Universidad Autónoma Metropolitana Azcapotzalco 1 División de Ciencias Básicas e Ingeniería Licenciatura en Ingeniería Electrónica Proyecto Tecnológico “Etapa de identificación y clasificación de botellas de PET, en máquina prototipo separador de botellas.” Reporte de proyecto tecnológico para obtener el grado de Ingeniero en Electrónica Presentado por: Alumno: Manuel Francisco Mares Pérez Matricula: 210203377 Correo: maresmfelectronic@gmail.com Trimestre: 19-O Asesores: Dr. Ernesto Rodrigo Vázquez Cerón Dra. Grethell Georgina Pérez Sánchez Marzo 2020 Universidad Autónoma Metropolitana Azcapotzalco 2 F Universidad Autónoma Metropolitana Azcapotzalco 3 AGRADECIMIENTOS Para este día ya he adquirido muchísimos conocimientos los cuales no podría haber imaginado en mi infancia, el recorrido no ha sido el más fácil, pero estoy seguro que fue el camino donde he aprendido a valorar más las cosas que tengo hoy en día. Estudiar en una institución tan prestigiosa y enriquecida académicamente solo puedo tener claro que soy afortunado por haber podido estudiar y pertenecer a un número selecto de personas que conforman la Universidad Autónoma Metropolitana. Quiero agradecer principalmente a mi familia quienes siempre me han apoyado emoci onalmente a poder avanzar en muchos aspectos de mi vida, siempre acompañado de algunos regaños, puedo sentir su cariño, su apoyo, su motivación por ser mejor cada día, quisiera que se sientan orgullosos por mis logros que también son los suyos, poder ayudar a mi familia en todo lo posible es la forma en la que puedo demostrar cuanto los quiero y hacerlos saber que ellos cuentan conmigo en cualquier momento que sea necesario. Quiero agradecer a mis amigos de universidad que muchas veces sin ellos esto sería imposible, tener un momento agradable es lo que muchas veces nos motiva a seguir adelante y saber que podemos apoyarnos mutuamente. Mis profesores los cuales fueron mis guías, los cuales me indicaron el camino y me mostraron las herramientas necesarias para ser una persona capaz y productiva en esta sociedad, solo puedo agradecerles todo su tiempo y palabras que pudieron brindarme. Agradezco a la vida por cada momento, así sea bueno o malo, aunque las circunstancias no sean las más fáciles o más favorables siempre se puede lograr alcanzar los sueños, como el mío el cual tuve en algún momento de mi infancia, hoy estoy a punto de lógralo, de alcanzarlo, de vivirlo, de ser un ingeniero. Universidad Autónoma Metropolitana Azcapotzalco 4 RESUMEN En la actualidad las personas generan una gran cantidad de desechos plásticos, los cuales provocan grandes problemas ambientales y de salud a nivel mundial. Existen vertederos y basureros clandestinos en los cuales se arrojan grandes cantidades de botellas de PET, que muchas veces terminan en ríos, lagos y mares, esto es ocasionado principalmente por la falta de educación sobre el sistema de reciclado de cada país. Aunado a esto, en México no se cuenta con los suficientes lugares de reciclado para contrarrestar el mal manejo y sobrepoblación de desechos de botellas de PET que se recogen mediante el sistema de recolección de basura. En ocasiones estos vehículos de recolección de basura acuden a vertederos que no cuentan con los sistemas de reciclado adecuados para cada tipo de desechos. Teniendo en cuenta esto se busca contribuir, desde el punto de ingeniería, en un proyecto para mejorar el sistema de reciclado no invasivo, sin intervención de químicos que afecten el medio ambiente. Para este proyecto se desarrolla un sistema de separación de botellas de PET, me diante el procesamiento de imágenes. Se acondiciona la maquina prototipo separador botellas de PET, para realizar un banco de imágenes con las cuales caracteriza el color de cada botella para obtener el parámetro con el cual realizaremos la distinción de cada botella. Universidad Autónoma Metropolitana Azcapotzalco 5 Universidad Autónoma Metropolitana Azcapotzalco 6 Entregables…………………………………………………………………………………………………………………………… 82 Universidad Autónoma Metropolitana Azcapotzalco 7 Universidad Autónoma Metropolitana Azcapotzalco 8 Universidad Autónoma Metropolitana Azcapotzalco 9 Universidad Autónoma Metropolitana Azcapotzalco 10 1.- Introducción En México, se producen por habitante aproximadamente 200 botellas de PET al año, lo cual marca niveles récord según la Dirección General de Políticas para el Cambio Climático de la SEMARNAT [1]. En México aproximadamente el 58 % de PET es reciclado, sin embargo, gran parte de la estadística no tiene fundamento de los muchos tiraderos clandestinos que se tienen en el país. Hoy en día es frecuente encontrar diferentes utilidades para los envases de PET; siendo principalmente las botellas de PET las que son desechadas en depósitos de basura, ríos, océanos y costas, entre otros lugares. Advierte la ONU, de continuar así, con un ritmo sin medida en la producción de desechos plásticos, para el año 2050 encontraremos más plástico que peces en el mar. Datos de Ecología y Compromiso Empresarial (ECOCE), indican que en México se tiran a la basura alrededor de 20,000 millones de botellas al año. Julen Garritz Alcalá, director general de SodaStream México, opina que la sociedad debería apostar por el reciclaje. El mercado se está moviendo hacia la reducción del consumo de azúcar; por eso las grandes marcas están embotellando agua, pero como sociedad debemos tener otras opciones para dejar de contaminar. En SodaStream, el mercado mexicano es atractivo porque se desarrolla una conciencia ecológica cada vez más fuerte. Para ello, la empresa israelí pretende eliminar más de 5,000 botellas de PET por familia en tres años, a través de una máquina que utiliza agua potable y cilindros retornables de gas para preparar agua mineral. La empresa estima producir 4 millones de máquinas en Israel, de las cuales 120,000 se distribuirán en México. Según Garritz Alcalá, el mercado de agua mineral vale 200 millones de dólares [2]. México genera aproximadamente 1 millón de toneladas de PET, transformadas en miles de millones de botellas, las cuales tardan más de tres siglos en degradarse debido a su gran estabilidad química [3]. Gran porcentaje de estas botellas termina en los océanos como se observa en la Figura1. Figura 1. Desechos de botellas en la playa [4]. Universidad Autónoma Metropolitana Azcapotzalco 11 El reciclaje es un método para contrarrestar la producción de PET, ya que el material reciclado se utiliza para formar nuevos productos. El reciclaje de botellas de PET es un proceso posterior a la recolección y clasificación de botellas de diferentes tipos de polímeros, partiendo de este paso observamos que es importante para un adecuado proceso de reciclaje existen diferentes tipos de polímeros, en la Figura 2 se muestra parte de esta clasificación. Existen diversos métodos para identificación y clasificación de botellas como son: la separación manual, los marcadores químicos, por flotación, uso de disolventes, técnicas espectroscópicas, fluorescencia por rayos X, etc. [5].  Separación manual: Es una selección donde se separan manualmente los polímeros lo cual consume un gran número de recursos humanos y presenta costos elevados por la gran cantidad de personas que se requieren durante la selección.  El método de marcador químico consiste en la incorporación específica de un determinado marcador para cada polímero, pero debido a la aplicación principal que se le da al plástico es en la industria del envase, los aditivos al incorporarse deben ser completamente inocuos.  Por Hundimiento-flotación: Este procedimiento implica la flotación de los materiales en un contenedor con agua se encuentran diferentes polímeros en hojuelas (envases o botellas trituradas), donde los materiales que presenten menor densidad se ubicarán en la parte superior del agua y estos serán extraídos con ayuda de aire.  La espectroscopia infrarroja permite identificar los diferentes plásticos analizando la luz reflejada por la superficie del material cuando es sometido a la radiación infrarroja. Cada material emite una serie de radiaciones características en función de su propia estructura molecular.  El método de fluorescencia de rayos X se utiliza por ejemplo para separar PVC de PET y consiste en irradiar el plástico con dichos rayos para detectar la radiación secundaria emitida por los átomos de cloro del PVC. [6]. El sistema de reciclado es el paso fundamental para un control más estable del exceso de botellas que encontramos en nuestro país, por eso es muy i mportante colaborar con nuevos conocimientos los cuales puedan aportar un avance en dicho proceso. Universidad Autónoma Metropolitana Azcapotzalco 12 Figura 2. Tipos de Polímeros [7]. Este trabajo se enfoca en los desechos de PET, específicamente en “botellas”, las cuales se identifican de manera automática en base a su color. En los últimos años se han incorporado técnicas para la identificación de materiales utilizando procesamiento digital de imágenes el cual tiene como objetivo: aplicar ciertas técnicas para el tratamiento de la imagen, y en muchas ocasiones para mejorar la calidad de estas o bien, para facilitar el reconocimiento de algunos patrones presentes en la imagen, los cuales pueden ser traducidos como información [8]. En este proyecto se implementó y acondiciono la etapa de identificación y clasificación de botellas de PET dentro de un prototipo de máquina separadora de PET, situado en el área de Comunicaciones de la Universidad Autónoma Metropolitana Unidad Azcapotzalco. Se utilizó el software LabVIEW, con el cual se aplicaron programas de inteligencia artificial y utilizando las herramientas de dicho software se clasifican los colores de cada botella, teniendo así el banco de datos de cada botella, posteriormente, se clasifica su color y se entrena al programa para la detección de los diferentes colores de botellas. En la Figura 3, se muestra de manera simple la descomposición de una imagen en sus bandas de colores RGB (Red, Green, Blue). Figura 3. Diagrama muy simplificado de la obtención de una fotografía digital [9]. Universidad Autónoma Metropolitana Azcapotzalco 13 1.1 Antecedentes En el Proyecto de Integración realizado por Cecilia Hernández Sarabia en el año 2016 en la Universidad Autónoma Metropolitana Azcapotzalco titulado “Diseño y construcción de la etapa de detección óptica del control de una máquina prototipo separadora PET-PVC” se presenta el desarrollo de un sistema de separación de polímeros basándose en una técnica de detección de PET y PVC mediante transmisión óptica infrarroja, en dicho proyecto se integró un sistema de control para la separación de botellas de PVC Y PET [10]. La propuesta del trabajo a realizar se basa en el procesamiento de imágenes para la identificación a través de su color, para evaluar el alcance en su implementación de un prototipo separador de botellas PET que se tiene en el área de comunicaciones. Mónica Moroni y colaboradores presentaron en 2015 