desarrollo de una plataforma para la actualizaciÓn

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


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


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


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


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


Con este lente sólo se podían analizar 30 posiciones y nos quedaban 10 posiciones fuera

del alcance.

Imagen 19. Alcance cámara Guppy


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


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


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


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


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


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


Imagen 26. Instalación cámara

38


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


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®


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


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


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


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


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


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


Figura 6. Color Classification

43


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


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


El Vi generado por el script Identificación de Materiales es el siguiente:

Figura 9. Vi generado por Script


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


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


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


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.


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.


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.


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.


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


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


Imagen 33. Captura a las 12:00 m.


52

Imagen 34. Captura a las 3:00 p.m.


Imagen 35. Captura a las 6:00 p.m.


Imagen 36. Pruebas de contraste

53


NOMBRE Efecto de las condiciones

lumínicas.

PRUEBAS P1.1

PROPÓSITO Evaluar el nivel de reconocimiento de la aplicación variando las

condiciones de luz.




ENTRADA Imágenes con los materiales en las diferentes iluminaciones





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


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.




ENTRADA Diferentes usuarios.



55



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


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




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%


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


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


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: [email protected], 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.

mailto:[email protected]

http://www.ni.com/vision

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

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=ALMACENAMIENTO+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.43287494,d.eWU&fp=a82dbe4979da332c








http://bibliotecadigital.ilce.edu.mx/sites/ciencia/volumen2/ciencia3/084/htm/sec_9.htm

http://www.ing.ula.ve/

5

Laurence, Tobón. Alcance cámara Guppy. Agosto 18 de 2012. Fotomontaje digital.


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.


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.


Laurence, Tobón. Captura a las 12:00 m.. Marzo 1 de 2013. Fotomontaje digital.


Laurence, Tobón. Captura a las 3:00 p.m.. Marzo 1 de 2013. Fotomontaje digital.


Laurence, Tobón. Captura a las 6:00 p.m.. Marzo 1 de 2013. Fotomontaje digital.


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.


Laurence, Tobón. Comparación imágenes. Septiembre 29 de 2012. Fotomontaje


Laurence, Tobón. Diseño de rótula. Septiembre 22 de 2012. Fotomontaje digital.


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.


Laurence, Tobón (Febrero 20 de 2013). Gráficas resultantes. Fotomontaje digital.

Archivo del autor.

Laurence, Tobón. Histograma de pixeles. Septiembre 29 de 2012. Fotomontaje digital.


Laurence, Tobón. Instalación cámara. Septiembre 25 de 2012. Fotomontaje digital.


Laurence, Tobón. Instalación Soporte. Septiembre 25 de 2012. Fotomontaje digital.


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.


Laurence, Tobón. Pallet. Octubre 9 de 2012. Fotomontaje digital. Archivo de los

autores

Laurence, Tobón. Patrón de comparación aluminio. Septiembre 28 de 2012.


Laurence, Tobón. Posiciones materia prima. Marzo 2 de 2013. Fotomontaje digital.


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.


Laurence, Tobón. Prototipo con inclinación. Septiembre 8 de 2012. Fotomontaje


Laurence, Tobón. Pruebas de contraste. Marzo 4 de 2013. Fotomontaje digital.


Laurence, Tobón. Resolución cámara web. Agosto 18 de 2012. Fotomontaje digital.


Laurence, Tobón. Resultado clasificación materias primas. Septiembre 29 de 2012.


Laurence, Tobón. Soporte para la cámara. Septiembre 22 de 2012. Fotomontaje


Laurence, Tobón. Vi generado por Script. Octubre 5 de 2012. Fotomontaje digital.


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/

http://sine.ni.com/nips/cds/view/p/lang/es/nid/10419

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





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


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.


desarrollo de una plataforma para la actualizaciÓn

Documents