SciELO - Scientific Electronic Library Online

 
vol.17 issue4Evaluation of Predictive Models for the Liquid Saturation Density of Aldehydes, Ketones, and AlcoholsDevice for the Evaluation and Diagnosis of the Headstock Condition in High Speed Machining Centers author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

Share


Información tecnológica

On-line version ISSN 0718-0764

Inf. tecnol. vol.17 no.4 La Serena  2006

http://dx.doi.org/10.4067/S0718-07642006000400004 

 

Información Tecnológica-Vol. 17 N°4-2006, pág.: 17-22

AUTOMATIZACION Y CONTROL

Sistema Borroso de Inspección del Rebarnizado de Tapas en la Industria Metalgráfica

Fuzzy System to inspect Can End Repair Coating in Canmaking Industry

Perfecto Mariño, Vicente Pastoriza, Miguel Santamaría y Emilio Martínez
Universidad de Vigo. Departamento de Tecnología Electrónica. Campus Universitario, s/n.
36310 Vigo-España (e-mail: {pmarino, vpastoriza, msanta, emtnez}@uvigo.es)


Resumen

Se ha desarrollado un sistema de inspección automático y en línea, basado en ingeniería de visión, para mejorar el control de calidad del rebarnizado de tapas abrefácil de envases metálicos en la industria metalgráfica y conservera. El algoritmo empleado por el sistema de ingeniería de visión estima la calidad media de rebarnizado de cada tapa mediante un sistema borroso. En este trabajo se presenta dicho algoritmo así como la construcción del sistema borroso mediante un modelado neuro-borroso. El sistema de inspección examina el total de la producción, clasifica las tapas de acuerdo con un inspector humano experto, ofrece interpretabilidad a los operarios del proceso para averiguar los motivos de fallo y reducir el tiempo medio entre fallos, y permite modificar la calidad mínima de aceptación de tapas. El algoritmo permite la inspección del total de la producción de tapas y puede ser extendido a otros formatos de tapas.

Palabras Claves: ingeniería de visión, sistema borroso, rebarnizado de tapas, industria metalgráfica


Abstract

An automatic online inspection system, based on machine vision, has been developed to improve the easyopen can end repair coating quality control in canmaking industry and canneries. The machine vision algorithm estimates the average repair coating quality on each end using a fuzzy system. In this work the algorithm and the fuzzy system building via neuro-fuzzy modeling is presented. The inspection system checks the total production, classifies the ends in agreement with an expert human inspector, supplies interpretability to the operators in order to find out the failure causes and reduce the mean time needed to solve failures, and allows to modify the minimum can end repair coating quality. The algorithm allows the inspection of the whole production process and can be extended to other can end formats.

Keywords: machine vision, fuzzy system, can end repair coating, canmaking industry


INTRODUCCION

Una lata de conserva es un envase metálico de aluminio o acero que consta de un cuerpo y una tapa; que se puede emplear para con­tener una amplia variedad de productos: bebidas, comidas, aerosoles, pinturas, y otros muchos contenidos. La industria metalgráfica fabrica latas de diferente forma y tamaño (formato). Todas las latas se recubren con un barniz en su interior y exterior para proteger el envase contra la corrosión. Las tapas pueden ser de apertura estándar o de abrefácil.

El proceso de fabricación de tapas abrefácil consiste en primer lugar en la estampación de hojas de metal prebarnizadas en una prensa; después se le aplica a cada tapa una incisión (debilitado) cuyo propósito es facilitar la apertura; y a continuación, se añade una anilla para formar el abrefácil. Como después de estos pasos el recubrimiento inicial de barniz de la tapa queda dañado, especialmente en la región de debilitado, un rebarnizado es aplicado a la tapa para garantizar su protección contra la corrosión (Fig. 1). Para facilitar el posterior control de calidad, al barniz de rebarnizado se le añade un pigmento fluorescente que resalta la región de rebarnizado cuando se expone la tapa a luz negra ultravioleta.

