágenes e identificación de las materias primas.
• Se establecieron patrones de comparación por color del material ya que la similitud de textura y forma impedían establecer características comparables. Partiendo de la comparación de los patrones de color se logró un reconocimiento de imágenes de un 88%. No se alcanzó un 100% de reconocimiento debido a que el contraste entre el color de los materiales y el pallet no es significativo, adicionalmente algunas áreas del almacén reciben unos niveles de luz altos donde el pallet toma colores similares a los de la materia prima. (Anexo 4 en el CD imágenes de resultados de las pruebas)
• Se realizó la interfaz humano máquina en LABVIEW® para la actualización del inventario del AS/RS, lo que permite conocer las materias primas en las 40 posiciones del almacén. Sin embargo esta interfaz no se logró actualizar en tiempo real debido a que el instalador de la cámara con LabVIEW® no se encuentra disponible. Este driver permite conectar la cámara Guppy en tiempo real con LabVIEW® y es necesario solicitarlo directamente a través de la universidad con National Instruments.
• Se puede observar que los materiales que más presentan errores son el empak y los espacios vacíos; los espacios vacíos se confunden con el color del aluminio. El empak se confunde con los pallets de base blanca y el exceso de brillo sobre las bases de aluminio debido a que la curva de color de estos es muy parecida.
1
Realizando pruebas de contraste se llegó a la conclusión que es necesario aumentar el contraste entre las materias primas y el pallet ya que haciéndolo obtuvimos un 100% de reconocimiento.
• El proyecto generó beneficios a los estudiantes y a el CTAI ya que los tiempos de una práctica promedio se disminuyeron aproximadamente 15 minutos lo cual genera una hora menos de práctica por cada cuatro prácticas de dos horas realizadas, con esto se puede incluir mayor contenido en los planes de trabajo de las asignaturas asociadas al CIM o se podría alquilar el servicio del laboratorio a entidades externas con un costo de $850.000 la hora. Adicionalmente implementando esta aplicación se evitaran los errores y daños en la maquinaria por ejecución de programas con materias primas incorrectas que actualmente están generando costos de $10´000.000 anuales.
• La visión artificial es una herramienta que permite la automatización de procesos de inspección, clasificación y control de calidad. Por medio de la visión artificial logramos elaborar un sistema de reconocimiento que cumplió los requerimientos propuestos, que permite actualizar el inventario del almacén disminuyendo la intervención del hombre en el proceso. Automatizando este proceso, el sistema de manufactura flexible del CTAI queda totalmente automatizado.
• El aporte de este proyecto desde la ingeniería industrial es la automatización de un proceso que se realizaba manualmente incurriendo entonces en costos innecesarios y pérdida de tiempo. Este modelo deja como resultado un producto tangible, aplicable y al alcance de los usuarios, aprovechando recursos que estaban siendo subutilizados por el laboratorio generándole valor agregado.
2
11. RECOMENDACIONES
Debido a que el método de reconocimiento no funcionó al 100%, se recomienda
que los pallets tengan un color más contrastante con las materias primas, ya que
este es un factor determinante que afecta los resultados del sistema.
Adicionalmente, es necesario establecer un mecanismo de diferenciación en los
pallets pues estos no son uniformes por lo cual el programa genera errores.
Para tener una actualización en tiempo real del inventario se debe adquirir el driver
de conectividad en tiempo real de la cámara Guppy y LabVIEW® de National
Instruments. Este se adquiere en National Instruments, Konrad-Celtis-Str. 79,
81369 München, Germany, Tel. +49-89-7413130, Calling from the US: (800) 531-
5066, Email: info.germany@ni.com, Internet: www.ni.com/vision con el convenio
que tiene la Pontificia Universidad Javeriana con National Instruments.
Se recomienda tener homogeneidad en las dimensiones de las materias primas
para así poder realizar reconocimiento por formas y agregar el reconocimiento a
nuevas materias primas del almacén, ya que solamente identifica las materias
primas de mayor rotación y actividad en el CTAI.
3
12. GLOSARIO
AS/RS- Automatic Storage/Retrieval system. Sistema de almacenamiento altamente
automatizado, recoge los objetos del método de transporte y los organiza en los estantes.
CTAI- Centro Tecnológico de Automatización Industrial. Laboratorio de la Pontificia
Universidad Javeriana.
EMPACK- Materia prima de color blanco, reutilizable y utilizada en el CTAI.