su trabajo titulado “Separación de PET y PVC con imágenes hiperespectrales” [11]. En esta publicación muestran la caracterización de botellas de PET y PVC en diferentes etapas de ciclo de vida, determinando la densidad de material, el color y tamaño medio de partícula, de esta forma clasifican a diferentes tipos de botella. En comparación con la propuesta a realizar, se plantea caracterizar las botellas, teniendo un parámetro de distinción con las otras botellas mediante el análisis de la descomposición de colores en sus bandas RGB para elaborar un patrón de referencia de cuatro tipos de botellas de PET. En 2009 Elías García Santillán de la Universidad Autónoma Metropolitana Unidad Azcapotzalco presenta en su proyecto titulado “Detección y clasificación de objetos dentro de un salón de clases empleando técnicas de procesamiento digital de imágenes” [12], el cual utilizo técnicas para una detección automática de objetos, que son figuras sólidas y de reconocimiento rápido. Además, también pueden detectar algunos colores. En la propuesta aquí presentada se desarrollará el procesamiento de imágenes de botellas de PET para obtener la caracterización de las botellas, utilizando la respuesta obtenida de un algoritmo que realice la distribución de colores y la posición de los objetos detectados. Hamed Masoumi, Seyed Mohsen Safavi, Zahra Khani presentan en 2012 “Identif icación y clasificación de resinas plásticas utilizando reflectancia infrarroja cercana” [13]. En este trabajo se muestra la separación de resinas plásticas, mediante un proceso de separación automático utilizando el infrarrojo cercano, por medio de 2 filtros que son capaces de realizar la separación de 5 diferentes resinas plásticas. A diferencia del proyecto que se desea realizar la característica fundamental para diferenciar botellas las tendremos mediante procesamiento de imágenes. Basada en condiciones óptimas de iluminación con luz blanca. Paul Cárdenas Hidalgo y colaboradores de ESIME-IPN Culhuacán reportaron en 2009 en el proyecto titulado “Diseño de reconocimiento de placas por medio de Matlab” [14]. El desarrollo de un algoritmo, para el procesamiento de imágenes tomando como herramienta el uso de Matlab donde conociendo los parámetros de las imágenes, conocen el entorno de la digitalización, mediante el algoritmo se aseguró de reconocer rectángulos, como los de una placa vehicular, detectar los colores primarios en RGB conjunto con el Alfabeto para garantizar que se trata de una Universidad Autónoma Metropolitana Azcapotzalco 14 placa. A diferencia del presente proyecto que se concentra en los colores representativos de botellas de PET para poder controlar un sistema para la extracción de las botel las seleccionadas. Flores Montes Miguel Ángel y colaboradores del Instituto Tecnológico de Ensenada en 2017 publicaron en su trabajo titulado “Detección de Objetos a Color en Tiempo Real con Técnicas de Visión Artificial y Arduino” [15]. Para la detección de objetos de colores por medio de una cámara web, con una interfaz utiliza un Arduino, la cual sirve como indicador de los colores que se detecten mediante el programa de Matlab. A diferencia de este proyecto que se implementará en un prototipo que realizará la selección de la botella de PET mediante la imagen procesada. En 2010 el Ing. Fernando Gabino Ramírez Neyra del Institutito Politécnico Nacional presenta el trabajo titulado “Visión artificial para la detección automática de fallas estructurales en botellas de vidrio” [16]. El objetivo general de este trabajo fue clasificar y detectar en botellas de vidrio en las cuales se tenga fractura en el cuello de la botella, mediante una visión artificial procesamiento de imágenes y señales, poder reconocer patrones. En el proyecto aquí presentado es necesario igual el uso de un medio con el cual obtendremos imágenes, aquí partiremos con el procesamiento de las imágenes, caracterizar cada botella tener un banco de datos y caracterizar cada botella para poder identificarla de las demás botellas sobre la banda transportadora, y excluir las botellas no deseadas a reciclar. Universidad Autónoma Metropolitana Azcapotzalco 15 1.2 Justificación El grave problema de contaminación causada por el consumo desmedido y la falta de cultura cívica en el uso de botellas de PET en nuestro país hace necesario introducir estrategias que utilicen tecnologías para un mejor manejo de los desechos plásticos, que sea accesible tanto para las pequeñas y grandes empresas dedicadas a la industria del reciclaje en México. Hagamos conciencia del reciclado en nuestro país, Figura 4. La automatización del sistema de separación, usando para la etapa de identificación y clasificación el procesamiento digital de imágenes, reduce el error que se presenta con el proceso manual, estableciendo una base de datos definida mediante una clasificación de patrones de colores de las botellas. Este proceso no invasivo, contribuirá en aumentar la eficiencia del proceso de separación de botellas. Además, es un método que no es peligroso para el usuario, como es el caso de la identificación por rayos X, y puede ser escalable en cuanto al tipo de identificación ya sea por colores, formas o materiales, a diferencia de las técnicas ópticas. Figura 4. Importancia del reciclaje [17]. Universidad Autónoma Metropolitana Azcapotzalco 16 1.1 Objetivos Objetivo general Diseñar e implementar la etapa de identificación y clasificación de botellas de PET de color en la máquina prototipo separadora de botellas de PET, utilizando el procesamiento digital de Imágenes. 1.3.1 Objetivos específicos II. Implementar un sistema de registro de imágenes a través de una cámara web colocada sobre la máquina separadora de botellas de PET. III. Acondicionar un sistema de iluminación con luz blanca para evaluar la distinción de colores de las botellas. IV. Obtener el patrón de color para cuatro diferentes tipos de botellas de PET a través de su descomposición de banda de colores RGB. V. Implementar un método de clasificación, para llevar a cabo la detección de un grupo de botellas sobre la banda transportadora. VI. Evaluar la velocidad de procesamiento y el error de detección de las botellas de PET. Universidad Autónoma Metropolitana Azcapotzalco 17 2. Marco Teórico En este capítulo se mencionan los conceptos y estudios realizados para la elaboración de este proyecto, el cual se dividirán en tres partes fundamentales, tal como se muestra en la Figura 5. La primera parte está constituida por la adquisición y procesamiento de imagen digital, seguido a esta etapa se encuentra la utilización de LabVIEW y al final la interfaz Arduino, para el resultado después de la clasificación de colores. Figura 5. Segmentos en la elaboración de este proyecto. 2.1 Adquisición y procesamiento de imagen En la Figura 6, se muestra el diagrama básico de las etapas involucradas en procesamiento de imagen digital. Figura 6. Etapas involucradas en el procesamiento de imagen. Representación y Descripción Base de Datos Reconocimiento e Interpretación Segmentación Adquisición de Imágenes Preprocesador Adquisición y procesamiento de imagen LabVIEW (clasificación de imagen) Respuesta de la clasificación de color, (Arduino). Universidad Autónoma Metropolitana Azcapotzalco 18 2.1.1 Adquisición de imagen Teniendo en cuenta que una computadora sólo puede procesar imágenes digitales, se necesita convertir las imágenes a formato digital, donde el equipo capaz de digitalizar una imagen cambia de ser una simple computadora a ser un equipo sofisticado de procesamiento de imagen, para ello es necesario considerar las características principales en la adquisición de la imagen. 2.1.2 Cámaras USB Normalmente están formadas por una lente, un sensor y circuito electrónico. Existen distintos tipos de lentes, pero las lentes plásticas son las más comunes, los sensores CMOS (complementary metal oxide semiconductor), son los sensores que constituyen a las cámaras de bajo costo y no precisamente por esto las cámaras que tienen CCD son mejores. En la Figura 7 se muestra un acercamiento al circuito de una cámara web. Las cámaras de mediano costo suelen ofrecer una resolución de (640x480) con una frecuencia de muestreo de 30 cuadros por segundo y una calidad de 1 a 1.3 MP. Las cámaras WEB actualmente ya ofrecen alta definición, con 15 MP, y ya que es necesario realizar la observación del procesamiento de imagen, es necesaria una PC con las cualidades para poder utilizar este tipo de cámaras. Figura 7. Sensor CCD de una cámara WEB [18]. La clase de video de USB está definida con la función de transferir video sobre el estándar USB. Asimismo, puede transferir en los diferentes dispositivos de almacenamiento como memorias, discos duros internos y externos, siendo manejados mediante un controlador. El controlador estandariza la capacidad del protocolo USB para manejar flujos de video y este mismo contiene toda la información necesaria para realizar procesamiento deseado [19]. Universidad Autónoma Metropolitana Azcapotzalco 19 2.1.3 Lentes Son las encargadas de capturar la imagen con el propósito de generar una imagen enfocada para después pasarla a los sensores. Esta característica es fundamental en el sistema de adquisición de la imagen, no solo por la claridad de la imagen, sino también por el costo que genera y el cual varía dependiendo de la calidad de captura, teniendo en cuenta que la combinación de la lente y la extensión nos otorgará a mejor imagen. Las lentes de enfoque automático suelen contar con un campo de visión fijo a cierta distancia [20]. 2.1.4 Sensores Algunos de los primeros dispositivos para la utilización de visión artificial son las cámaras de televisión, basadas con sensores compuestos de un dispositivo de estado sólido (CCD) o válvulas electrónicas (vidicón, plúmbico) con electrónica asociada. En los dispositivos de estado sólido se obtiene grandes ventajas sobre las cámaras de tubos al vacío, como lo es el menor peso, menor tamaño, menor consumo de potencia y mayor vida útil. 2.1.5 Técnicas de iluminación Es fundamental la iluminación de la imagen, donde ésta suele afectar a la complejidad de los algoritmos de visión. Generalmente, la iluminación del entorno no es favorable para el procesamiento de imágenes, pues se obtienen imagen de muy bajo contraste, reflexiones especulares, sombras y detalles no deseables. Para que un sistema de iluminación esté bien diseñado, debe iluminar una imagen de tal manera que la complejidad del gráfico sea mínima. Esto conlleva a que la información necesaria para la detección sea aumentada. Para facilitar el procesamiento digital de la imagen es necesario considerar las diferentes técnicas de iluminación. La correcta selección dependerá de la aplicación por lo que hay que considerar diversos factores como:  Iluminación Difusa: Para objetos con superficies suaves y regulares.  Iluminación Posterior: Produce imágenes en blanco y negro, sin matices y se adapta mejor a la silueta de los objetos.  