Actualmente, en el sector de enlatado de ali­mentos, en el proceso de fabricación de las tapas abrefácil, se lleva a cabo un procedimiento de prueba no destructiva (PND) para garantizar el ciclo de vida del producto deseado. Esta PND se basa en evaluar la calidad del rebarnizado de las tapas mediante una inspección visual por parte de inspectores humanos (Lin et al., 1998). Esta inspección consiste en exponer la tapa a luz negra ultravioleta para destacar su región de rebarnizado y comprobar si dicha región cubre todo el debilitado de la tapa. Debido a la alta tasa de producción (de 100 a 500 tapas por minuto, dependiendo del formato de la tapa) sólo una pequeña parte de cada lote es comprobada. Es importante por tanto, mejorar el control de rebarnizado de tapas abrefácil para evitar que tapas defectuosas pasen desapercibidas y sean enviadas a las conserveras.

Es por ello que hemos participado en el diseño y desarrollo de un sistema de ingeniería de visión en línea y automatizado para evaluar el rebarnizado de todas las tapas producidas, y que hemos llamado Sistema de Inspección del Rebarnizado de Tapas (SIRT). En la Fig. 2 se observan los componentes del SIRT. El sistema propuesto toma la decisión de aceptación/rechazo para cada tapa estimando la calidad media de rebarnizado mediante un sistema borroso. Un modelado neuro-borroso es utilizado para construir este sistema borroso. El sistema de inspección permite examinar el total de la producción de tapas, clasificándolas de acuerdo con un inspector humano experto.

Fig. 1: Esquema de una tapa formato 1/4 Club.


Fig. 2: Esquema del sistema de inspección del rebarnizado de tapas (SIRT). 

EL ALGORITMO DE INSPECCIÓN

El algoritmo empleado por el SIRT para la inspección del rebarnizado de una tapa se basa en la estimación de la calidad media de rebarnizado de ésta.

Antes de que el SIRT comience la inspección en línea de tapas es necesario configurar o reconfigurar una serie de parámetros: 1) Retardo de entrada (RE), tiempo transcurrido entre que el sensor ubicado antes de la cámara detecta la tapa y ésta alcanza la cámara, y retardo de salida (RS), tiempo transcurrido entre que el sensor situado a continuación de la cámara detecta el paso de la tapa, y ésta pasa junto al sistema de expulsión. 2) La región de interés de la imagen (region of interest, ROI) donde se inspecciona el rebarnizado incluye toda la línea del debilitado de la tapa (Fig. 1). Como se observa en la Fig. 3 un cuadrante de la ROI se modela geométricamente mediante los parámetros b y r. Además de esos parámetros es necesario añadir un espesor e a la ROI. Por simetría se obtiene la ROI completa. 3) Configuración del umbral de rechazo de las tapas. Con el fin de tomar la decisión de aceptación/rechazo para cada tapa se define la Calidad Mínima Media del Rebarnizado (CMMR) que debe tener una tapa para no rechazarla.

El algoritmo de inspección consta de las siguientes partes: 1) Adquisición de una imagen de la tapa, el sensor situado antes de la cámara advierte al sistema de que una tapa a inspeccionar se aproxima; un tiempo RE después de que la tapa haya sido detectada, la cámara es disparada. 2) Evaluación, después de adquirir una imagen de la tapa ésta es procesada. Este procesado consiste en primer lugar en la localización del centro y orientación de la tapa para encuadrar correctamente la ROI, ya que en el momento de la captura de la imagen la tapa puede estar desalineada con respecto a la cámara. A continuación, y para facilitar el análisis, la ROI se convierte en una tira rectilínea. El método de rectificación utilizado es el de los 4 vecinos más próximos (Gonzalez y Woods, 2002). Esta tira rectilínea es una Tabla de Consulta (Look-Up Table, LUT) cuyo tamaño es de n columnas con e píxeles cada una (Fig. 4). La longitud n depende de la resolución elegida para dividir el perímetro de la ROI. En tercer lugar, se evalúa la calidad de rebarnizado (CR) para cada una de las n columnas de la LUT mediante un sistema borroso. Este sistema borroso, que se describe en detalle en la siguiente sección, estima la CR de una columna dada empleando como entradas la máxima intensidad de píxel, la desviación estándar de la intensidad de píxel y el centro de masas de dicha columna. Después, a partir de estos n valores de CR de la LUT se calcula la calidad media de rebarnizado de la tapa (CMR). Finalmente, se decide rechazar la tapa si se da la condición CMR<CMMR. 3) Expulsión, si la tapa es defectuosa, entonces se activa el sistema de expulsión un tiempo RS después de ser detectada la tapa por el sensor situado después de la cámara.

