Sistema de inspección de defectos en baldosas
cerámicas implementado en FPGA
Ceramic Tile Defect Inspection System Implemented on FPGA
Tomás Medina
#1
, Martín Vázquez
*2
, Lucas Leiva
*3
#
Departamento de computación y sistemas, UNICEN
Tandil, Bs. As., Argentina
1
tmedina@alumnos.exa.unicen.edu.ar
*
Laboratorio Sistemas Embebidos, INTIA, UNICEN
T
andil, Bs. As., Argentina
Facultad de Ingeniería, Universidad Nacional de Tres de Febrero
Caseros, Buenos Aires, Argentina
{
2
mvazquez,
3
lleiva}@labset.exa.unicen.edu.ar
Resumen— La modernización en las fábricas es un factor
clave para la producción y la calidad del producto final. Sin
embargo, esta modernización puede suponer una inversión que
las empresas no pueden asumir, dejándolas fuera de la
adaptación a la Industria 4.0. En la industria de fabricación de
baldosas cerámicas se utilizan inspecciones visuales para
determinar la calidad del producto final. Estas tareas son
realizadas generalmente por operarios expuestos a entornos de
riesgo. Este trabajo presenta una solución de bajo costo para la
inspección automática de baldosas cerámicas. Los defectos
analizados son gotas, defectos de material, esquinas, bordes y
dimensiones. Todos los algoritmos se implementaron en SoC
FPGA (dispositivo Xilinx Zynq) utilizando síntesis de alto
nivel. Los algoritmos se verificaron y validaron en un entorno
controlado construido para evaluar aplicaciones de inspección
visual. Los resultados de utilización de recursos y tiempos de
procesamiento indican que la implementación en una línea de
producción real es factible.
Palabras clave: Síntesis de alto nivel, FPGA, Visión
Computacional, detección de gotas, detección de pinholes,
inspección morfológica.
Abstract— Modernization in factories is the key for
production and product quality. However, this modernization
can involve an investment that companies cannot take, leaving
them out of adaptation to Industry 4.0. In the ceramic tile
manufacturing industry visual inspections are used to
determine the quality of the final product. These tasks are
carried out by operators exposed to risky environments. This
work presents a low-cost solution for automatic ceramic tile
inspection. The defects analyzed are blobs, pinholes, corners,
edges and dimensions. All the algorithms were implemented on
SoC FPGA (Xilinx Zynq device) using high level synthesis. The
algorithms were verified and validated in a controlled
environment built to evaluate visual inspection applications.
The results of resource utilization and processing times
indicate that the implementation in a real production line is
feasible.
Keywords: High Level Synthesis, FPGA, Computer Vision,
Blob Detection, Pinhole Detection, Morphological Inspection.
I. INTRODUCCIÓN
El control de calidad es la parte del proceso de
manufactura en la que se asegura que los productos cumplan
con los requerimientos mínimos definidos por la empresa,
tanto en etapas intermedias o finales en la fabricación de un
producto. Esto permite la verificación de su aptitud para ser
comercializado y por esta razón es fundamental en cualquier
proceso de fabricación [1]. Durante la fabricación de
baldosas cerámicas, es necesaria una inspección visual al
final del proceso para detectar si existen defectos
morfológicos o en la superficie de la misma, de manera que
si no cumple con los estándares de calidad del fabricante sea
retirada de su comercialización. En estas industrias, la
mayoría de las etapas de fabricación se encuentran
automatizadas, con excepción de la etapa de inspección
visual [2]. Generalmente esta tarea es realizada por
operarios que se exponen a los peligros de trabajar en un
ambiente hostil para la salud debido a los riesgos físicos de
trabajar entre máquinas, con contaminación acústica.
Además resulta una tarea repetitiva que genera fatiga tras
largas jornadas y subjetiva ya que depende del juicio de
clasificación del operador, y lo que un trabajador considere
que es un defecto a otro puede no parecerle así. Por otra
parte, existen distintos tipos de defectos que pueden estar
presentes en el producto final, como por ejemplo: gotas
(blobs), fallas de material (pinholes), rayones (scratchs),
roturas (cracks) [3].