Iluminación estructural: Basada en la proyección de puntos, franjas o retículas sobre la superficie del objeto, se establece un patrón de luz conocido como en cuyas diferencias Universidad Autónoma Metropolitana Azcapotzalco 20 simplifican la detección de objetos. La iluminación estructurada se utiliza con cámaras lineales o matrices para el análisis de características y medidas sin contacto.  Iluminación Direccional: Utilizada para inspeccionar superficies de objetos, las fuentes de iluminación son láseres bandas luminosas.  Iluminación Frontal: Utilizada para cuando se requiere la detección de ausencia/presencia en el reconocimiento de patrones y características, medidas sin contacto, detección de defectos, etc. Normalmente se utilizan lámparas incandescentes, fluorescentes, flashes y fibra óptica. 2.1.6 Fuentes de iluminación El tipo de fuente de iluminación a considerar no solo ahorra el consumo de energía, sino que proporciona las condiciones óptimas para obtener una imagen con un adecuado contraste. Por ejemplo, existen fuentes de iluminación como:  Lámparas incandescentes: Conforman la fuente de iluminación más común, muchas con filamento de tungsteno o halógeno-tungsteno. La principal ventaja es el amplio rango de potencias, siendo ésta una manera muy sencilla de generar iluminación continua. Se debe considerar que las lámparas incandescentes pierden mucha energía en forma de calor y después de cierto tiempo pierden intensidad. En algunos sistemas de visión esto puede generar mal funcionamiento durante el procesamiento de imágenes.  Tubos fluorescentes: Considerando que son más eficientes a diferencia de las cámaras fluorescentes ya que los tubos suministran luz más difusa, especialmente útil para cuando se examinan partes altamente propensas a la reflexión. Utilizados para campos de visión pequeños y medianos.  Fibra óptica: Principalmente utilizada en situaciones en las que de sesea eliminar zonas de difícil acceso, existiendo en múltiples formas y tamaños. La vida de una lámpara con este tipo de iluminación, puede alargarse sustancialmente si se trabaja con potencias por debajo de la nominal.  Láser: Se emplea más frecuentemente helio-neón de baja potencia (1-5mW), empleado como fuentes de luz estructurada, con forma de banda estrecha.  Flash: Se utiliza en algunas aplicaciones los elementos que se inspeccionan están en movimiento, a grandes velocidades, considerando que se quiere adquirir una imagen completa en un tiempo de 20 milisegundos durante la adquisición, se utilizan disparadores de alta velocidad, tratando de congelar el movimiento de la pieza.  Luz ultravioleta: La aplicación para este tipo de fuentes es la detección de grasas en un proceso de ensamblado. Cuando se expone la grasa con esta fuente de iluminación emite una luz en una longitud de onda alta(fluorescente) mientras que el fondo se opaca [21]. Universidad Autónoma Metropolitana Azcapotzalco 21 2.1.7 Preprocesador Las técnicas mencionadas anteriormente ayudan a reducir el ruido y aumentar los detalles. Se busca el mejorar la apariencia visual de una imagen a una forma más adecuada para el observador o análisis artificial, incluyendo técnicas como eliminación de ruido y el realce de los detalles, comúnmente aplicando mayor o menor iluminación. Debe de ser posible dividir la imagen acuerdo a características homogéneas predefinidas, entre las técnicas para lograr esto encontramos el binarizar imágenes y técnicas de detección de bordes. 2.1.8 Procesamiento digital de imagen El proceso digital de imágenes por computadora involucra varias ciencias como lo son: la óptica, electrónica, matemáticas, fotografía e informática. Existen factores en el procesamiento de imagen como lo son los equipos de cómputo, y los equipos para digitalizar imágenes que integran hardware y software para facilitar la solución de diversos problemas. Cabe resaltar que las imágenes presentan características muy variadas, algunas visibles y otras no, para extraer información relevante que es utilizada para clasificación de parámetros, sin embargo, para llevar a cabo la implementación de este proyecto es importante integrar la definición de procesamiento digital de imagen:  Imagen: Imagen es una representación visual de cualquier objeto en un entorno, en otras palabras, es una representación gráfica en la cual cada punto en el espacio se repre senta con una intensidad de color. Una imagen contiene información descriptiva acerca del objeto que representa. Una imagen contiene información descriptiva acerca del objeto que se presenta.  De acuerdo con Webster la palabra “Digital” es la relación de cálculo mediante métodos matemáticos, numéricos o unidades discretas, entonces una imagen digital se puede definir como la representación numérica de un objeto.  Procesamiento es el acto de someter algo en un proceso, donde el proceso es un conjunto de acciones y operaciones que se aplican para llegar a un resultado. El procesamiento digital de imagen conlleva tomar o capturar una imagen, y produce una versión modificada de la misma.  Análisis digital de imagen es el proceso mediante el cual se transforma una imagen digital en algo que no es una imagen, un conjunto de datos de medición o decisiones. El termino imagen se refiere a una función bidimensional de intensidad de un pixel se representa en términos de la coordenada espacial (x,y), En la Figura 8 se muestra un ejemplo del procesamiento de imagen realizado en un laboratorio. Universidad Autónoma Metropolitana Azcapotzalco 22 Figura 8. Diagrama a bloques del algoritmo del procesamiento digital de imágenes desarrolladas para el conteo de las colonias microbianas [22]. 2.1.9 Digitalizador de imágenes Tiene que ser capaz de dividir una imagen en pequeños segmentos llamados pixeles, medir el nivel de grises de la imagen para cada pixel, cuantificar dichas mediciones para definir un valor entero y generar un banco de datos. Características de un digitalizador de imagen  Ancho de muestreo.  Espacio entre pixeles (frecuencia de muestreo).  Tamaño de la imagen de salida (determinado por el número máximo de muestras por línea).  Parámetro físico que el digitalizador mide y cuantiza.  Linealidad de la digitalización.  Número de niveles de gris o color.  Nivel de ruido que se mide en una imagen (degradación de imagen). 2.1.10 Representación de colores en Imágenes digitales Los colores primarios en una imagen digital son el rojo, el amarillo y el azul. Partiendo de esto, se realizan mezclas con las cuales se logra obtener otros colores. En las imágenes digitales, los colores primarios son el rojo, el verde y el azul. Con la ayuda de las intensidades de luz se logran nuevos colores, esto es conocido como el sistema RGB, por sus siglas en inglés (Red, Green y Blue). Las imágenes digitales están compuestas por una matriz bidimensional que contiene elementos en RGB. Las imágenes digitales utilizan 8 bits, 1 byte para representar la intensidad de cada color, entonces al tener tres componentes las cuales conforman una imagen se necesitan 24 bits, lo cual equivale a un pixel. Por lo tanto, se tiene que una imagen contiene 300 bytes. Sabiendo Universidad Autónoma Metropolitana Azcapotzalco 23 esto, los bytes están representados por 255, esto es la intensidad de un solo canal. Entonces se tienen 3 canales los cuales pueden tener un valor de 0 a 255. Por lo que en el sistema RGB con (0,0,0,) se tiene el color “Negro” y con (255,255,255) el color “Blanco), se entiende que entonces que (255,0,0) es el color “Rojo”, (0,255,0) es el color “Verde “y (0,0,255) es el color “Azul”. Entonces se podrán obtener los demás colores variando las intensidades, en la Figura 9, se realizó un plano tridimensional del sistema RGB con una imagen tomada sobre la banda de transporte de la maquina prototipo separador de botellas. Figura 9. Plano tridimensional del sistema RGB. 2.1.11 Resolución de las imágenes digitales Se puede considerar como la precisión de información contenida en pixeles dentro de una imagen de mapa de bits. Una mayor resolución es igual a tener mayor detalle o mejor calidad visual. Proceso que divide una imagen en regiones significativas. Con los resultados obtenidos se etapas para descripción, reconocimiento e interpretación de la imagen. Al utilizar métodos de segmentación para extraer regiones de la imagen asumen tener regiones características homogéneas distintivas. Un factor a considerar en la conversión de imágenes digitales son las dimensiones de la imagen física para convertirla a pixeles, al digitalizar una imagen de 300 Dpi o puntos por pulgada se obtendrán por cada pulgada 300 pixeles en la imagen digitalizada, si se quiere imprimir una imagen de 50 Dpi quiere decir que por cada 50 pixeles se imprimirá una pulgada [23]. Universidad Autónoma Metropolitana Azcapotzalco 24 2.1.12 Niveles de procesamiento de imagen (Visión artificial) Se considera tres niveles de procesamiento, Visión de Bajo, Intermedio y Alto nivel tomando en cuenta que no hay barreras tan marcadas entre estos tres niveles, por lo tanto, se otorga un marco con el cual se puede categorizar a cada sistema de visión artificial. Visión artificial de nivel Bajo: Contiene procesos primarios, siendo que pueden ser considerados reacciones automáticas, sin requerir de ningún tipo de técnica de ingeniería, solo es una adquisición y procesado. Visión artificial de nivel Intermedio: Contiene procesos en los cuales se podemos extraer, caracterizar y etiquetar componentes de una imagen que obtenida del nivel inferior “nivel Bajo”, ya se involucra la descripción, segmentación y reconocimiento. Visión artificial de nivel Alto: Involucra procesamientos en los cuales se trata de emular la cognición. A diferencia de los niveles inferiores éstos conllevan un espectro de actividades definidas, mientras en el procesamiento de visión artificial de alto nivel, el conocimiento y la comprensión son procesos considerablemente más difusos y especulativos. Universidad Autónoma Metropolitana Azcapotzalco 25 2.2 LabVIEW LabVIEW otorga un enfoque de programación gráfica que le ayuda a visualizar cada aspecto de su aplicación, incluyendo configuración de hardware, datos de medidas y depuración. Esta visualización hace que sea más fácil integrar hardware de medidas de cualquier proveedor, representar una lógica compleja en el diagrama, desarrollar algoritmos de análisis de datos y diseñar interfaces de usuario personalizadas. Por medio de esta herramienta podremos realizar una clasificación de colores, con la respuesta obtenida se realiza un control gráfico, donde se entrega una señal digital para el uso del PLC, que controla las electroválvulas, son los actuadores de la maquina prototipo. En el apéndice A se encuentra un análisis de las características en la utilización de LabVIEW. 