Fig. 3: Modelo geométrico de un cuadrante de la ROI.


Fig. 4: Ejemplo de LUT que contiene las intensidades de píxel de la ROI rectificada.

MODELADO

Con el fin de evaluar la CR en una columna de la LUT se emplea un sistema borroso (Yager y Zadeh, 1994; Klir y Yuan, 1995) cuyas entradas son un conjunto de atributos que contienen la información relevante de dicha columna. Los 9 atributos utilizados son: 1) Máxima intensidad de píxel (Max), 2) Mínima intensidad de píxel (Min), 3) Intensidad media de píxel (Mean), 4) Intensidad mediana de píxel (Median), 5) Desviación estándar de la intensidad de píxel (Std), 6) Coeficiente de asimetría de la intensidad de píxel (Skew), 7) Centro de masas de la columna de intensidades de píxel (CoM), 8) Momento de inercia  (MoI) de la intensidad de píxel respecto un eje que pasa por el CoM, 9) Bisector de la intensidad de píxel (Bis).

Debido a la elevada tasa de producción de tapas, se busca un sistema borroso con un compromiso entre precisión elevada y número reducido de entradas que garantice un tiempo de procesado suficientemente pequeño que permita la inspección de toda la producción. Se propone por ello, un sistema borroso Takagi-Sugeno-Kang (TSK) (Takagi y Sugeno, 1985; Sugeno y Kang, 1988) de orden cero, k de los 9 atributos de la columna como entradas y la CR de la columna como salida. Estos sistemas borrosos son apropiados para modelar sistemas no lineales.

El algoritmo Adaptive Neuro-Fuzzy Inference System (ANFIS) (Jang, 1993; Jang y Sun, 1995; Jang 1996) es empleado en primer lugar como método de selección de entradas del sistema borroso. Este método se basa en la hipótesis de que el modelo ANFIS con el menor error cuadrático medio (root mean square error, RMSE) después de la primera iteración del entrenamiento tiene mayor potencial que el resto de alcanzar un RMSE menor cuando se prolonga el número de iteraciones. Se ha elegido particionamiento en rejilla (grid partitioning) como método de partición para ANFIS. A continuación, una vez seleccionados los atributos de entrada del modelo, se aplica agrupamiento substractivo (substractive clustering) (Chiu, 1994) para disminuir el número de reglas del modelo, lo cual mejora su interpretabilidad al reducir su complejidad. Finalmente, se mejoran las prestaciones de dicho modelo aplicando ANFIS un número prolongado de iteraciones.

RESULTADOS Y DISCUSION

Se ha estudiado un único formato de tapa abrefácil denominado 1/4 Club que es el mostrado en la Fig. 1. Con el fin de ajustar el modelo borroso se seleccionó un conjunto de datos entrada-salida extraído de 11 tapas representativas, y que aglutinan todos los posibles defectos de rebarnizado para ese formato.

