Valve and Steam Trap Component Recognition Using Machine Vision in an Industrial Application

Abstract

No presente trabalho é apresentada uma solução para um sistema autónomo de identificação/reconhecimento capaz de classificar componentes de válvulas e purgadores, numa aplicação industrial de pintura, usando reconhecimento supervisionado de padrões baseado em visão. O sistema de visão aqui proposto tem por objectivo servir de base para uma solução a ser instalada numa unidade fabril de uma empresa especializada no fabrico de equipamentos para vapor, por forma a complementar a modernização e e automação do processo. Este processo passaria a contar como robôs para proceder à pintura dos produtos ao invés de pessoas, utilizando programas específicos chamados de acordo com o resultado do processo de identificação do produto, realizado à priori.Começou-se por criar um conjunto de dados que incluiu o grupo dos produtos mais produzidos/vendidos pela empresa, recolhendo imagens num setup semelhante àquele que poderíamos montar no ambiente industrial. O passo seguinte consistiu no pré-processamento das imagens extraídas. De seguida são aplicadas técnicas de processamento de imagem para o tratamento e binarização das imagens. Nesta etapa é ainda desenvolvido um algoritmo para a remoção das pinças que penduram as peças em posição para pintura. Neste momento estamos na presença de imagens binárias com \textit{blobs} que representa exclusivamente os produtos. O passo seguinte consistiu na implementação de dois métodos de extração de características das imagens. O primeiro método é baseado na extração características da forma dos \textit{blobs}, seguido de uma implementação de um descriptor HOG. Ambas as técnicas são posteriormente usadas nas imagens resultantes do pré-processamento, sendo que as características extraídas são utilizada para treinar um classificador discriminativo e generativo, respetivamente um SVM (máquina de vectores de suporte) para classificação de múltiplas classes e um NBC (classificador bayesiano ingênuo). No que diz respeito aos resultados de classificação, o SVM provou ser a melhor solução em termos de desempenho, velocidade e robustez quando comparado com o NBC. Relativamente à escolha entre as features geométricas baseadas em formas e as features extraídas ao utilizar o descritor HOG, concluiu-se que as primeiras mostraram melhor resultados no que diz respeito ao reconhecimento de maior número de imagens, mostrando precisões de $100\%$ para toda a gama de \textit{thresholds}. Os resultados para a revocação foram igualmente elevados, neste caso para \textit{thresholds} abaixo dos $0.65-0.70$.

In this work an autonomous identification/recognition system capable of classifying valve and steam trap components in an industrial painting application was implemented, using vision-based supervised pattern recognition. The proposed vision system has the main objective of being a foundation for a solution to be installed in the manufacturing facilities of a company specialized in steam equipment, in order to complement the modernization and automation of the process. The process would rely on robots instead of human beings, using specific programs which would be called depending on a prior product identification result. The first step corresponds to the creation of a dataset with a group of the best-selling/most produced products, grabbing frames from a image acquisition scenario similar to the one possibly built in the industrial environment. The following step consists in pre-processing, where image processing techniques are introduced to threshold and treat the images as well as removing the claw that holds the products in position for painting. At this point the image contains a blob that exclusively represents the products. The following step consists in the implementation of two feature extraction methods. Firstly blob features based on shape and overall geometric characteristics, followed by a HOG implementation. Both feature extraction techniques are then used on the post-processing images and are trained on a discriminative and generative classifier, respectively a multiclass Support Vector Machine and Naive Bayes classifier. In terms of classification results, the SVM proved to be the best solution in terms of performance, speed, and robustness, outclassing the NBC. Regarding the choice between blob features or HOG features, it was concluded that the blob features would do a better job in describing the objects, showing results with $100\%$ precision for all possible threshold values, and recalls equally high for thresholds below $0.65-0.70$