2.2.1 Comunicación Para lograr la visión artificial es necesario que los componentes involucrados se coordinen y estén conectados a la máquina que procese las imágenes obtenidas de una forma rápida y simple, esto suele realizarse mediante una señal E/S discreta o información enviada mediante una conexión serial a un dispositivo que utilizará esta información. Al utilizar esta información un indicador como una luz de acople o un solenoide puede activar un mecanismo de rechazo. También existen protocolos de alto nivel como Ethernet/IP, que se conecta a un dispositivo como un monitor o una interfaz de operador para una aplicación especial [24]. Es necesario que la respuesta obtenida en el procesamiento de imagen sea utilizada para poder realizar el manejo del PLC con el que cuenta la Maquina prototipo, se utilizó un Arduino el cual funcionara como la interfaz de PC y PLC. 2.2.2 Software de visión artificial LabVIEW Es una herramienta en la cual se crean prototipos para poder probar aplicaciones de procesamiento de imágenes. El algoritmo se registra en un archivo de secuencia de comandos que contiene las funciones de procesamiento y los parámetros relevantes. LabVIEW incluye diversas funciones de visión artificial y de procesamiento de imágenes que pueden ser implementadas en las plataformas de hardware de NI, incluyendo docenas de bloques de funciones. Con estas operaciones integradas como funciones para transferir imágenes de manera eficiente entre el CPU y la cámara USB, el usuario puede enfocarse en el desarrollo de algoritmos en lugar de controladores de bajo nivel. Con la utilización de Vision Assistant, se puede ajustar rápidamente e iterar algoritmos de visión artificial al seleccionar, aplicar y conectar cientos de Universidad Autónoma Metropolitana Azcapotzalco 26 funciones de procesamiento integrado y ver inmediatamente los resultados en imágenes ejemplo, eliminando la necesidad de implementar código o pruebas con imágenes en vivo [ 25]. 2.2.3 Introducción al procesamiento de imagen de Vision Assistant Esta herramienta se utiliza para procesar una imagen registrada por Vision Assisntant y extraer información basada en ciertos parámetros. Vision Assistant es una herramienta para crear prototipos y probar aplicaciones de procesamiento de imágenes, también ayuda a crear prototipos de una aplicación de procesamiento de imágenes, así como algoritmos personalizados con función de secuencia de comandos. En la Figura 10, se observa la utilización de NI Vision Assistant, para adquirir los centros de la figura mediante un procesamiento de imagen digital. En caso de este proyecto, las imágenes fueron registradas mediante una cámara web y posteriormente se analizaron los contrastes para definir un umbral. Este procedimiento aísla los objetos de interés y elimina todo aquel color que no corresponde. Figura 10. NI Vision Assistant LabVIEW [26]. 2.2.4 Funciones de procesamiento de imagen de Vision Assistant En esta paleta se encuentran funciones que se describen más adelante con las cuales analizan el contenido de una imagen para obtener información, en la Figura 11. También se encuentran funciones con las cuales se puede modificar la geometría y calibrar la imagen donde se realicen mediciones del mundo real. Figura pantalla principal de NI Vision Assistant. Universidad Autónoma Metropolitana Azcapotzalco 27 Figura 11. NI Vision Assistant. 2.2.5 Funciones más utilizadas en Vision Assistant  Histograma: Se utiliza esta función para obtener el número total de pixeles en cada valor de escala de grises y graficar los resultados. También se puede utilizar el histograma para saber si la intensidad general de su imagen es adecuada para el procesamiento que se desea realizar o si la imagen contiene distintas regiones de ciertos valores de escala de grises.  Perfil de línea: Se utiliza esta función para analizar la distribución del valor de pixeles a lo largo de una línea de pixeles de una imagen, también se puede utilizar esta función para conocer los límites y cuantificar la magnitud de las variaciones de intensidad y poder detectar la presencia de valores repetitivos.  Medida: Se utiliza esta función para calcular la posición, longitud, ángulo o área de una región de interés en una imagen.  Vista 3D: Se utiliza esta función para mostrar la intensidad de la luz de una imagen en un sistema de coordenadas tridimensionalmente, en donde las coordenadas espaciales de la imagen forman dos dimensiones y la intensidad de luz forma la tercera dimensión.  Brillo: Se utiliza esta función para alterar el brillo, el contraste y la gama de una imagen.  Establecer sistema de coordenadas: Se utiliza esta función para construir un sistema de coordenadas basado en la ubicación y orientación de una entidad de referencia. Universidad Autónoma Metropolitana Azcapotzalco 28  Máscara de imagen: Se utiliza esta función para construir una máscara a partir de una imagen completa o una región seleccionada. Se puede utilizar la máscara de imagen para enfocar su procesamiento o inspección en regiones particulares de la imagen.  Geometría: Se utiliza esta función para modificar la representación geométrica de una imagen al transformar, rotar o volver a muestrear los datos de la imagen.  Buffer de imagen: Se utiliza esta función para almacenar y recuperar imágenes de buffers.  Obtener la imagen: Se utiliza esta función para abrir una nueva imagen desde un archivo.  Calibración de imagen: Se utiliza esta función para calibrar una imagen para realizar mediciones en unidades del mundo real.  Operadores de color: Se utilizan estas funciones para realizar operaciones aritméticas y lógicas en imágenes en color. Las aplicaciones comunes de estos operadores incluyen comparaciones con retraso de tiempo, identificación de la unión o intersección entre imágenes, corrección de fondos de imágenes para eliminar las desviaciones de luz y comparaciones entre varias imágenes y un modelo. También puede usar operadores para umbralar o enmascarar imágenes y para alterar el contraste y el brillo.  Extracción de plano de color: Se utiliza esta función para extraer los planos RGB, HSV y HSL de una imagen. El resultado de esta función es una imagen en escala de grises con valores de intensidad que corresponden al plano que extrajo.  Umbral de color: Se utiliza esta función para aislar características de color para análisis y procesamiento o para eliminar características innecesarias en función de su color. El resultado de esta función es una imagen binaria.  Clasificación de color: Se utiliza esta función para clasificar muestras en una imagen en función de su color.  Segmentación de color: Se utiliza esta función para segmentar una imagen en función del color.  Coincidencia de color: Se utiliza esta función para comparar el contenido de color de una imagen o regiones en una imagen con una plantilla que contiene información de color de referencia. Esta función no modifica la imagen [27]. Universidad Autónoma Metropolitana Azcapotzalco 29 2.2.6 Uso de clasificación de color en el entorno Vi En primera instancia, se realiza un banco de Imágenes digitales las cuales corresponden a las diferentes clases o colores que se utilizó en este proyecto, seguido de esto se agruparon como primeras muestras, diez botellas de cada color obteniendo tres clases o colores distintos. Se usa la interfaz de clasificación de color para entrenar un clasificador utilizando el método de vecinos más cercanos este método esta dado mediante un conjunto de puntos y una función de distancia, la búsqueda de vecino más cercano (NN) le permite encontrar los puntos más cercanos en un punto de consulta o un conjunto de puntos. La técnica de clasificación de color se basa en la realización manualmente de agregar las muestras de color en clases de color nuevas. Basado en esas muestras, el clasificador de color puede clasificar muestras desconocidas en una clase conocida. Se agregan la mayor cantidad de muestras posibles para obtener resultados más óptimos y con menos incertidumbre. A continuación, se muestra un tutorial para entrenar y probar un clasificador de color en el entorno LabVIEW. Pasos a seguir en el clasificador de color: I. Abrir las imágenes de ejemplo II. Crear clases de color III. Probar el clasificador de color IV. Ajuste de las opciones de clasificación de color V. Edición del clasificador de color VI. Guardar el clasificador de color Abrir la imagen que se desea procesar, se inicia la interfaz de entrenamiento de clasificación de color, después se dirige a la interfaz de capacitación de clasificación de colores y se otorga un nombre a la clasificación de colores. Con la imagen digitalizada se selecciona una región de análisis de imagen, ROI, que es una de las partes características donde se va realizar el proceso de clasificación de imagen, con un banco de datos previamente adquirido se realiza manualmente las muestras de imagen, donde se clasifica el color que se está otorgando a cada elemento de muestra se está agregando a la clasificación de color, este proceso es tan tardado como el número de muestras que se va realizar, entre mayor número de muestras, mayor la precisión de detección de color. Después de que se tiene el clasificador con todas las clases deseadas a detectar por la computadora se establece el ROI, dentro del cual se desea obtener el color de cada elemento que pasara sobre esa región de imagen obtenida. Cabe resaltar que para cada muestra agregada se debe entrenar al algoritmo para definir sus características en base al color de dicha muestra. Posteriormente se debe agregar esta base de datos al clasificador generado, en la Figura 12, se muestra la pantalla donde se agregan las clases y muestras, para el entrenamiento de la clasificación. Universidad Autónoma Metropolitana Azcapotzalco 30 Figura 12. Clasificador de color de Visión Assistant. El propósito de realizar la clasificación de color para distintos colores es poder realizar la separación de botellas mediante un control virtual, el resultado de esta clasificación se utilizó en el programa con el cual se realizará un control que posteriormente se conectará mediante una interfaz con Arduino y con ello mandar una señal digital al PLC, para poder utilizar los actuadores de la maquina prototipo. Universidad Autónoma Metropolitana Azcapotzalco 31 2.3 Interfaz Arduino Las placas de Arduino son muy útiles ya que en ellas encontramos un conjunto de pines donde se puede realizar la lectura de algún sensor, botón, etc. A partir de esta señal se puede generar una salida para activar algún motor o actuador, encender un LED, etc. Arduino Integrated Development Environment, o Arduino Software (IDE), contiene un editor de texto donde es posible escribir código, un área de mensajes, una consola de texto, una barra de herramientas con botones para funciones comunes y una serie de menús. Se conecta al hardware Arduino y Genuino para cargar programas y comunicarse con ellos [28]. Para este proyecto se utilizó un Arduino Mega (genérico) de la marca GEEKCREIT, el cual cuenta con todas las características de la placa original, se muestra en la se Figura 13. Para conocer las características del Arduino dirigirse al apéndice B. Figura 13. Arduino Mega (genérico). Universidad Autónoma Metropolitana Azcapotzalco 32 3. Desarrollo experimental El desarrollo experimental está constituido por tres partes las cuales son el acondicionamiento de la maquina prototipo, seguido del procesamiento de imagen y programa Vi, por último, se encuentran las pruebas realizadas, la Figura 14 muestra el diagrama en cascada de las etapas consideradas. Figura 14. Diagrama del desarrollo experimental . 