UNIVERSIDAD POLITÉCNICA

SALESIANA

MAESTRÍA EN ELECTRÓNICA Y
AUTOMATIZACIÓN

ASIGNATURA: INSTRUMENTACIÓN VIRTUAL

TEMA: CONTROL DE CALIDAD APLICADO EN

LA INSTRUMENTACIÓN INDUSTRIAL

REALIZADO POR:
- MARTÍNEZ PAÚL

FECHA: 2019-04-15

CUENCA-ECUADOR
 PRÁCTICA DE CONTROL DE CALIDAD APLICADO EN LA INSTRUMENTACIÓN INDUSTRIAL

Pasos efectuados:

1. Se plantea como objetivo el control de calidad en una línea de envasado de Coca Cola, para
ello se toma como base el desarrollo de un sistema de inspección de calidad basado en
técnicas de visión artificial. Para el cual se ha realizado la captura de 121 imágenes
presentando imágenes de botellas que cumplen con el estándar de calidad, como botellas
que lo incumplen. Dicha información se obtuvo del proyecto alojado en:
https://github.com/Toemazz/ProductionLineVisualInspection
Los features a evaluar en los envases son:
 Ausencia de envase
 Envase deformado
 Envase demasiado lleno
 Envase algo vacío
 Envase sin etiqueta
 Envase con etiqueta torcida
 Envase con etiqueta no impresa
 Envase sin tapa
 Envase con más de una falla a la vez
 Envase que cumple todas las normas (llenado normal, integridad del envase,
integridad de etiqueta y presencia de tapa)

Tal como se menciona dentro del proyecto, asume lo siguiente:

- El medio presentará condiciones de iluminación constante.
- El posicionamiento de las botellas será constante.
- Las fotografías capturarán la escena con tres botellas, pero únicamente se analizarán
las fallas presentes en botellas del centro.

2. Se planteó el desarrollo de un sistema de inteligencia artificial desarrollado en Python con

base en Keras y TensorFlow. A futuro desarrollo se podrá conectar con Labview (2018) por
medio de funciones del Vision and Motion Toolkit completando así nuestro sistema de
instrumentación virtual orientado al control de calidad.

3. Se desarrolló de un modelo de red neuronal, implementado en un script de Python.

- Inicialmente se cargan las imágenes y distintas categorías de las mismas para el proceso
de entrenamiento. En este paso se realiza el pre-procesamiento de las imágenes antes
de ser cargadas, donde se tomó las imágenes originales y se recortó únicamente el
espacio que ocuparían los envases del centro para que el sistema sea entrenado enbase
a estos datos. Como herramienta para manipulación de las imágenes se han usado
funciones de OpenCV además de la librería imutils.
- Se genera un binarizador multi-etiqueta gracias a las librerias de Scikit y
posteriormente se segmentan los datos en datos de entrenamiento y datos de prueba.
 - Compilamos y entrenamos la red neuronal, para finalmente generar un modelo.
- Finalmente se guarda el resultado del modelo, para no repetir el entrenamiento a
menos que sea necesario.

4. Desarrollo de un script de Python que lea el modelo desarrollado en el paso anterior y

efectúe la evaluación ante una entrada

5. Con la respuesta del sistema, y una implementación de los actuadores adecuados se pueden
tomar las acciones necesarias para retirar los elementos que no cumplan con los cirterios
de calidad.

ENTRENAMIENTO RED NEURONAL

Para realizar el entrenamiento del sistema debemos abrir el script “entrenamiento.py” e ingresar
los parámetros deseados.

- En nombredir colocamos el nombre de la carpeta que contiene las fotos organizadas

- En nombre modelo colocamos el nombre deseado para el modelo resultante
- En nombrebinarizador colocamos el nombre deseado para el clasificador
-

Resultado del entrenamiento

EVALUACIÓN DE FUNCIONAMIENTO
 1. Se plantea el ingreso de imágenes al sistema (capturas) de botellas en grupos de 3,
ingresados en la carpeta pruebas.
2. Para la evaluación se crea un archivo Python “clasificador.py” en el cual se podrá evaluar
individualmente la respuesta con respecto a distintas imágenes o escenas de entrada.
Direccionando la imagen actual solamente con su nombre.

Como resultado se obtiene la imagen segmentada, enfocada en el envase del centro y que
tiene escrita sobre la misma la etiqueta a la cual el sistema ha identificado que pertenece.

3. A continuación se muestran los resultados de algunas pruebas de pruebas

CONCLUSIONES:

o El uso de herramientas tales como Keras y Tensorflow nos ayuda de gran manera para construir
el modelo de la red neuronal, sobretodo por la facilidad que nos brindan para adaptar modelos
pre-desarrollados a nuestras necesidades.
o La precisión del resultado obtenido dependerá de algunos factores, entre ellos el tamaño de
nuestro dataset.
o A futuro, con la integración de Labview se puede completar el sistema de instrumentación
orientado al control de calidad, ya que actualmente se encuentran en desarrollo herramientas
que pueden manejar los modelos generados por Keras y Tensorflow.