Identificação e classificação de defeitos em superfícies metálicas industriais por meio de técnicas de processamento digital de imagens

Diego R. Moraes e Prof. Dr. Jean-Jacques De Groote

Faculdades COC de Ribeirão Preto diegorafaelmoraes@gmail.com

Resumo

Neste trabalho é apresentado um sistema para automatização do procedimento de identificação e classificação de defeitos em superfícies metálicas, utilizando técnicas de Processamento Digital de Imagens. Peças metálicas desenvolvidas com o propósito de oferecer superfícies de contato para equipamentos industriais são submetidas a testes para identificar defeitos que podem comprometer seu desempenho. Uma norma de qualidade específica, PT 70-3, que estabelece os padrões de classificação destes defeitos, é utilizada como base por inspetores de qualidade na seleção de peças que podem ser aproveitadas, ou que devem ser reparadas. Este processo, que exige precisão, é realizado por meio de processos manuais por inspetores de qualidade. O aplicativo desenvolvido neste trabalho recebe como entrada a imagem da superfície da peça a ser analisada e, por meio de algoritmos de segmentação, ajusta sua escala (pixel/mm) e identifica os defeitos, permitindo ao operador a realização de medições de área, largura, altura e distâncias entre os defeitos. Baseado nas restrições da norma e, de acordo com as medições realizadas, o sistema é capaz de classificar os defeitos de forma rápida e precisa.

1. Introdução

O processo de análise da superfície de peças metálicas

industriais hoje é realizado manualmente por inspetores

de qualidade. A área de inspeção de qualidade tem muita

importância nas empresas que cumprem normas nacionais

e internacionais. Este trabalho baseia-se na norma PT 70-

3, referente à inspeção de qualidade com líquido

penetrante, processo por meio do qual se identifica e

classifica defeitos na superfície de peças industriais, sem

limitações de tipo de material, tamanho ou forma da peça,

exceto para materiais porosos [1].

Considerando que a classificação da norma PT 70-3

baseia-se em critérios de dimensões milimétricas, o

processo torna-se vulnerável ao erro do operador na

análise de fotos, que pode ser agravado pela repetição,

baixa qualidade da imagem, iluminação, brilho, distorção,

entre outros.

O produto utilizado como teste no desenvolvimento

deste trabalho é o casquilho de bronze, também conhecido

como bucha de bronze, que também deve seguir as

especificações da norma. Os casquilhos são, em geral,

corpos cilíndricos que envolvem os eixos, permitindo-lhes

uma melhor rotação. São feitos de materiais macios, como

o bronze e ligas de metais leves [2].

O uso de casquilhos e de lubrificantes permite a

redução do atrito, melhorando a rotação do eixo. Por isso,

dá-se muita importância ao processo de inspeção de

qualidade de sua fabricação, onde qualquer imperfeição

pode aumentar o esforço, o que causa maior atrito e

ocasiona um maior desgaste do eixo.

A proposta deste trabalho envolve a utilização de

técnicas de processamento digital de imagens (PDI), na

elaboração de um software, desenvolvido para auxiliar os

inspetores de qualidade na identificação e classificação de

defeitos na superfície de peças metálicas industriais, com

base na norma de qualidade PT 70-3, automatizando o

processo de análise.

2. Metodologia

A técnica de identificação de defeitos em estruturas

metálicas por líquido penetrante pode ser descrita em seis

etapas,

- Preparação da superfície: limpeza da superfície;

- Aplicação do penetrante: aplicação do liquido na

superfície, geralmente de cor avermelhada;

- Remoção do excesso do penetrante;

- Revelação: aplica-se um revelador, usualmente pó

ou aerosol de cor branca;

- Avaliação e inspeção: é realizada visualmente pelo

inspetor de qualidade e classificada de acordo com a

norma. No final é preparado um relatório tecnico;

- Limpeza pós ensaio.

Para classificar os defeitos em uma imagem digital de

acordo com a norma padrão, é necessário inicialmente

realizar um processo de segmentação.

Uma investigação da aplicação das técnicas de PDI

mostrou que, embora sejam aplicadas a diferentes objetos,

problemas de segmentação em estruturas de formas

semelhantes são encontrados em áreas como medicina [3-

4], agricultura [5-7] e industrial [8-11].