3.1 Acondicionamiento de la máquina prototipo separador de botellas de PET Par el acondicionamiento de la máquina prototipo se consideró realizar un cierto número de pasos a partir del estado actual, para obtener un sistema optimizado en el procesamiento de la imagen. En las Figuras 15 y 16 se muestra estado en la que se encontraba la máquina prototipo separador de botellas. La máquina prototipo carecía de fuente de iluminación, cámara, puertas para cerrar el área de adquisición de imagen y no contaba con el color apropiado para adquirir imágenes. Figura 15. Máquina prototipo separador de botellas, sin acondicionamiento. Acondicionamiento Maquina prototipo. Procesamiento de imagen y programa VI. Realización de Pruebas Universidad Autónoma Metropolitana Azcapotzalco 33 Figura 16. Máquina prototipo separador de botellas, sin acondicionamiento. El acondicionamiento se describe a continuación, con esto se logra realizar el procesamiento de imagen de la manera más idónea posible y con menos perturbaciones para el sistema. Se imlpementó un programa en LabVIEW, en el cual, por medio del procesamiento de imagen, posibilita la distinción del color de las botellas. Para este proyecto se utilizaron únicamente botellas de PET de 600 ml. Este sistema será capaz de actualizarse y ser modificado para mejoras futuras. Universidad Autónoma Metropolitana Azcapotzalco 34 3.1.1 Material utilizado  1 placa de acrílico de 40 x 32 x 0.3cm  1 webcam USB.  1 lámpara de (luz Blanca).  1 bote Pintura en aerosol (negro Mate).  2 bisagras de 6cm  4 tornillos de ½ pulgada con tuerca respectiva. 3.1.2 Pasos para el acondicionamiento de la máquina prototipo separador de botellas. 1. Interior del sistema de procesado de imagen: Se pintó el interior de la primera sección de la máquina prototipo, la superficie inferior y las paredes se pintaron de color negro mate, para no tener reflexión del área de procesamiento de imagen, tal como se muestra en la Figura 17. Buscando que no resaltara el brillo de la lámpara que se utiliza para la iluminación del sistema, ver Figura 18, reflexión de color. Figura 17. Reflexión de color [29]. Figura 18. Área de procesamiento de imagen en máquina prototipo separador de botellas . 2. Puertas: se colocaron dos puertas, las cuales están construidas con acrílico de 3 mm de espesor. Acrílico utilizado para fabricar las puertas, Figura 19. Se realizó la medición de éstas Universidad Autónoma Metropolitana Azcapotzalco 35 y se procedió a cortar el acrílico mediante una cortadora láser que se encuentra en el laboratorio de Teletráfico y Comunicaciones Ópticas de la Universidad Autónoma Metropolitana Unidad Azcapotzalco, en Figuras 20 y 21 se muestra la máquina cortadora láser. Las características de la cortadora, de grabado y corte láser, se pueden observar en el apéndice C. Después, se pintó una cara del acrílico en color negro mate, con la finalidad de que, al colocar estas puertas, se mantenga cerrada el área del procesamiento de la imagen. Puerta trasera cuenta con las dimensiones de 30 x 19.5 cm. Puerta delantera cuenta con las dimensiones de 30 x 21 cm. Figura 19. Placa de acríl ico de 40 x 32 x 0.3 cm y 2 bisagras. Figuras 20 y 21. Máquina de grabado y corte láser [30]. Para colocar las puertas se utilizó un taladro y una broca para la perforación del acrílico donde se colocaron los tornillos que sujetaran a las puertas y a la parte de lámina de la máquina prototipo separador de botella, en las Figuras 22 y 23, observamos las puertas colocadas. Universidad Autónoma Metropolitana Azcapotzalco 36 Figura 22. Puerta delantera pintada en la máquina prototipo separador de botellas . Figura 23. Puerta trasera pintada en la máquina prototipo separador de botellas. 3. Cámara USB: Se seleccionó la webcam Bush de 1.3 MP para la comunicación entre la PC y el sistema de visión, se eligio por su facilidad de sujección en el área que se asignó para obtener las imágenes, la cámara puede obtener imágenes con una calidad de imagen de 0.03 MP (176x144), hasta una calidad de 1.3 MP (1280x1024), también cuenta con un 30cm 19.5cm 30cm 21cm Puerta Trasera Puerta Delantera 4cm 4cm Universidad Autónoma Metropolitana Azcapotzalco 37 micrófono el cual no es requerido para el procesamiento de imagen que se obtiene en este proyecto. Figura 24, camara webcam. Figura 24. webcam Bush de 1.3MP. 4. Iluminación: Se integró al área de procesamiento de imagen, una lámpara de la marca Great Value, luz blanca 23 Watts, el área de procesamiento de imagen es un área cerrada por 4 paredes. Con esta lámpara se busca que la iluminación sea la uniforme para todo el tiempo que se esté realizando el procesamiento de imagen. Esta lámpara fue colocada en un contacto que cuenta con un soporte a la superficie superior del área de procesamiento de imagen. Figura 25, lámpara de iluminación para la máquina prototipo. Figura 25. Lámpara de luz blanca 23 Watts. Fue necesario implementar una pared de acrílico en medio de la cámara y de la lámpara, ya que la cámara absorbe luz cuando se encuentra de forma directa. Las dimensiones de esta pared se muestran en la siguiente Figura 26. Universidad Autónoma Metropolitana Azcapotzalco 38 Figura 26. Pared Intermedia. Figura 27. Fuente de alimentación para motor e i luminación. Se agregó una línea de alimentación para el funcionamiento de la lámpara, mediante el sistema de cableado interno con la que cuenta la máquina prototipo separador de botellas. Figura 27. 11.5c m 29.5c m PLC Entrada de Voltaje 127 Volts 60Hz Universidad Autónoma Metropolitana Azcapotzalco 39 3.2 Procesamiento de imagen digital y clasificación de colores A continuación, se presenta en la figura 28 el diagrama de la metodología para el desarrollo de este proyecto que involucra la clasificación de colores. En la figura 29 se muestra el esquema sistemático de propósito para este proyecto. Posteriormente, se explican con más detalle los bloques del diagrama. Diagrama a bloques Figura 28. Diagrama a bloques (Identificador de botellas). Realización de VI para Vision artificial. ¿Detecta correctamente Botellas? NO Utilización de la herramienta Vision Assistant para clasificar color de botellas. Programa para conteo de botellas de diferentes colores. El programa muestra de que color es la botella y la opción de mandar una señal digital para poder discriminarla mediante actuadores. Acondicionamiento del sistema. NO El programa entrega un informen de las botellas detectadas. SI Adquisición de imágenes partiendo banco de datos Finaliza la primera etapa. Inicio ¿Detecta correctamente el color? SI Universidad Autónoma Metropolitana Azcapotzalco 40 Figura 29. Esquema sistemático de la Máquina prototipo separador de botellas de PET. 3.2.1 Adquisición de grupo de botellas y almacenamiento de banco de datos Como primera fase, se eligieron tres grupos de colores de las botellas, el color verde, el azul y transparente. Se llevó a cabo la recolección de estos tres grupos de botellas para considerarlos como referencia en la decisión de los colores característicos. En las Figuras 30, 31 y 32 se muestran los primeros grupos de botellas. A diferentes horas del día se tomaron capturas de imagen, esto para que la luz del medio ambiente sea considerada como un factor implícito en el procesamiento de las imágenes. De esta manera se tiene un control uniforme en el procesamiento de imagen, sin importar la hora del día en que se requiera el procesamiento. Primeras adquisiciones de imágenes.  Se lavaron y se les retiró la etiqueta.  Se agruparon por color los tres grupos de botellas.  Se posicionó cada botella para obtener una imagen en el área de procesamiento de imagen.  Se considera el fondo de la imagen, y por este motivo también se toma un conjunto de imágenes.  A partir de cada imagen se procesa en el clasificador de botellas con la herramienta NI Vision Acquisition. Universidad Autónoma Metropolitana Azcapotzalco 41 Figura 30. Primer grupo de botellas de color verde. Figura 31. Primer grupo de botellas de color azul. Figura 32. Primer grupo de botellas transparentes . Se coloca cada una de las botellas en el área de procesamiento de imagen. Como se muestra en las Figuras 33, 34 y 35. Figura 33. Primeras adquisiciones de botellas color azul dentro del área de procesamiento de imagen. Universidad Autónoma Metropolitana Azcapotzalco 42 En estas imágenes se observó que se caracterizan por el brillo en la superficie de la botella. Figura 34. Primeras Adquisiciones de botellas transparentes dentro del área de procesamiento de imagen. Se puede observar que también encontramos reflejo de luz sobre la superficie de las botellas transparentes. Figura 35. Primeras adquisiciones de botellas color verde dentro del área de procesamiento de imagen. Universidad Autónoma Metropolitana Azcapotzalco 43 3.2.2 Procesamiento de Imagen utilizando LabVIEW y la herramienta NI Vision Acquisition Es necesario descargar los componentes de visión compatibles con LabVIEW, ya que estos componentes no están integrados en el software LabVIEW. Para el procesamiento de datos se obtuvo un banco de datos, para los diferentes tipos de colores de botellas de PET. 3.2.3 Estructura de un sistema de aprendizaje reconocedor. Para este sistema se consideró que es necesario contar con dos módulos muy importantes, el primero es el encargado de obtener información y características, el segundo módulo se encargará de la clasificación [31], la Figura 36 muestra el diagrama a bloques de cada módulo. Figura 36. Etapas del modelo de aprendizaje [32]. Durante el acondicionamiento se realizaron varias pruebas donde se llevaron a cabo pruebas desde el VI creado en LabVIEW con la herramienta Vision Assistant. Para la realización de este proyecto se seleccionó la configuración de la webcam, la cual se caracteriza por una resolución de 640x480 MJPG a una tasa de velocidad de 30 cuadros por segundo para realizar el procesamiento de imagen. Clasificación Procesamiento Clasificación Patrones de Testeo Medición de características Aprendizaje Procesamiento Extracción y selección de características Entrenamiento Patrones de Entrenamiento Universidad Autónoma Metropolitana Azcapotzalco 44 3.2.4 Configuración del Módulo de adquisición 1. El primer paso considera la creación de un VI para llevar a cabo a la comunicación de la cámara con la computadora. De aquí que el usuario puede seleccionar la cámara que será utilizada como se muestra en la Figura 37. Figura 37. NI Vision Acquisition Express (Selección de cámara). 