Existen diferentes soluciones comerciales de sistemas de
inspección visual para automatizar estas tareas, como por
ejemplo las ofrecidas por Cognex [4] o Stemmer Imaging
[5]. Sin embargo, sus altos costos (superando los 100 mil
Euros) hacen difícil su incorporación en las industrias
nacionales. Como alternativa a ello, se encuentra el
desarrollo de una solución ad-hoc mediante el uso de
herramientas que permiten el prototipado rápido y la
configuración o adaptación de sistemas de visión, tales
como Matrox Imaging Library (MIL) y NI Vision Builder.
Recibido: 28/02/22; Aceptado: 04/05/22
Creative Commons License - Attribution-NonCommercial-
NoDerivatives 4.0 International (CC BY-NC-ND 4.0)
https://doi.org/10.37537/rev.elektron.6.1.144.2022
Original Article
Revista elektron, Vol. 6, No. 1, pp. 1-7 (2022)
ISSN 2525-0159
1
Además, también se encuentran disponibles bibliotecas de
código abierto como OpenCV, SimpleCV, Visualization
toolkit (VTK), Darwin, y ROVIS [6].
En cuanto a plataformas de implementación de sistemas
industriales, se destacan los microcontroladores, los DSPs y
los FPGAs. Estos últimos son propicios en estos ambientes
por su alta velocidad, flexibilidad, paralelismo inherente y la
gran variedad de recursos lógicos especializados disponibles
[7]. Con el advenimiento de herramientas más avanzadas
para FPGA, como Vivado HLS y su integración con
OpenCV (a través de la biblioteca xfOpenCV), los
desarrolladores de software pueden generar sistemas de
visión por computadora de tiempo real con más facilidad
[8].
En la literatura se encuentran numerosos trabajos
publicados de soluciones para la inspección visual
automática de baldosas cerámicas. En [9] se presenta un
análisis de la literatura al respecto, describiendo y
comparando los resultados de más de 200 trabajos
relevantes. En el reporte indica que existen una gran
cantidad de trabajos basados en observaciones estadísticas y
métodos basados en filtros, como los presentados en [3].
Este trabajo presenta el desarrollo y evaluación de
algoritmos de: detección de defectos por goteo de pintura,
detección de defectos de material (pinholes), e inspección de
defectos en bordes, esquinas y dimensiones. Los algoritmos
son aptos para la industria de fabricación de baldosas
cerámicas con texturas aleatorias, migrando las soluciones
presentadas en [3] (basado en PC) a soluciones íntegramente
basadas en SoC FPGA. Se pretende que sean implementadas
en la línea de producción de TandilCeram (ex Loimar). Los
algoritmos se describieron utilizando Vivado HLS, y se
validaron sobre un kit de desarrollo Zybo Z7-20 de Digilent,
que posee un SoC FPGA de Xilinx Zynq
XC7Z020-1CLG400C. La captura de las imágenes se
realizó mediante una Pcam 5C de Digilent, que cuenta con
un sensor OV5640 e interfaz de conexión MIPI CSI-2,
configurada con una resolución de 1920x1080 (1080p).
En la sección II del trabajo se presenta la descripción del
entorno. En la sección III se describe el algoritmo de
detección de gotas. En la sección IV se presenta el algoritmo
de detección de defectos de material. En la sección V se
expone el algoritmo de inspección de bordes, esquinas y
dimensiones. En la sección VI se presentan los resultados
experimentales obtenidos de la simulación e
implementación, y finalmente en la sección VII se describen
las conclusiones y trabajos futuros.
II. P
LATAFORMA BASE DE DESARROLLO
Se utilizó la plataforma y metodología presentada en
[
10] incorporando
los algoritmos de detección de defectos e
inspección (módulo abstracto VisualInspection) dentro de la
configuración, y siguiendo las recomendaciones de su uso,
tal como se presenta en el diagrama de bloques de la Figura
1. El módulo IP VisualInspection se realizó utilizando
Vivado HLS 2019.1, y Vivado 2019.1 para la integración
con el resto de la plataforma.