A pesquisa foi dividida em duas fases, a primeira foi a

implementação de técnicas de PDI para teste e análise de

diferentes algoritmos de segmentação [12-13], utilizados

como entrada para a segunda fase, responsável pela

04-07 de Julho - FCT/UNESP - P. Prudente VI Workshop de Visão Computacional

159

identificação e classificação dos defeitos em superfícies

metálicas industriais.

Em paralelo, foi realizado o estudo detalhado da norma

de qualidade PT 70-3, que é dividida em cinco classes,

melhor compreendida na Tabela 1, sendo que para diferi-

las, é necessário analisar cinco critérios de dimensão com

precisão milimétrica: limiaridade, arredondamento,

linearidade, alinhamento e área total de defeitos na

superfície [1].

Tabela 1: critérios das classes da norma PT 70-3.

Para o desenvolvimento do sistema foi utilizado o IDE

Delphi, produzido pela Borland Software Corporation,

que utiliza a linguagem de programação Object Pascal.

Esta escolha foi baseada na grande versatilidade desta

plataforma, que permite a aquisição eficiente das imagens

de câmeras digitais e o processamento destas em tempo

real. Os algoritmos de PDI foram desenvolvidos ao longo

da pesquisa, o que permitiu um maior controle sobre os

resultados obtidos, e sobre as variações nos algoritmos.

As imagens utilizadas foram adquiridas por meio de

uma câmera digital HP PhotoSmart R727, com resolução

6.2 megapixel e armazenadas no formato JPEG. Um

exemplo é apresentado na Fig. 1.

Figura 1: amostra de imagem com dimensões de 1792x1312, no formato

de cores RGB de 24 bits.

3. Desenvolvimento

A primeira etapa para execução deste trabalho é a

aquisição das imagens que serão processadas pelo

aplicativo desenvolvido com as ferramentas de

segmentação e classificação.

Dentre as ferramentas implementadas, utiliza-se

inicialmente a Parametrização, que é fundamental para o

processo de classificação, pois é a responsável pela

segmentação da imagem e pela definição da escala de

pixel/mm (quantos pixels correspondem a um milímetro).

Foi dividida em três passos, são eles,

- Escala pixel/mm: como referência foi utilizado um

marcador quadrado de papel impresso na cor verde, com

10 mm de largura por 10 mm de altura, ou seja, uma área

de 100 mm2. Neste passo, o aplicativo segmenta a

imagem deixando apenas os pixels com valor de R/G

próximos a 0.4, ou seja, os pixels correspondentes à

referência (cor verde). Após a segmentação, faz-se uma

contagem desses pixels (QtP) e calcula-se o fator de a

escala f linear como,

, (1)

e de área, fa como,

(2)

Estes valores são armazenados em variáveis globais

para cálculos futuros de largura, altura e área dos defeitos.

- Segmentação dos defeitos: neste passo também

ocorre segmentação com relação à razão de R/G, porém,

agora limita os valores de interesse para a faixa entre 1.5 e

2.0 (Fig. 2), valores que representam os defeitos (tom

avermelhado). Esta segmentação foi possível, pois o

fundo da imagem tem valores de R/G próximos a 1.0.

Figura 2: processo de segmentação dos defeitos.

- Binarização: binariza a imagem em preto (0) e

branco (255), sendo que a imagem é facilmente

segmentada devido ao contraste entre o fundo e os

defeitos. A binarização é um elemento facilitador para os

próximos algoritmos, como por exemplo o Flood.

Após o processo de parametrização, o aplicativo

disponibiliza um processo para determinação de

dimensões. Para comprimento, a cada dois cliques

simples do mouse é traçada uma reta e calculado seu

comprimento por meio da distância euclidiana, ou seja,

. A largura e a altura de estruturas podem ser

identificadas por meio deste processo. Para determinação

da área, um clique duplo marca e calcula a área do defeito

selecionado, por meio da técnica de PDI flood, onde os

vizinhos ao pixel selecionado são marcados até a borda do

defeito, como em um processo de inundação.

Após o processo de aquisição das dimensões, o

algoritmo libera o processo de classificação, que é

realizado de acordo com a norma. A saída pode ser

observada na barra de status (Fig. 3).

04-07 de Julho - FCT/UNESP - P. Prudente VI Workshop de Visão Computacional

160

Figura 3: barra de status do processo de classificação.