ROI- Región de interés, espacio determinado en la imagen que va a ser analizado
posteriormente.
NI Color Classification Training- Complemento de LabVIEW que genera un
entrenamiento de las variaciones de algunas imágenes a reconocer.
NI Vision Assistant- Complemento de LabVIEW que facilita la elaboración de VI.
VI- Archivo ejecutable en LabVIEW.
Mask/Máscara- Enfocar la imagen a un sector específico donde posteriormente se
podrán seleccionar regiones de interés.
4
13.BIBLIOGRAFÍA
Alibaba (Sf). Almacenamiento y recuperación automática sistema de paletización
(asrs). Recuperado el 24 de Febrero de 2013 de http://spanish.alibaba.com/product-
gs/automatic-storage-and-retrieval-pallet-racking-system-asrs--541170878.html
Alibaba (Sf). Productos. Recuperado el 25 de Febrero de 2013 de
http://spanish.alibaba.com/product-gs/chrome-bins-shelf-298411198.html
Anónimo (Sf). Recuperado el 25 de Febrero de 2013 de
http://www.google.com.co/search?hl=es-
419&q=almacenamiento+estanterias&biw=1241&bih=606&bav=on.2,or.r_gc.r_pw.r_qf.
&um=1&ie=UTF-
8&tbm=isch&source=og&sa=N&tab=wi&ei=e5s2Ubr5A4rA8ASMiIHwBw#um=1&hl=es-
419&tbm=isch&sa=1&q=ALMACENAMIENTO+APILAMIENTO&oq=ALMACENAMIEN
TO+APILAMIENTO&gs_l=img.3...13193.16375.6.16494.15.15.0.0.0.6.284.2208.3j7j4.
14.0...0.0...1c.1.5.img.U5W4CkOX06w&bav=on.2,or.r_gc.r_pw.r_qf.&bvm=bv.4328749
4,d.eWU&fp=a82dbe4979da332c&biw=1241&bih=606
Barrientos (1997). Fundamentos de robótica. Madrid, McGraw – Hill
Biblioteca General (Sf). Definiciones. Recuperado el 20 de Febrero de 2013 de
http://bibliotecadigital.ilce.edu.mx/sites/ciencia/volumen2/ciencia3/084/htm/sec_9.htm
Bustacara, Manrique, Parra, Zambrano (2007). Estación de control de calidad por
visión artificial para un centro de manufactura integrada por computador (CIM). Bogotá
D.C.
Cha, Horch, Norman (1992). Mobility performance with a pixelized vision system,
Vision Research. Estados Unidos
De la Fraga (2007). Procesamiento Digital.
Fu (1990). Robótica, control, detección, visión e inteligencia. Mexico, McGraw – Hill
Garcia (2007). Procesamiento Audiovisual. España
Gleason (Sf). Nuestros productos. Recuperado el 24 de Febrero de 2013 de
http://www.gleason.com.ve/productos.php
Gómez (Sf). AS/RS LaSDI. Recuperado el 24 de Febrero de 2013 de www.ing.ula.ve
Gonzalez (1993). Digital Image Processing. Addisson Wesley
Groover Mikel, Automation, Production Systems and Computer Integrated
Manufacturing. Second Edition. PrenticeHall. 2001.
Groover (1994). Robótica industrial, tecnología, fundamentos de robótica. Madrid,
McGraw – Hill
LabVIEW®. Herramienta Ayuda.2010
Laurence, Tobón. Access Cosimir Control. Noviembre 13 de 2012. Fotomontaje digital.
Archivo de los autores
Laurence, Tobón. Ajustes. Noviembre 10 de 2012. Fotomontaje digital. Archivo de los
autores
5
Laurence, Tobón. Alcance cámara Guppy. Agosto 18 de 2012. Fotomontaje digital.
Archivo de los autores
Laurence, Tobón. Ángulo cámara Guppy. Agosto 18 de 2012. Fotomontaje digital.
Archivo de los autores.
Laurence, Tobón. Base de Datos. Marzo 2 de 2013. Fotomontaje digital. Archivo de
los autores.
Laurence, Tobón. Calibración cámara. Septiembre 25 de 2012. Fotomontaje digital.
Archivo de los autores
Laurence, Tobón. Cambio manual material primas. Agosto 3 de 2012. Fotomontaje
digital. Archivo de los autores.