En el sistema propuesto, el procesador (PS, por sus
siglas en inglés) ejecuta el programa que permite la
configuración del formato de imágenes del módulo IP que
interactúa con la Pcam 5C, el factor de corrección Gamma,
y la resolución y frecuencia de salida de imágenes. Además
interpreta los resultados generados por el módulo
VisualInspection.
Fig. 1. Diagrama en bloques de la configuración del sistema dentro
de la
plataforma presentada en [10].
Por otra parte, la lógica programable (PL, por sus siglas
en inglés) se configura con los IPs provistos por la
plataforma, incorporando el IP de inspección visual en el
flujo de procesamiento de video.
Para la detección de defectos de gotas de pintura y
defectos de material, el módulo IP desarrollado en HLS, si
bien permite detectar y localizar los defectos, la lógica de
marcado en imágenes resultantes se excluye de la
implementación final, debido a que implica un consumo
excesivo en requerimientos de memoria, ya que se realiza
luego de la ejecución del algoritmo. En cambio, el marcado
en el algoritmo para determinar los defectos morfológicos se
puede realizar concurrentemente con el procesamiento. Por
tanto, los resultados sólo son transmitidos al procesador
(localización de defecto y ubicación). La lógica de salida
presenta una etapa previa del algoritmo. Sin embargo la
lógica de marcado de resultados es utilizada para la
simulación y verificación del algoritmo. Si bien el módulo
actualmente funciona como un bypass de imagen hacia la
presentación en pantalla (AXI2VDMA), la conexión se
mantiene para preservar el pipeline de procesamiento de
imagen y con capacidad futura de incorporar lógica de
marcado de resultados.
En el caso de los defectos morfológicos (bordes o
esquinas rotas), los resultados sí son marcados en la imagen
resultante.
III. ALGORITMO DE DETECCIÓN DE GOTAS
Las gotas (blobs)
son un tipo de defecto que se originan
por el goteo de material de tonalizado. Debido a la
naturaleza de su formación, estas imperfecciones se
presentan con forma circular en la superficie de la baldosa.
Además, denotan un color más oscuro, como se presenta en
el ejemplo de la Figura 2.
El algoritmo propuesto para la detección de presencia de
gotas se compone de cuatro etapas:
● Preprocesamiento y segmentación: la imagen es
leída y procesada con el objetivo de marcar los
blobs candidatos. En primer lugar, se delimita la
imagen según su región de interés (ROI, por sus
siglas en inglés), el cuál es el interior de la baldosa.
A continuación, debido a que su color es oscuro y
presentan gran tamaño, se aplican las funciones de
Revista elektron, Vol. 6, No. 1, pp. 1-7 (2022)
ISSN 2525-0159
2
http://elektron.fi.uba.ar
xfOpenCV xf::threshold(), xf::bitwise_not(),
xf::erode() y xf::dilate() para destacar este tipo de
objetos.
● Detección de objetos: se extraen los contornos y se
determina las características de los blobs candidatos,
almacenando en un arreglo de datos la información
respecto al área, perímetro y posición en la imagen.
Si bien en OpenCV los contornos pueden ser
extraídos utilizando la función cv::findContours(),
esta función no está provista en xfOpenCV. En
consecuencia, se analizaron algoritmos de detección
de blobs de una pasada (a fin de minimizar la
ocupación de memoria y mejorar el rendimiento) y
se realizó una implementación basada en el
algoritmo de detección de objetos conectados
propuesto en [11].
● Medición de características: a cada objeto detectado
se le calcula su ancho, alto, perímetro y redondez
según los datos calculados en la etapa anterior. Para
calcular su redondez, se utiliza la Ecuación (1).
● Clasificación de gotas: define si cada blob candidato
corresponde a una gota o no según su área y
redondez. Estos parámetros pueden ser
dinámicamente configurados desde el programa
ejecutado en el procesador.
(1) !"#$"!% =
á !& * 4 * π
(! í)!+ #
Fig. 2. Imagen en detalle de dos defectos de gotas en la superficie de
una baldosa.
En la Figura 3 se presenta un esquema de estas etapas y
el flujo de los datos entrantes y salientes de cada una.
