Uso de visión por computadora para la detección de objetos no deseados en líneas de producción de Mejillones sin valva.

Abstract

La visión artificial y la detección de objetos son de vital importancia en la industria actual, ya que representan los ojos de la automatización. Cada vez más empresas buscan implementar estas tecnologías, por lo que resulta fundamental para un ingeniero aprender a utilizar estos medios. En esta memoria de título, se lleva a cabo la implementación de la detección de objetos mediante Matlab, utilizando el modelo de detector de características de canal agregado y la cámara de un smartphone. El proceso abarca desde la recopilación de datos hasta el entrenamiento, la optimización y la implementación en imágenes, videos, y la realización de detecciones en tiempo real. El objetivo principal es detectar objetos no deseados en una línea de producción de mejillones, tales como algas, piedras, vidrios y conchas de otras especies marinas. Se utiliza la aplicación Video Labeler de Matlab, que permite llevar a cabo el etiquetado y la automatización de este proceso mediante un algoritmo de point tracker. Además, se realiza el entrenamiento de un detector específico para mejillones y otros detectores aplicados a la detección de objetos en una imagen. Luego, se realizan optimizaciones en la detección, eliminando etiquetas superpuestas mediante la función "selectStrongestBbox" y removiendo etiquetas por puntaje mínimo en histograma. A continuación, se lleva a cabo la detección de imágenes en secuencia mediante la detección de videos de la especie de interés. Se emplea la aplicación iVCam para utilizar la cámara de un smartphone como webcam en Matlab, permitiendo así la implementación de la detección de objetos en tiempo real. Posteriormente, se utiliza la función "bboxPrecisionRecall" para obtener métricas de los detectores y optimizarlos con los datos conseguidos de manera individual para cada objeto específico detectado, logrando aumentos de precisión mayores al 60 % en el caso del mejillón. Finalmente, se aplican los detectores entrenados en la detección de distintas especies en una cinta en movimiento que simula una línea de producción en tiempo real, donde los resultados obtenidos muestran un rendimiento poco favorable, lo que conduce a las conclusiones correspondientes.

Artificial vision and object detection are of vital importance in today's industry as they represent the eyes of automation. An increasing number of companies seek to implement these technologies, making it essential for an engineer to learn how to utilize these means. In this thesis, the implementation of object detection is carried out using Matlab, employing the aggregate channel features detector model and the camera of a smartphone. The process spans from data collection to training, optimization, and implementation in images, videos, and real-time detections. The primary objective is to identify unwanted objects in a mussel production line, such as algae, stones, glass, and shells from other marine species. The Matlab Video Labeler application is used, allowing for labeling and automation through a point tracker algorithm. Additionally, specific training for mussel detection and other detectors applied to object detection in an image is conducted. Subsequent optimizations in detection involve removing overlapping labels using the "selectStrongestBbox" function and eliminating labels based on minimum scores in the histogram. Next, image detection in sequence is performed by detecting videos of the target species. The iVCam application is employed to use a smartphone camera as a webcam in Matlab, enabling real-time object detection. Later, the "bboxPrecisionRecall" function is utilized to obtain metrics for the detectors and optimize them with individually obtained data for each specific detected object, achieving precision increases greater than 60% in the case of mussels. Finally, the trained detectors are applied to detect various species on a moving belt simulating a real-time production line, where the obtained results show less favorable performance, leading to corresponding conclusions.