Laurence, Tobón. Captura a las 9:00 a.m.. Marzo 1 de 2013. Fotomontaje digital.
Archivo de los autores.
Laurence, Tobón. Captura a las 12:00 m.. Marzo 1 de 2013. Fotomontaje digital.
Archivo de los autores.
Laurence, Tobón. Captura a las 3:00 p.m.. Marzo 1 de 2013. Fotomontaje digital.
Archivo de los autores.
Laurence, Tobón. Captura a las 6:00 p.m.. Marzo 1 de 2013. Fotomontaje digital.
Archivo de los autores.
Laurence, Tobón. Clasificación materia prima. Septiembre 28 de 2012. Fotomontaje
digital. Archivo de los autores
Laurence, Tobón. Color Classification. Septiembre 29 de 2012. Fotomontaje digital.
Archivo de los autores
Laurence, Tobón. Comparación imágenes. Septiembre 29 de 2012. Fotomontaje
digital. Archivo de los autores
Laurence, Tobón. Diseño de rótula. Septiembre 22 de 2012. Fotomontaje digital.
Archivo de los autores
Laurence, Tobón. Ejemplo entrenamiento clasificador. Septiembre 29 de 2012.
Fotomontaje digital. Archivo de los autores
Laurence, Tobón. Función Mask LabVIEW®. Octubre 28 de 2012. Fotomontaje digital.
Archivo de los autores
Laurence, Tobón (Febrero 20 de 2013). Gráficas resultantes. Fotomontaje digital.
Archivo del autor.
Laurence, Tobón. Histograma de pixeles. Septiembre 29 de 2012. Fotomontaje digital.
Archivo de los autores
Laurence, Tobón. Instalación cámara. Septiembre 25 de 2012. Fotomontaje digital.
Archivo de los autores
Laurence, Tobón. Instalación Soporte. Septiembre 25 de 2012. Fotomontaje digital.
Archivo de los autores
Laurence, Tobón. Interfaz. Octubre 9 de 2012. Fotomontaje digital. Archivo de los
autores
6
Laurence, Tobón. Lente nuevo. Agosto 31 de 2012. Fotomontaje digital. Archivo de los
autores
Laurence, Tobón (Febrero 20 de 2013). Matriz HUE. Fotomontaje digital. Archivo del
autor.
Laurence, Tobón (Febrero 20 de 2013). Ni Color Clasification training. Fotomontaje
digital. Archivo del autor.
Laurence, Tobón. Obtención de imagen. Septiembre 29 de 2012. Fotomontaje digital.
Archivo de los autores
Laurence, Tobón. Pallet. Octubre 9 de 2012. Fotomontaje digital. Archivo de los
autores
Laurence, Tobón. Patrón de comparación aluminio. Septiembre 28 de 2012.
Fotomontaje digital. Archivo de los autores
Laurence, Tobón. Posiciones materia prima. Marzo 2 de 2013. Fotomontaje digital.
Archivo de los autores.
Laurence, Tobón. Primer prototipo. Septiembre 5 de 2012. Fotomontaje digital. Archivo
de los autores
Laurence, Tobón. Proceso de detección de color. Septiembre 28 de 2012.
Fotomontaje digital. Archivo de los autores
Laurence, Tobón. Prototipo con inclinación. Septiembre 8 de 2012. Fotomontaje
digital. Archivo de los autores
Laurence, Tobón. Pruebas de contraste. Marzo 4 de 2013. Fotomontaje digital.
Archivo de los autores.
Laurence, Tobón. Resolución cámara web. Agosto 18 de 2012. Fotomontaje digital.
Archivo de los autores.
Laurence, Tobón. Resultado clasificación materias primas. Septiembre 29 de 2012.
Fotomontaje digital. Archivo de los autores
Laurence, Tobón. Soporte para la cámara. Septiembre 22 de 2012. Fotomontaje
digital. Archivo de los autores
Laurence, Tobón. Vi generado por Script. Octubre 5 de 2012. Fotomontaje digital.
Archivo de los autores
Mery (2002). Visión artificial. Santiago de chile
Mondragón (sf). Recuperado el 26 de Febrero de 2013
National Instruments (sf). High-speed camera system ensures sanitary product quality.
Recuperado el 5 de Febrero de 2012 de http://sine.ni.com/cs/app/doc/p/id/cs-10116
National Instruments (sf). Kraft Foods Uses Graphical System Design for Intelligent
Machine Fault Detection and Analysis of Easy Mac and Coffee Packaging Lines.