Para la optimización de tiempos, se utilizaron las
directivas disponibles en Vivado HLS DATAFLOW (aporta
paralelización de procesamiento a nivel de funciones),
PIPELINE (paralelización a nivel operación en la detección
de objetos y medición de características), LOOP UNROLL
(para desenrollamiento de bucles en la clasificación de
gotas). Por otro lado, para la optimización de utilización de
recursos se usan los tipos de datos numéricos eficientes que
ofrece Xilinx (ap_uint, ap_float), y directivas RESOURCE y
STREAM para configurar los recursos a utilizar con los
arreglos e imágenes respectivamente. Con el fin de
minimizar los tiempos de cálculo, el perímetro de los
círculos a utilizar en (1) se calcula previamente y almacena
en una tabla, lo que reduce el tiempo de cálculo. Esta tabla
se implementa como arreglo sobre una memoria RAM de
tipo LUTRAM de dos puertos para el acceso a dos datos en
simultáneo, y reducir aún más el tiempo de procesamiento.
Fig. 3: Esquema de las etapas de procesamiento del algoritmo de detección
de gotas.
IV. ALGORITMO DE DETECCIÓN DE DEFECTOS DE MATERIAL
Los defectos de material (pinholes) son pequeños
defectos en la superficie de la baldosa que se producen
durante la cocción del material. Al igual que las gotas,
presentan una forma circular, pero son de menor diámetro y
en general más oscuros. Un ejemplo de este tipo de defectos
se puede observar en la Figura 4.
Fig. 4: Imagen en detalle defecto de tipo pinhole en
la superficie de una
baldosa.
Debido a que comparten algunas características con las
gotas (alto nivel de redondez y de color más oscuro), la
solución implementada es similar a la detección de gotas y
comparte las primeras tres etapas con el algoritmo anterior.
Las etapas son:
● Preprocesamiento y segmentación.
● Detección de objetos.
● Medición de características.
● Filtrado de objetos: se hace un filtrado adicional con
respecto al algoritmo anterior, con el fin de mejorar la
detección y disminuir la cantidad de pinholes
candidatos a clasificar en el paso siguiente. Esta etapa
consiste en descartar los pinholes candidatos cuya
diferencia entre alto y ancho sea mayor a cierto
umbral.
● Clasificación de pinholes: define si cada pinhole
candidato corresponde a un defecto de material o no
según su área y redondez. Estos parámetros pueden
ser dinámicamente configurados desde el programa
ejecutado en el procesador.
En la Figura 5 se presenta un esquema de estas etapas.
Revista elektron, Vol. 6, No. 1, pp. 1-7 (2022)
ISSN 2525-0159
3
http://elektron.fi.uba.ar
Fig. 5: Esquema de las etapas de procesamiento del algoritmo de detección
de pinholes.
Las directivas de síntesis utilizadas para la
implementación de este algoritmo son equivalentes a las
empleadas en el algoritmo de detección de gotas.
V. ALGORITMO DE INSPECCIÓN DE BORDES, ESQUINAS Y
DIMENSIÓN
Las baldosas fabricadas pueden presentar defectos en su
morfología. Los errores más comunes de este tipo son
esquinas o bordes rotos (Figura 6) y dimensiones incorrectas
(baldosa con área por debajo o por encima de los valores de
calidad adecuados).
Fig, 6: Imagen en detalle defectos en bordes (izquierda) y esquinas
(d
erecha).
El algoritmo propuesto se basa en la segmentación de la
imagen para obtener la silueta de la baldosa, y con ella
cuantificar los defectos morfológicos. El algoritmo
comprende las siguientes etapas:
● Preprocesamiento y segmentación: la imagen es
leída y procesada con el objetivo de marcar la
silueta de la baldosa. Para ello se utilizan las
funciones de xfOpenCV xf::rgb2gray(),
xf::threshold(), xf::erode() y xf::dilate().
● Detección de corners: se utiliza el algoritmo de
Harris-Stephen Corner Detection [12] para la
detección de esquinas, mediante la función de
xfOpenCV xf::cornerHarris().
● Clasificación de corners: se clasifican los corners
detectados, identificando las esquinas de las
baldosas (delimitación de la región de interés o
ROI). Además, realiza una corrección de la
distorsión del lente, debido a que la cámara utilizada
posee distorsión radial de tipo barrel effect. En este
paso se detectan los defectos de esquinas y bordes
rotos.