Após o processo de classificação, o sistema permite a

execução de um relatório (Fig. 4), que tem a função de

documentar toda a análise realizada pelo aplicativo. Muito

utilizado no dia-a-dia dos inspetores, estes relatórios

devem ser apresentados para seus supervisores e

posteriormente para seus clientes.

Figura 4: exemplo de relatório após análise do aplicativo.

4. Resultados

Com o desenvolvimento deste sistema, foi possível

alcançar diversos resultados, são eles:

- Tempo para Análise e Registro: Considerando que

o teste de líquido penetrante consiste no resultado de

reações químicas e físicas, existe um tempo limite para o

ensaio ser considerado confiável. Nos casos em que existe

uma quantidade significativa a ser analisada, o processo

de registro dos defeitos deve ser feito de forma mais

rápida, o que pode comprometer a integridade do ensaio.

Utilizando o aplicativo, as imagens podem ser

capturadas imediatamente e investigadas posteriormente,

incluindo a geração de relatórios. No caso de perda desses

relatórios, é suficiente a realização de uma nova análise

pelo software, sem a necessidade de repetir o ensaio de

líquido penetrante, ou seja, sem aumento de custos e

perda de tempo.

- Área do Defeito: Atualmente não é possível calcular

manualmente a área precisa de cada defeito e

conseqüentemente a área total na superfície analisada; isto

ocorre porque os defeitos são de formas indefinidas.

Sendo assim, estes valores precisam ser estimados por

meio de formas definidas (enquadramento), o que

influencia negativamente no item cinco da norma, que

compara a área total dos defeitos analisados com um valor

limitado pela sua classe, podendo reprovar defeitos que

estariam aprovados.

Com o auxílio do aplicativo, está área é estimada com

melhor precisão, pois quanto mais precisa a escala

(pixel/mm), mais precisa será a área.

- Agilidade na Comparação com as Classes da Norma: Depois de encontradas e registradas as

características dos defeitos, faz-se necessário comparar

com as classes da norma PT 70-3, processo também

custoso dependendo do número de defeitos a ser

analisado, ou ainda, passível de falhas nas comparações.

Portanto, outra vantagem do aplicativo é a velocidade

na comparação com tais classes da norma, pois os valores

além de não poderem ser alterados, o processo

computacional é bem mais rápido do que o humano.

- Estimativa de Precisão: Neste trabalho, a precisão é

dependente do processo de escala, ou seja, quantos pixels

representam um milímetro. Quanto mais preciso for esta

referência, melhores serão os resultados.

Portanto, devem-se tomar alguns cuidados na

aquisição das imagens, como por exemplo, a posição da

câmera com a referência (marcador quadrado verde). Esta

posição deve ser normal (90º) à superfície analisada. Para

qualquer outro ângulo diferente deste, não será possível

manter a escala cartesiana uniforme (x, y), o que

diminuiria a precisão da análise.

Neste trabalho, fica difícil calcular a sua precisão, pois,

para encontrar uma taxa de erro mais apurada, se faz

necessário calcular a média de várias contagens manuais,

por humanos diferentes. Em contrapartida, para estimar

esta precisão, foi adicionada uma trena (fita métrica), no

momento da aquisição das imagens.

Os valores encontrados pelo aplicativo são comparados

com os valores analisados visualmente com a ajuda da

trena. Entretanto, serão comparados apenas os valores

referentes à largura e altura dos defeitos, pois conforme

mencionado anteriormente, na prática, o cálculo manual

das áreas é aproximado devido às formas serem

indefinidas. A Tabela 2 apresenta esta comparação.

Tabela 2: comparação dos valores de medidas manuais com os valores

do aplicativo.

04-07 de Julho - FCT/UNESP - P. Prudente VI Workshop de Visão Computacional

161

5. Conclusão

Neste trabalho foi desenvolvido um aplicativo baseado

em técnicas de PDI, para auxiliar a identificação e a

classificação de defeitos em superfícies metálicas

industriais, de acordo com a norma de qualidade PT 70-3.