Aplicando las primeras etapas del algoritmo de inspección, se obtuvo para cada tapa una LUT de un tamaño n x e de 702 columnas con 19 píxeles cada una. Después de eliminar datos fuera de rango, el conjunto total de datos, de tamaño 6669 columnas con 19 píxeles cada una, fue dividido en un conjunto para entrenamiento de tamaño 3335x19 píxeles y otro para comprobación de tamaño 3334x19 píxeles. El conjunto de comprobación es usado para determinar cuando terminar el entrenamiento, y así, evitar sobreajuste.

A continuación, para cada columna de los datos se obtuvieron los 9 atributos utilizados como posibles entradas del modelo borroso. Seguidamente, se hizo un estudio para esta­blecer k, mínimo número de atributos de en­trada que garantiza una precisión aceptable de la CR de salida del modelo borroso. El mínimo número de atributos encontrado para garantizar la bondad del modelo fue 3. Entonces a partir de los 9 atributos de entrada, existen 84 posibles modelos borrosos diferentes con 3 entradas. Como mejor modelo borroso de los 84 se seleccionó el que obtuvo el menor RMSE después de una iteración de entrenamiento con ANFIS. Dicho modelo consta de 8 reglas borrosas, tiene como atributos de entrada: Max, Std y CoM, y como salida CR. Después, un agrupamiento subs­tractivo con un radio de influencia 0.5 fue aplicado a este modelo, obteniéndose un nuevo modelo que pasa de 8 a 3 reglas, y tiene un error de 0.3106 para el entrenamiento y 0.3091 para la comprobación. Por último, ANFIS fue aplicado a este modelo borroso de 3 reglas un número prolongado de iteraciones, lográndose un modelo final con un RMSE de 0.0102 para el entrenamiento y 0.0101 para la comprobación. No hay sobre­ajuste del modelo por ser ambos RMSE similares.

En la Tabla 1 se muestran las 3 reglas del modelo borroso obtenido y en la Fig. 5 se muestran las funciones de pertenencia para cada entrada. La intensidad de píxel puede tomar valores entre 0 (color negro, sin barniz) y 255 (color blanco, con barniz), y el centro de masas puede tomar valores entre 1 y 19 (este último es el número de píxeles de una columna). A partir de las reglas y funciones de pertenencia del modelo borroso se deduce que la CR en una columna dada de la LUT es aceptable si y sólo si en dicha columna Max > 150 y Std > 35 y CoM ≈ 9.5 (Fig. 5). La interpretación de esto es la siguiente: 1) Cuanto mayor es la cantidad de barniz, mayor es la intensidad de píxel; el mínimo aceptable es 150. 2) Como hay una mayor variedad de intensidades de píxel en una columna aceptable que en una con poco barniz, la intensidad de píxel está menos uniformemente distribuida (mayor Std) en una aceptable; la mínima Std aceptable es 35. 3) Cuanto más cerca está el CoM del centro de la columna (19/2 = 9.5) mejor es la CR, esto se debe a que la porción de debilitado que contiene cada columna está centrada sobre ella (debido a que la ROI se situada centrada sobre el debilitado); entonces que el centro de masas de cada columna esté centrado indica que el barniz está aplicado sobre el debilitado.

Una vez obtenido el sistema borroso, que estima la CR de cada columna de una LUT para tapas abrefácil formato 1/4 Club, se calcula la calidad de rebarnizado de cada tapa. Esta CR de la tapa se estima a través de su CMR, que a su vez se calcula como promedio de la CR en las 702 columnas de 19 píxeles en las que ha sido dividida la ROI.

Tabla 1: Reglas del sistema borroso.

Antecedente

CR de una columna

Si Max es Max1 y Std es Std1 y CoM es CoM2

Inaceptable

Si Max es Max2 y Std es Std2 y CoM es CoM3

Inaceptable

Si Max es Max3 y Std es Std3 y CoM es CoM1

Aceptable


Fig. 5: Funciones de pertenencia para cada entrada del sistema borroso.