2. En el siguiente paso, se determina cómo se desea adquirir la imagen. Para este proyecto se selecciona la segunda opción de adquisición y procesamiento continuo ya que nos permite realizar la adquisición sin ninguna restricción de tiempo o de iteraciones, además nos otorga un botón de paro para detener el sistema y se muestra en la Figura 38. Figura 38. NI Vision Acquisition Express (Modo de adquisición de imagen). Universidad Autónoma Metropolitana Azcapotzalco 45 3. A continuación, el usuario tiene la opción de seleccionar la configuración de adquisición de imagen (características dé la webcam), Figura 39. Se decidió trabajar con la configuración de 680x480 MJPG 30.00 fps. teniendo en cuenta que será más ligero el procesado de imagen, es dcir se optimiza el coto computacional. Al adquirir solo imagen en tiempo real no es necesario agregar características especiales a la adquisición. Figura 39. NI Vision Acquisition Express (Características de la webcam). 4. En la siguiente configuración, el usuario selecciona los controles a utilizar NI Vision Acquisition Express, en la figura 40 se muestran los controles posibles a obtener. Figura 40. NI Vision Acquisition Express (Controles en la adquisición de imagen). Universidad Autónoma Metropolitana Azcapotzalco 46 5. La figura 41 muestra el proceso de un laso While loop el cual se controla mediante un botón de paro. Figura 41. Diagrama a bloques con While loop y adquisición de imagen. A partir de ese punto se comienza a crear un VI, con el cual empezaremos a construir con diferentes elementos un detector de botellas de PET. 6. Se integra el módulo Vision Assistant donde clasificaremos los colores de las botellas de PET, es el bloque que tiene más importancia en este VI, con este bloque podremos decidir a qué color corresponde cada botella, la Figura 42 corresponde al módulo dentro del VI. Figura 42. Diagrama a bloques (adquisición de imagen y Asistente de visión). Universidad Autónoma Metropolitana Azcapotzalco 47 3.2.5 Clasificación de color mediante Vision Assistant Para la clasificación de color se necesita conocer e integrar los colores que se van a clasificar. Figura 43. Bloque NI Vision Assistant.  Se llama la herramienta Vision Assistant.  Se determina usar en “Funciones de procesamiento”, Color, Figura 43.  De la paleta de herramientas escojemos “Clasficador de Color”.  Se asigna un nombre al archivo de clasificador de color en este proyecto se determino con el nombre ”Procesamiento de imagen”.  De la imagen previa obtenida del sistema que se va analizar se eligie el ROI o área de interés donde se realizará la clasificación de color. En la figura 44 observamos el ROI. Figura 44. Bloque NI Vission Asistant (Asignación de ROI). Región de interés Nombre del archivo. Vista previa del sistema Universidad Autónoma Metropolitana Azcapotzalco 48 Después de haber creado el archivo donde se trabajará el clasificador de color, se realiza la edición de los colores involucrados. Figura 45. Figura 45. Bloque NI Vision Assistant (Caracterización de clasificación de color).  Se agrega una clase como nombre “Azul” uno de los 4 ralizados en este proyecto.  Se características la clasificación de color.  En opciones se elige una detección de sensibilidad mediana, con opciones para tener baja y alta sensibilidad.  Se elige el método de vecino más cercano. 3.2.6 Método de clasificación (Vecinos más cercanos) Al utilizar la regla vecinos cercanos (Nearest Neighbour), es necesario explorar todo el conocimiento almacenado en el conjunto de entrenamiento para determinar cuál será la clase a la que pertenece una nueva muestra, pero únicamente tiene en cuenta el vecino más próximo a ella, por lo que es lógico pensar que es posible que no se esté aprovechando de forma eficiente toda la información que se podría extraer del conjunto de entrenamiento. En la figura 46, se ejemplifica el metodo de vecinos mas cercanos. Dado un conjunto de puntos y una función de distancia, la búsqueda de vecino más cercano (NN) le permite encontrar los puntos más cercanos en un punto de consulta o un conjunto de puntos. La interpolación de imágenes es muy utilizada en el procesado de imágenes d igitales: Escalado (remuestreo), Reasignación (transformaciones geométricas - rotación, cambio de perspectiva,). Relleno (restauración de agujeros), Deformación, transformaciones no lineales. Se utiliza el método de vecinos más cercanos ya que es un método sencillo y básico, donde se requiere un sistema de procesado, se tiene en cuenta un pixel, el más cercano al punto Universidad Autónoma Metropolitana Azcapotzalco 49 interpolado, esto incrementa el tamaño del pixel [33], en las Figuras 47, 48, 49, 50 y 51, se ejemplifica el método de vecinos más cercanos Figura 46. Interpolación vecinos más cercanos [34].  Clasificar un dato nuevo utilizando vecinos mas cercanos. Figura 47. Vecinos más cercanos.  Teniendo un conjunto de datos conocidos es posible conocer las distancias entre esos datos el dato incertidumbre. Figura 48. Vecinos más cercanos. w1-4pixels h1-4pixels W2-8pixels H2-4pixels Completo Universidad Autónoma Metropolitana Azcapotzalco 50  Usualmente se usa una métrica conocida como distancia Euclidiana. Figura 49. Vecinos más cercanos.  Por lo tanto, se considera que d1 tiene la distancia más cercana y podemos otorgar el valor o color en este caso. Figuras 50 y 51. Vecinos más cercanos. Continuando con el proceso en la de clasificación se realiza la integración de imágenes al clasificador de color.  Se elige la carpeta del banco de datos que se tiene, con las botellas agrupadas por color.  Se obtiene una muestra de cada botella, y se asigna al nombre correspondiente de la clasificación de color.  Cada muestra es parte del entrenamiento de la clasificación de color. En la Figura 52, se da un ejemplo de las cuatro clases que conformaron la clasificación de color para este proyecto. Universidad Autónoma Metropolitana Azcapotzalco 51 Figura 52. Muestra de cada color o clase, que se va integrar a la clasificación de color.  Se agrega la muestra y se entrena para la clasificacion. Al agregar una muestra a una clase de color se obtiene una puntuación de clasificación de 1000. De esta tabla obtendremos dos datos los cuales son la puntuación de clasificación y la puntuacion de identificacion.  LaPuntuación de clasificación es el grado de certeza de que una muestra pertenece a una clase en lugar de a otra clase, 1000 es el mejor puntaje posible.  Puntuación de identificación es el grado de similitud entre una muestra y muestras en la clase a la que se asigna la muestra. Partiendo de estos resultados al realizar el procesamiento de imagen en tiempo real, se obtendrá la clase o color correspondiente a la botella que este en tránsito a través del módulo de procesamiento de imagen, en la figura 53 observamos las clases o colores que se agregaron. Figura 53. Interface de clasificador de color. Región de la botella de interés (color de la botella) Sección de muestra a clasificar y puntuación Universidad Autónoma Metropolitana Azcapotzalco 52 La realización de esta muestra se realiza para cada una de las imágenes obtenidas de cada color de botella en este trabajo se agregaron un número de 50 muestras verdes, 50 muestras transparentes, 50 muestras azules y 50 muestras del color de fondo o banda, en la Figura 54, se muestra las muestras que se agregaron al clasificador de colores. Figura 54. Muestras agregadas a la clase o color Azul. Todas las muestras se encuentran en la interface de clasificador de color donde se pueden eliminar o examinar si se encuentran bien clasificadas en el color que les corresponde. Figura 55. Clasificación de color. En la herramienta de clasificación de color obtenemos una puntuación como se observa en la Figura 55, mediante la cual se puede clasificar a que color pertenecen las botellas que están circulando en la máquina prototipo separador de botellas, en este ejemplo obtenemos una puntuación la cual corresponde con la banda, podemos observar la ausencia de botellas, por lo tanto, es correcto lo que estamos recibiendo de esta clasificación. Universidad Autónoma Metropolitana Azcapotzalco 53 3.2.7 Diagrama a bloques de VI  A la salida de nuestro bloque Vision Assistant (clasificador de color), obtenemos como salida un control de clases.  Es un dato tipo cadena de caracteres por lo tanto para poder utilizarlo en una interpretación gráfica en el diagrama a bloques del VI.  Se agregó el elemento función de cadenas concatenadas. Ya que las clases se guardan como nombres se realiza una diferencia de nombres, ver Figura 56. Figura 56. Salida del diagrama a bloques de clasificación de color.  Se agregan cuatro elementos booleanos del tipo indicador, otorgándoles los nombres verde, azul, transparente y banda, estos indicadores serán los encargados de indicador el color de la botella que esté transcurriendo sobre la máquina prototipo separador de botellas y se mostrarán en el panel frontal del VI, en la figura 57 se observan los indicadores. Figura 57. Panel frontal (imagen de saluda e indicadores de color). Indicadores Booleanos Encenderán correspondientemente con el color de las botellas que estén transcurriendo en tiempo real. Imagen de salida. Se mostrará en el Panel frontal Universidad Autónoma Metropolitana Azcapotzalco 54  A continuación, se agrega un segmento en el diagrama de bloques, el cual será encargado de realizar el conteo de cada botella detectada por bloque de procesamiento de imagen. En la Figura 58, se muestra el contador de botellas. Figura 58. Diagrama a bloques (contador de botellas).  La salida obtenida en la clasificación de color es un dato tipo carácter, al realizar la diferencia para asignar un color en los indicadores, obtenemos un dato de tipo booleano.  Se implementó un contador de tipo booleano.  El resultado se compara con un seleccionador, si el indicador se encuentra encendido arroja el valor 1. Figura 59.  Este valor obtenido se agrega a un sumador con valor inicial de 0. Cada que se inicia el sistema.  Esto se proyecta en el Panel el frontal en un indicador numérico.  Se diseñó un Reset con ayuda de un control de Stop el cual tiene como propósito intervenir en el conteo de pulsos que arroja el indicador booleano, introducir un 0 como valor de partida de nuevo, sin tener que apagar y reiniciar el sistema. Figura 60.  Para lograr esto se niega la señal del control Stop, se convierte de booleano a un valor numérico 1 o 0 y se agrega a ala suma. Figura 59. Selector de funciones. Figura 60. Reset. En la Figura 61 observamos la funcion del indicador, en cada momento que la botella pasa por el area de procesamiento de imagen. Selector de funciones. En este VI, selector entre 1 y 0. Reset Control Stop, negador booleano y convertidor a valor numérico. Universidad Autónoma Metropolitana Azcapotzalco 55 Figura 61. Ejemplo de detección botella verde y contador correspondiente. 