Foi realizada uma pesquisa e interpretação desta, e

também uma pesquisa em PDI, onde a mesma deu origem

a um aplicativo capaz de permitir a utilização de

algoritmos adaptados ao sistema analisado. Um estudo

mais aprofundado nesta área somado ao aplicativo inicial

deu origem ao processamento das imagens para a extração

de informações, por meio de algoritmos de segmentação,

removendo o fundo e destacando os defeitos.

Outros algoritmos foram implementados, como Flood,

técnica responsável pela detecção e contagem do número

de pixels da área dos defeitos, e também um algoritmo

para o cálculo da distância entre os pixels. Para este, foi

tomada como base a distância euclidiana, o que aumenta

ainda mais a precisão das análises.

Por último, foi desenvolvido um protocolo para

comparar as características encontradas dos defeitos com

as classes da norma, informando como saída a aprovação

ou reprovação individual do defeito analisado. Com todos

os resultados obtidos pelo diagnóstico, foi possível gerar

um relatório composto por dados e imagem dos defeitos.

Com o auxílio deste aplicativo, além de automatizar o

processo, reduzindo tempo e custo, pode-se melhorar a

qualidade da imagem e ainda aumentar a precisão das

análises e classificações, quando comparado ao processo

de análise convencional que é realizado manualmente e a

olho nu.

6. Agradecimentos

Diego R. Moraes gostaria de agradecer o

financiamento da iniciação científica pelas Faculdades

COC de Ribeirão Preto.

7. Referências

[1] Andreucci, R., Líquidos Penetrantes, 2008.

Disponível em:

http://www.abende.org.br/down2/apostilalp.pdf. Acessado

em: 23/04/2009.

[2] C. Bigaton, Projetos Mecânicos, 2007. Disponível em:

http://www.etepiracicaba.org.br/apostilas/mecanica/meca

nica_3ciclo/projetos_mecanicos.pdf. Acessado em:

02/09/2009.

[3] F.A.A. Caldas, et al., “Controle de qualidade e

artefatos em mamografia”, Radiol Brás, 2205, vol. 38,

n.4, pp. 295-300.

[4] P.M. Azevedo-Marques, “Diagnóstico auxiliado por

computador na radiologia”, Radiol Brás, 2001, vol. 34,

n.5, pp. 285-293.

[5] E.F. Teixeira, S.M. Cícero, and D.D. Neto, “Análise

de imagens digitais de plântulas para avaliação do vigor

de sementes de milho”, Revista Brasileira de Sementes,

2006, vol. 28, n.2, pp. 159-167.

[6] O. Khatchatourian, and F.R.R. Padilha,

“Reconhecimento de variedades de soja por meio do

processamento de imagens digitais usando redes neurais

artificiais”, Eng. Agríc., 2008, vol. 28, n. 4, pp. 759-769.

[7] A.C.L. Lino, J. Sanches, and I.M.D. Fabbro, “Image

processing techniques for lemons and tomatoes

classification”, Bragantia, 2008, v.67, n. 3, Campinas.

[8] C.B.P.A. Conci, and S.A. Segenreich, “Investigação

para detecção automática de falhas têxteis”, J. Braz. Soc. Mech. Sci., 1999, v. 21, n.3, Rio de Janeiro.

[9] ALMEIDA, R. H. P.; CORSO, D. A.; JUNIOR, A. S.

B. Visão Computacional – Sistemas de Visão aplicados à

Inspeção Industrial. UEPG. Disponível em:

http://www.enetec.deinfo.uepg.br/

trabalhos/Rubens%20Henrique%20Pailo%20de%20Alme

ida.pdf. Acessado em: 06/04/2009.

[10] J.K.K. Junior, et al., “Análise discriminante

paramétrica para reconhecimento de defeitos em tabuas

de eucalipto utilizando imagens digitais”, Revista Árvore,

2205, vol.29, n. 2, pp. 299-309.

[11] J.M. Gomes, et al., “Desenvolvimento e avaliação de

um protótipo classificador de tábuas usando técnicas de

visão artificial”, Revista Árvore, 2008, vol.32, n.5, pp.

949-959.

[12] Gonzalez, R.C., and WOODS, R.E., Digital Image Processing. NJ: Pearson Education, 2008.

[13] Filho, O.M., and NETO, H.V., Processamento Digital de Imagens. RJ: Brasport Livros e Multimídia,

1999.

04-07 de Julho - FCT/UNESP - P. Prudente VI Workshop de Visão Computacional

162