● Cálculo del área: según la posición de las esquinas,
se calculan el alto, ancho y área de la baldosa. Con
ello se determina si tiene las dimensiones correctas.
En la Figura 7 se presenta un esquema de las etapas y los
datos que arroja cada una.
Fig. 7: Esquema de las etapas de procesamiento del algoritmo de d
etección
de inspección de bordes, esquinas y dimensiones de la baldosa.
Se utilizaron las directivas provistas en Vivado HLS
DATAFLOW y PIPELINE para la paralelización de las
distintas etapas y la directiva STREAM para la inferencia de
las imágenes como flujos de datos. Además, como en los
demás algoritmos, se utilizan los tipos de datos para una
síntesis eficiente en hardware.
VI.RESULTADOS EXPERIMENTALES
El algoritmo fue validado utilizando un ambiente
controlado construido
a medida. El entorno de captura se
compone de una caja de interior negro, con una bandeja
desplazable a través de guías en la cual se apoyan las
baldosas a analizar. La caja posee una iluminación led con
intensidad regulable, y la entrada se encuentra cubierta por
una cortina para evitar el ingreso de luz exterior. En la parte
superior del ambiente se encuentra ubicada la cámara la cual
permite la captura cenital de los elementos a inspeccionar.
En la Figura 8 se puede ver una fotografía del exterior de
este ambiente de pruebas.
Fig. 8: Ambiente de pruebas utilizado para tomar fotografías de
las
baldosas.
Utilizando el ambiente y la configuración provista en
[10] (Pcam 5C y Zybo Z7-20) para adquisición de
imágenes, se realizó la captura de imágenes de un lote de 36
baldosas cerámicas para la verificación funcional de los
algoritmos de inspección en alto nivel. En la Fig. 9, se
Revista elektron, Vol. 6, No. 1, pp. 1-7 (2022)
ISSN 2525-0159
4
http://elektron.fi.uba.ar
presentan dos imágenes de ejemplo correspondientes al
banco de imágenes de muestras obtenido.
Fig. 9: Imágenes capturadas con Zybo Z7-20 y Pcam 5C de b
aldosas con
defectos de gotas utilizando la configuración de captura de [10].
Fig. 10: Imágenes resultantes de la detección de gotas sobre baldosas con
defectos generadas por la simulación en Vivado HLS.
Se realizaron pruebas de simulación en software (Vivado
HLS) sobre
las imágenes obtenidas, resultando en una
detección efectiva de presencia de gotas de pintura en las
baldosas. La Figura 10 presenta el resultado de la
simulación para las imágenes de la Figura 9, en donde se
marcan en rojo la ubicación de las gotas detectadas por el
algoritmo. Asimismo, se verificó con el conjunto de
imágenes completo arrojando resultados negativos en la
detección en todas las imágenes que no contenían este tipo
de defectos, y el subconjunto total de muestras con
presencia de gotas fue reconocido como tal, dando una
precisión del 100%.
El módulo IP fue sintetizado y se obtuvieron los
resultados de utilización de recursos que se muestran en la
Tabla I. Se puede observar que la ocupación es
relativamente baja en comparación a los recursos
disponibles en el FPGA de la Zybo Z7-20, siendo el recurso
más utilizado las LUTs con un 21% del total.
TABLA I
RESU
LTADOS DE UTILIZACIÓN DE RECURSOS
Recursos
BRAM_18K
DSP48E
FF
LUT
Total
30
3
5150
11583
Disponible
280
220
106400
53200
% Utilización
10%
1%
4%
21%
En cuanto a tiempos estimados, suponiendo que se
analizan 32 objetos candidatos a ser defectos de gotas, se
obtuvo que la latencia mínima y máxima son de ~125.000 y
~51.000.000 ciclos de reloj respectivamente. Esto puede
variar si existen más objetos a medir y clasificar, pero se
toman 32 según la cantidad máxima de objetos en las
imágenes de prueba. Tomando una frecuencia de reloj de
150 MHz, con el caso de la latencia máxima se puede
procesar una imagen cada 0,255 segundos, o casi 4
imágenes por segundo.