3.2.8 Interfaz de programa VI y PLC En el siguiente segmento dentro del diagrama a bloques se integró un sistema con el cual se podrá comunicar el clasificador de botellas y el PLC con el cual ya cuenta la máquina prototipo separador de botellas.  Se conforma un seleccionador de botellas, el usuario podrá elegir botellas podrá discriminar durante el proceso de separación de botellas.  Se agregaron 3 controles (Vertical Toggle Switch), de tipo booleano. Figura 62.  De los indicadores con los cuales ya se contaban, los usaremos como Switch, cuando el indicador se encienda, el usuario podrá tener la opción de discriminarla o dejarla pasar al siguiente paso de reciclado.  Mediante lógica booleana se realiza el seleccionador.  La señal de salida, se dirige al siguiente segmento, donde se utilizó un Arduino como interfaz, donde se manda la señal digital. Panel frontal Indicadores booleanos Contador de botellas Universidad Autónoma Metropolitana Azcapotzalco 56 Figura 62. Diagrama del selector de botellas (lógica booleana). La compuerta lógica AND tiene dos entradas A y B, sólo cuenta con una salida X. Esta situación se representa en álgebra booleana como: X = A*B y también se puede representar como: X = AB, como se muestra en la Figura 63. Figura 63. Compuerta AND y tabla de verdad. Compuerta OR, la salida X de la compuerta OR será “1” cuando la entrada “A” o la entrada “B” estén en “1”. La compuerta OR se representa con la siguiente función booleana: X = A+B. Figura 64. Figura 64. Compuerta OR y tabla de verdad. Para el selector de botellas a discriminar tenemos, por lo tanto. Solo es necesario que un interruptor se encuentre encendido al igual que si indicador correspondiente. (Señal de salida) = (Indicador Azul * Switch Azul) + (Indicador (Transparente * Switch Transparente) + (Indicador Verde * Indicador Verde). Diagrama a bloques (selector de botellas) Indicadores booleanos Vertical Toggle Switch AND (lógica booleana) OR (lógica booleana) Universidad Autónoma Metropolitana Azcapotzalco 57 En la Figura 65 se muestra el VI, donde ya contiene el contador de botellas y el seleccionador de botellas a discriminar. Figura 65. Panel frontal, selector de botellas. 3.2.9 Conexión Arduino en LabVIEW Para comenzar a conocer Arduino LabVIEW, lo que se requirió fue poder enviar y recibir datos mediante el puerto, gestionado por LabVIEW. Esto, para poder controlar diferentes parámetros del Arduino. En este caso Arduino emula a un dispositivo o equipo controlado por serial. Por ejemplo, un controlador de motores o algún sistema industrial.  Primero, tenemos que configurar el puerto serial, esto lo hacemos con el módulo de VISA que es el controlador de el puerto de comunicación serial a través del USB en la computadora. Se descargó e instalo el complemento LabVIEW MakerHub. Figura 66.  Se elige que Arduino se va utilizar. Figura 66. LabVIEW (MakerHub). Universidad Autónoma Metropolitana Azcapotzalco 58  Se agregan los siguientes módulos al diagrama de bloques, la señal que surge del seleccionador de botellas es la que nos dará la información para la conexión hacia el Arduino, estos bloques se comunicaran directamente con la placa de Arduino. Figura 67. Figura 67. Diagrama a bloques (conexión Arduino).  Aquí se encuentran los segmentos donde se procesa la señal recibida y la manda al Arduino, un loop rate, que nos mostrara la frecuencia de conexión con el Arduino.  El puerto serial en donde se encuentra conectado el Arduino.  LED Value: Aquí entrara la señal que surge del seleccionador, es una señal booleana.  Digital Output Channel: Este será pin donde saldrá la señal que mandará de salida el Arduino. Figura 68, se muestra todos los controles que involucran al Arduino.  Si ocurre un error en la conexión se mostrará en un comentario. Figura 68. Diagrama a bloques completo (conexión con Arduino). Universidad Autónoma Metropolitana Azcapotzalco 59 Este diagrama a bloques conformará el VI creado para la detección de botellas mediante su color, al ser un control grafico nos permite realizar modificaciones de manera muy fácil y práctica, dependiendo de los cambios que se quieran realizar, ver Figura 69. Figura 69. Panel frontal (Expulsor de botellas y Controles de Arduino). A continuación, se muestra el panel frontal, resultado de todo el control ya mencionado con esto se trabaja en la detección de colores de botellas d PET, ver Figura 70. Figura 70. Panel frontal Final. El panel frontal nos muestra:  Visualizador de imagen en tiempo real.  Botón de Paro del sistema de detección de color de botellas de PET.  Indicadores booleanos para los diferentes colores a detectar.  Indicador de número de botellas.  Control para expulsar de botellas.  Indicador de frecuencia para transmisión con Arduino.  Puerto donde se encuentra conectado el Arduino  Pin digital donde se encuentra la señal de salida. Control de Arduino. Puerto donde se encuentra el Arduino, asignado por el usuario. Pin digital donde el Arduino, tendrá la señal de salida, el usuario lo asigna. Seleccionador de botellas Permitirá mandar la señal al Arduino, el usuario indicará que botella deberá ser excluida. Figura 69. Universidad Autónoma Metropolitana Azcapotzalco 60 3.3 Pruebas y resultados Ejemplos del Sistema de selección de botellas mediante color. Se realizan pruebas de la detección de color. La prueba 1 consiste en realizar la detección botellas de un solo color. La prueba numero 2 consiste en la detección de botellas de diferentes colores. En las Figuras 71, 72 y 73, se muestra la detección de un color y la apreciación del indicador booleano Figura 71. Detección de botella de PET, color verde. Figura 72. Detección de botella de PET, color azul. Universidad Autónoma Metropolitana Azcapotzalco 61 Figura 73. Detección de botella de PET, color transparente. Prueba 1 A continuación, se muestra los resultados con un aproximado de tiempo de 15 segundos por cada grupo de 10 botellas. Grupo de 10 botellas color verde. Detecciones obtenidas por el sistema realizado en este proyecto Número Botellas verdes Número Botellas azules Número Botellas transparentes 10 4 1 Se obtuvo como resultado en las pruebas de color verde, 5 detecciones no correctas. Grupo de 10 botellas color Azul. Detecciones obtenidas por el sistema realizado en este proyecto Número Botellas verdes Número Botellas azules Número Botellas transparentes 3 8 0 Se obtuvo como resultado en las pruebas de color azul, 3 detecciones no correctas de colores no correspondientes y 2 ausencias de detecciones. Grupo de 10 botellas color Transparente. Detecciones obtenidas por el sistema realizado en este proyecto Número Botellas verdes Número Botellas azules Número Botellas transparentes 1 5 7 Universidad Autónoma Metropolitana Azcapotzalco 62 Se obtuvo como resultado en las pruebas de color azul, 6 detecciones no correctas de colores no correspondientes y 3 falta de detecciones. Prueba 2 Se realizó una prueba de 15 botellas de los 3 diferentes colores con un orden aleatorio, 5 botellas color azul, 5 botellas de color verde y 5 botellas de color transparente. Grupo de 10 botellas color Azul. Detecciones obtenidas por el sistema realizado en este proyecto Número Botellas verdes Número Botellas azules Número Botellas transparentes 5 7 8 Se obtuvo como resultado se obtienen 5 detecciones de botellas no correctas. A continuación, se agregó una placa de acrílico, la cual tiene medidas de 28.8x5.5cm situada abajado de la lámpara, buscando difuminar el brillo. Sobre la superficie de las botellas. Esta pl aca tiene un vinil de color cuasi blanco, donde permitirá pasar la mayor cantidad de luz. Después se volvieron a realizar las pruebas, en la Figura 74, se muestra el acrílico para difuminar la intensidad de luz. Figura 74. Placa de acríl ico, difuminación de bril lo. Prueba 3. A continuación, se muestra los resultados con un aproximado de tiempo de 15 segundos por cada grupo de 10 botellas, después de agregar el acrílico. Grupo de 10 botellas color verde. Detecciones obtenidas por el sistema realizado en este proyecto Número Botellas verdes Número Botellas azules Número Botellas transparentes 10 2 1 Se obtuvo como resultado en las pruebas de color verde, 3 detecciones no correctas. Universidad Autónoma Metropolitana Azcapotzalco 63 Grupo de 10 botellas color Azul. Detecciones obtenidas por el sistema realizado en este proyecto Numero Botellas verdes Numero Botellas azules Numero Botellas transparentes 3 9 0 Se obtuvo como resultado en las pruebas de color azul, 3 detecciones no correctas de colores no correspondientes y una ausencia de detección. Grupo de 10 botellas color Transparente. Detecciones obtenidas por el sistema realizado en este proyecto Numero Botellas verdes Numero Botellas azules Numero Botellas transparentes 0 4 8 Se obtuvo como resultado en las pruebas de color azul, 4 detecciones no correctas de colores no correspondientes y 2 falta de detecciones. Prueba 4 Prueba después de agregar el acrílico, 15 botellas de los 3 diferentes colores con un orden aleatorio, 5 botellas color azul, 5 botellas de color verde y 5 botellas de color transparente. Grupo de 15 de botellas de diferentes colores. Detecciones obtenidas por el sistema realizado en este proyecto Numero Botellas verdes Numero Botellas azules Numero Botellas transparentes 5 7 8 Se obtuvo como resultado se obtienen 5 detecciones de botellas no correctas. Prueba de Arduino En la siguiente prueba, obtenemos la señal digital que se encargara de acrtivar mediante el PLC los actuadores de aire con los que cuenta la mauina prototipo. el Arduino se encuentra en el puerto COM8. Figura 75, se elige el pin 12 como salida de la señal. Utilizamos un LED, ver Figura 76, como indicador a la respuesta Figura 77. Universidad Autónoma Metropolitana Azcapotzalco 64 Figura 75. Panel frontal Switch de expulsor apagado. Figura 76. Arduino. Figura 77. Salida pin 12 apagada. En la figura 78 podemos observar la funcionalidad de la interfaz con la ayuda del Arduino, cuando el seleccionador este encendido correspondiente a un color de la clasificación realizada previamente el Arduino mandara una señal digital para activar el PLC, el cual cuenta con actuadores de aire. Universidad Autónoma Metropolitana Azcapotzalco 65 Figura 78. Panel frontal Switch de expulsor encendido y salida pin 12 activada. Obtenemos como resultado que es correcto la comunicación, cada que el indicador que ilumina enciende el LED tal y como se había previsto, el sistema presenta una falla de conexión de Arduino, cada vez que se detiene el sistema es necesario realizar un reset en la placa Arduino. Prueba 5 A continuación, se muestra los resultados con un aproximado de tiempo de 15 segundos por cada grupo de 10 botellas, con Arduino conectado. Grupo de 10 botellas color verde. Detecciones obtenidas por el sistema realizado en este proyecto Número Botellas verdes Número Botellas azules Número Botellas transparentes 10 2 1 Se obtuvo como resultado en las pruebas de color verde, 3 detecciones no correctas. Universidad