En la Fig. 6 se muestra, en orden descendente, la CMR de las 11 tapas abrefácil 1/4 Club que aglutinan todos los posibles defectos de rebarnizado para ese formato y que fueron usadas en este estudio. Las tapas son rechazadas si se cumple que CMR<CMMR. Esta condición depende directamente del valor elegido para CMMR; y dicha flexibilidad es una propiedad importante del SIRT. Sin embargo, el resultado más importante es que, con independencia de la CMMR elegida, la clasificación de las tapas atendiendo a su CMR coincide con la hecha por un inspector humano experto. Además, como el proceso de rebarnizado es común para todos los formatos de tapas, parece viable extender la aplicación del algoritmo a otros formatos.

Fig. 6: Clasificación de las tapas según su CMR.

CONCLUSIONES

De los resultados mostrados, de su análisis y de su discusión, se pueden obtener las si­guientes conclusiones, sobre el algoritmo que emplea el SIRT para mejorar el control de calidad de rebarnizado en el proceso de fabricación de tapas de conserva con abrefácil: 1) la característica mas importante del algoritmo es que la clasificación que hace de las tapas atendiendo a la CMR, coincide con la hecha por un inspector humano experto; 2) el algoritmo también aporta interpretabilidad al operario con el fin de averiguar los motivos de fallo y reducir el tiempo medio entre fallos (mean time to repair, MTTR); 3) otra característica importante es su flexibilidad para modificar el valor del umbral de decisión (CMMR); 4) el algoritmo permite la inspección del total de la producción de tapas; 5) el algoritmo empleado puede ser extendido a otros formatos de tapas.

AGRADECIMIENTOS

Este trabajo ha sido financiado por la Consellaría de Innovación, Industria e Comercio, Ref. PGIDIT03TAL03E, Xunta de Galicia, España. Los autores desean también agradecer las contribuciones de ANFACO-CECOPESCA (Vigo, España).

REFERENCIAS

Chiu, S., “Fuzzy Model Identification Based on Cluster Estimation”, J. of Intelligent & Fuzzy Systems, 2(3), 267-278(1994).        [ Links ]

Gonzalez, R. C. y R. E. Woods, “Digital Image Processing”, 2ª ed., Prentice Hall, Upper Saddle River, NJ, USA (2002).        [ Links ]

Jang, J. S. R., “ANFIS: Adaptive Network based Fuzzy Inference System”, IEEE Transactions on Systems, Man and Cybernetics, 23(3), 665-685 (1993).        [ Links ]

Jang, J. S. R.; “Input Selection for ANFIS Learning”, Proceedings of IEEE International Conference on Fuzzy Systems, 1493-1499, New Orleans, USA, Sept. (1996).        [ Links ]

Jang, J. S. R. y C. T. Sun, “Neuro-Fuzzy Modeling and Control”, The Proceedings of the IEEE, 83(3), 378-406, Marzo (1995).        [ Links ]

Klir, G. J. y B, Yuan; “Fuzzy Sets and Fuzzy Logic: Theory and Applications”, Prentice Hall, Upper Saddle River, NJ, USA (1995).        [ Links ]

Lin, R. C., P. H. King y M. R. Johnston, “Examination of Metal Containers for Integrity”, in FDA’s Bacteriological Analytical Manual Online, 8ª ed., rev. A, ch. 22, U.S. Food & Drug Administration, (1998).        [ Links ]

Sugeno, M. y G. T. Kang, “Structure Identification of Fuzzy Model”, Fuzzy Sets and Systems, 28(1), 15-33(1988).        [ Links ]

Takagi, T. y M. Sugeno, “Fuzzy Identification of Systems and its Applications to Modeling and Control”, IEEE Transactions on Systems, Man and Cybernetics, 15(1), 116-132(1985).        [ Links ]

Yager, R. R. y L. A. Zadeh, (editores), “Fuzzy Sets, Neural Networks, and Soft Computing”, Van Nostrand Reinhold, NewYork, USA (1994).        [ Links ]

Creative Commons License All the contents of this journal, except where otherwise noted, is licensed under a Creative Commons Attribution License