Recuperado el 5 de Febrero de 2012 de http://sine.ni.com/cs/app/doc/p/id/cs-783
National Instruments (Sf). LabView para visión artificial. Recuperado el 20 de Febrero
de 2013 de http://sine.ni.com/nips/cds/view/p/lang/es/nid/10419
National Instruments (sf). Módulo NI Vision Development. Recuperado el 25 de
Febrero de 2013 de http://www.ni.com/labview/vision/esa/
7
National Instruments (sf). NI LABVIEW ® and Vision Products Monitor Pharmaceutical
Processes. Recuperado el 5 de Febrero de 2012 de
http://sine.ni.com/cs/app/doc/p/id/cs-399
NI Vision for LabVIEW®. User manual.2010. pg2-1
NI Vision for LabVIEW®. User manual.2010. pg2-2
NI Vision for LabVIEW®. User manual.2010. pg2-6
NI Vision for LabVIEW®. User manual.2010. pg3-4
NI Vision for LabVIEW®. User manual.2010. pg3-14
Oswaldo (2012). Software de almacén. Recuperado el 25 de Febrero de 2013 de
http://softwaredealmacen.blogspot.com/
Paladines, Salcán, Valdivieso. Aplicación de Visión con Labview para la detección de
frascos de distinto color. Guayaquil
Tornero (1996). Planificación y guiado de sistemas robotizados. Valencia, Universidad
Politécnica de Valencia
8
ANEXOS
9
ANEXO 1. INSTRUCTIVO DE USO PARA LA ACTUALIZACIÓN DE INVENTARIOS
1. Tomar la imagen mediante el software de la cámara.
a. En el escritorio clic sobre el ícono
b. Doble Clic en el código OHCILynx (0x040400)
c. Doble Clic en 0: Guppy F146C (AVT)
d. Clic en para iniciar la captura.
e. Clic en para finalizar la captura.
10
f. Archivo – Guardar la Imagen en la Carpeta “INVENTARIO” ubicada en el
escritorio remplazando la imagen existente.
2. Inicializar el programa LabVIEW®.
11
3. Abrir el VI llamado “Panel-Meteriales-1” ubicado en la carpeta “Reconocimiento de
Imágenes” en el escritorio. (Solo necesario si el archivo no aparece en
documentos recientes de LabVIEW®).
4. Digitar los códigos con los que queremos identificar las materias primas en los
espacios en blanco.
12
5. Abrir el archivo del clasificador de la carpeta “Clasificador” en la carpeta
“Reconocimiento de Imágenes”. Es un archivo con la extensión .clf
6. Ejecutar el programa.
7. Clic en el botón identificar
8. EL programa va a solicitar cargar una imagen y es aquí donde demos abrir la
imagen tomada con la cámara que previamente almacenamos en la carpeta
“INVENTARIO” del escritorio.
9. El programa analiza la imagen y muestra el resultado de las materias primas
detectadas en el almacén.
10. LabVIEW® exporta los datos a Access y a su vez Cosimir se alimenta de esta.
11. Cada 10 segundos LabVIEW® pedirá una nueva imagen para tener el inventario
actualizado.
13
ANEXO 2. CARACTERÍSTICAS CÁMARA GUPPY F-146
14
ANEXO 3. PASOS PARA AGREGAR UNA MATERIA PRIMA AL SISTEMA DE
RECONOCIMIENTO
1. Abrir el programa NI Color ClassificationTraining.
2. Abrir una imagen del almacen donde este la nueva materia prima deseada.
3. Oprimir Add Class.
4. Dar el nombre deseado a la materia prima y OK.
5. Sobre la imagen seleccionar la región de interés (ROI) donde aparezca la nueva
materia prima y clic en Add Sample. Repetir este paso hasta que se tenga una
muestra significativa de imágenes.
15
6. En la pestaña Classify dar clic en Train Classifier
7. Clic en guardar
8. Abrir el Archivo Panel-Materiales-1 en LabVIEW.
9. Clic derecho en donde muestra el círculo rojo y damos Add Case After. Le damos
el nombre que queremos a la variable (nueva materia prima) y OK.
10. Creamos el contador de la nueva materia prima.
16
11. En la interfaz del programa, llamar el clasificador previamente creado y correr el
programa.
12. Ejecutar el programa.
Recommended