Autónoma Metropolitana Azcapotzalco 66 Grupo de 10 botellas color Azul. Detecciones obtenidas por el sistema realizado en este proyecto Número Botellas verdes Número Botellas azules Número Botellas transparentes 4 9 0 Se obtuvo como resultado en las pruebas de color azul, 4 detecciones no correctas de colores no correspondientes y una ausencia de detecciones. Grupo de 10 botellas color Transparente. Detecciones obtenidas por el sistema realizado en este proyecto Número Botellas verdes Número Botellas azules Número Botellas transparentes 1 3 8 Se obtuvo como resultado en las pruebas de color azul, 4 detecciones no correctas de colores no correspondientes y 2 falta de detecciones. Prueba 6 Se realizó una prueba de 15 botellas de los 3 diferentes colores con un orden aleatorio, 5 botellas color azul, 5 botellas de color verde y 5 botellas de color transparente, conectado el Arduino. Grupo de 15 botellas de diferentes colores. Detecciones obtenidas por el sistema realizado en este proyecto Numero Botellas verdes Numero Botellas azules Numero Botellas transparentes 4 7 6 Se obtuvo como resultado se obtienen 3 detecciones de botellas no correctas de colores no correspondientes y una ausencia de detección. Prueba 7 Se realizó una prueba de 30 botellas de los 3 diferentes colores con el siguiente orden en colores, 10 botellas color azul, 10 botellas de color verde y 10 botellas de color transparente, conectado el Arduino. Grupo de 30 botellas de diferentes colores. Detecciones obtenidas por el sistema realizado en este proyecto Numero Botellas verdes Numero Botellas azules Numero Botellas transparentes Universidad Autónoma Metropolitana Azcapotzalco 67 12 8 15 Se obtuvo como resultado se obtienen 7 detecciones de botellas no correctas de colores no correspondientes y 2 ausencias en la detección de botellas. Se observa que la frecuencia de transmisión es muy baja con el ordenador. Prueba 8 Se realizó una prueba de 30 botellas de los 3 diferentes colores con un orden aleatorio, 10 botellas color azul, 10 botellas de color verde y 10 botellas de color transparente, conectado el Arduino. Grupo de 30 botellas de diferentes colores. Detecciones obtenidas por el sistema realizado en este proyecto Numero Botellas verdes Numero Botellas azules Numero Botellas transparentes 8 7 6 Se obtuvo como resultado, se presentaron 5 ausencias en la detección de colores. La conexión de Arduino y ordenador sigue siendo baja. Universidad Autónoma Metropolitana Azcapotzalco 68 4. Análisis y discusión de resultados La etapa de identificación y clasificación de botellas de PET en el prototipo separador de botellas PET se basó en un sistema de identificación con la ayuda del procesamiento de imagen registrada en tiempo real mediante una cámara web con una resolución de 680x480 MJPG a razón de 30 cuadros por segundo. Una primera etapa en este proyecto implicó, en gran medida, adecuar el área de procesamiento de imagen para contrarrestar el efecto de reflexión de luz sobre la superficie de las botellas de PET. A pesar de que el procesamiento digital de las imágenes fue flexible por el manejo de datos, una etapa fundamental fue la selección de las regiones de interés sobre la muestra de botellas PET, la cual se utilizó para definir una adecuada base de datos que fue considerada para entrenar al algoritmo. Cabe resaltar que a mayor región de interés se incrementa la incertidumbre, y, por tanto, la clasificación es menos precisa, teniendo en cuenta que se realiza el procesamiento en tiempo real. Una segunda etapa fue la puesta en marcha del sistema para considerar un mayor número de muestras de botellas de PET y limitar la región de interés a una menor área de cobertura. Es importante señalar que las botellas utilizadas en esta prueba, fueron sometidas a un lavado y extracción de etiqueta antes de ser colocadas en la banda transportadora, buscando un área de interés más uniforme, para una mejor apreciación de color de cada botella. De aquí que la selección de diversos escenarios fue importante para considerar la puesta en marcha del prototi po. La tercera etapa consistió en la realización de pruebas con las regiones seleccionadas, para ello se colocó una placa de acrílico la cual evitaba que la luz incidiera de manera directa sobre las muestras de botellas PET. De esta manera se tuvo una mejoría en la detección de color de las botellas. Aunque se encontró que cuando se tiene una gran cantidad de botellas sobre la banda, la eficacia del sistema no es adecuada debida al alto costo computacional para procesar la imagen. Por lo que la velocidad de la banda será un factor fundamental para el adecuado procesamiento. La cuarta etapa consistió en integrar una tarjeta Arduino que registre la señal de salida del software y genere una señal de salida, con la cual se acciona un sistema de válvulas neumáticas que separan las botellas cuando pasen al final de la banda transportadora. Sin embargo, es necesario mencionar que la utilización de un Arduino implica un retardo en el funcionamiento del sistema. La operación del sistema resultó viable y con grandes capacidades de expandir el banco de datos para mejorar su eficacia, además de incrementar las regiones de interés e incluso considerar más colores posibles a detectar. Este proyecto permitirá en un futuro evaluar el costo computacional y utilizar una mayor resolución de 680x480 MJPG a razón de 30.00 cuadros por segundo fps, así como agregar un mayor número de muestras, agregar botellas sucias, aplastadas con etiquetas para evaluar la capacidad de identificación y separación. Universidad Autónoma Metropolitana Azcapotzalco 69 5. Conclusiones En este proyecto se desarrolló la primera etapa para la separación de botellas de PET mediante su color. Para el desarrollo de este proyecto fue necesario estudiar y comprender el procesamiento de imagen para un adecuado acondicionamiento del sistema. La operación del sistema dejó en evidencia que existen muchas variables que intervienen para lograr una clasificación adecuada, por otro lado, muchos parámetros cambian constantemente y en algunos casos, dependiendo del sistema no se pueden controlar. En este proyecto después de analizar el funcionamiento del sistema fue necesario eliminar factores que incrementan el error en la clasificación, para ello se acondicionó el sistema de iluminación con el propósito de eliminar reflexiones de luz, además de obtener una base de datos, adecuar los colores de la máquina prototipo, así como el uso de una base de datos que sirvieron como patrón de referencia. El uso de software LabVIEW contribuyó para efectuar una clasificación óptima mediante el método de vecinos más cercanos en tiempo real, así como para agregar elementos como sumadores, elementos matemáticos, lógica booleana y diferentes tipos de datos para poder acoplar todo a través de lenguaje gráfico. El uso de una interfaz gráfica facilitó su implementación y al mismo tiempo permite utilizar las señales de salida para que mediante un Arduino se genere la respuesta para accionar válvulas neumáticas que clasifican el color de las botellas de PET. Los resultados muestran que se puede obtener una eficiencia del 75% de clasificación. Sin embargo, es posible incrementar este porcentaje mediante un banco de datos más completo que considere los diferentes escenarios cuando las botellas son transportadas a través de la banda. Universidad Autónoma Metropolitana Azcapotzalco 70 Apéndice A LabVIEW A.1 Entorno de LabVIEW A continuación, se muestra en las Figuras A1 y A2 las secciones principales donde que constituye la programación del programa VI. En la figura A3 se muestran aspectos al realizar un VI. Programas de LabVIEW se llaman instrumentos virtuales (VIs). Figura A1. Diagrama de bloques y panel frontal. Panel frontal de VI Figura A2. Panel frontal VI. Panel frontal  Controles = entradas  Indicadores = salidas Diagrama de bloque  Programa de acompañamiento para el panel frontal  Componentes “cableados” Barra de herramientas. Control Booleano. Gráfico de Forma de onda. Leyenda de Grafica Icono. Leyenda del gráfico. Escala Universidad Autónoma Metropolitana Azcapotzalco 71 Diagrama a bloques Figura A3. Diagrama de bloques. A.2 Paleta de Controles En la paleta de controles se encuentran controles e indicadores que se utilizan para crear el panel frontal. El acceso a la paleta de controles es al dar clic con botón derecho en cualquier espacio en blanco en la ventana del panel frontal. La paleta de controles está dividida en varias categorías, y depende del usuario que control va a utilizar. A.3 Paleta de Funciones En la paleta de funciones encontramos funciones y constantes que se utilizan para crear los diagramas de bloques. Se tiene acceso a la paleta de funciones al seleccionar View-Functions Palette. En la paleta de Funciones se pueden mostrar y esconder categorías para cumplir con las necesidades del usuario [1A], en la Figura A4 se muestra la paleta de controles y funciones. Figura A4. Paleta de Controles y paleta de funciones. Barra de herramientas. SubVI. Estructura While loop. Constante numérica. Función de tiempo. Terminal de control booleano. Cableado Terminal grafica. Función matemática Universidad Autónoma Metropolitana Azcapotzalco 72 A.4 Cables Su función es la de transferir datos entre objetos del diagrama de bloques a través de cables. En los cables se conectan las terminales de control e indicador. Cada cable tiene una sola fuente de datos, pero puede cablearlo a varios VIs o funciones que leen los datos. Existen diferentes colores grosores y estilos de cables, todo dependiendo del dato que se va transferir, Figura A5. Un cable roto aparece como una línea negra punteada con una X roja a la mitad. Existen muchas posibilidades por las cuales aparecen cables rotos como puede ser el conectar dos objetos con tipos de datos no compatibles [2A]. Figura A5. Tipo de cables en Vis [3A]. A.5 Tipos de VI en LabVIEW  VI Express: Es un VI cuya configuración tiene la particularidad de tener una configuración interactiva mediante un cuadro de diálogo. Un express VI puede configurar las opciones en el cuadro de diálogo encontrado cuando se tiene un VI con diagrama de bloques. Los beneficios en este formato de VI es que proporciona una forma interactiva para determinar la configuración de las funciones que el usuario puede comprender [4A].  VI Estándar: VIs modulares y personalizables mediante cableado.  Funciones: Elementos fundamentales de operación de LabVIEW, no hay panel frontal o diagramas de bloques. Universidad Autónoma Metropolitana Azcapotzalco 73 A.6 Arquitecturas más usadas en los VI  Arquitectura de un VI simple: Para pruebas de laboratorio rápidas y no se necesita una arquitectura complicada: consistente de un sólo VI que mide, hace cálculos, y despliega los resultados o los guarda en el disco. La medición se inicia cuando se pulsa run.  Arquitectura de un VI general: Para diseñar una aplicación lo más común es seguir estos tres pasos