Para la verificación del segundo algoritmo (de detección
de pinholes) se utilizó el mismo conjunto de 36 imágenes de
prueba, de las cuales 8 poseen estos defectos de material. En
la Figura 11 se presenta el detalle de un pequeño defecto de
este tipo.
Fig. 11: Detalle de defecto de material en imagen capturad
a con Zybo
Z7-20 y Pcam 5C.
Fig. 12: Detalle de defecto de material en imagen capturada con Zybo
Z7-20 y Pcam 5C.
En las pruebas de simulación en software sobre las
imágenes obtenidas
la detección de defectos fue exitosa,
logrando identificar las 8 baldosas con defectos. La Figura
12 presenta el resultado de la simulación para la imagen de
la Figura 11, en donde se marca en rojo la ubicación del
pinhole detectado. Además, en el banco de imágenes
completo no se evidenciaron falsos negativos. El
subconjunto total de muestras con presencia de pinholes fue
reconocido como tal, dando una precisión del 100%.
Se realizó la síntesis del módulo IP obteniendo los
resultados de ocupación de recursos que se muestran en la
Tabla II. Se puede observar que si bien comparte muchas
características, etapas y funciones de biblioteca utilizadas en
el algoritmo de detección de gotas, la utilización de recursos
aumenta, sobre todo en LUTs. Esto se debe a la
incorporación de la etapa adicional de filtrado de objetos. A
pesar de esto, los recursos disponibles en la FPGA de la
Zybo Z7-20 siguen siendo suficientes para su
implementación.
TABLA II
RESU
LTADOS DE UTILIZACIÓN DE RECURSOS (PINHOLES)
Recursos
BRAM_18K
DSP48E
FF
LUT
Total
31
6
12678
22799
Disponible
280
220
106400
53200
% Utilización
11%
2%
11%
42%
Revista elektron, Vol. 6, No. 1, pp. 1-7 (2022)
ISSN 2525-0159
5
http://elektron.fi.uba.ar
Respecto al tiempo de ejecución, suponiendo que se
analizan 32 objetos candidatos a ser defectos de pinholes, al
igual que en el algoritmo de detección de gotas se obtuvo
que la latencia máxima y mínima son de ~125.000 y
~51.000.000 ciclos de reloj respectivamente. De igual
manera que en el algoritmo anterior, esto varía si existen
más objetos a medir y clasificar. Con una frecuencia de reloj
de 150 MHz, con el caso de la latencia máxima se puede
procesar una imagen cada 0,255 segundos.
En cuanto al tercer algoritmo, se realizó la verificación
del algoritmo de inspección de bordes, esquinas y dimensión
sobre el banco de imágenes de 36 baldosas con defectos, de
las cuales 4 tienen defectos de bordes, 4 defectos de
esquinas, y 4 de dimensión del tipo más pequeñas de lo
aceptado. En la Figura 13, en la imagen de la izquierda se ve
el detalle de un ejemplo de una baldosa con una esquina
rota, y por la derecha un borde defectuoso.
Fig. 13: Detalle de defecto de esquina (izquierda) y de borde (derecha) en
im
agen capturada con Zybo Z7-20 y Pcam 5C.
La inspección fue exitosa en los casos de prueba, ya que
se logró
detectar los defectos correspondientes en cada
imagen del banco de imágenes. En la Figura 14 se pueden
observar los resultados de la detección de defectos de las
baldosas de la Figura 13, resaltando en rojo las partes
detectadas como defectuosas. Por otro lado, no se detectaron
errores en las demás imágenes que contenían errores de otro
tipo, por lo que con este algoritmo también se tiene una
precisión del 100%.
Fig. 14: Resultados de la detección de defectos de esquinas (izq
uierda) y
bordes (derecha).
Tras verificar la precisión del algoritmo, se realizó la
síntesis del
módulo IP, la cual arroja los resultados de
utilización de recursos que se muestran en la Tabla III. Se
observa que el tipo de recurso más utilizado son las
Look-Up Tables, utilizando el 37% del total disponible en el
chip. Esta alta utilización es mayormente provocada por la
síntesis de la función de biblioteca que realiza la detección
de corners, (Harris-Stephens).
TABLA III
RESULTADOS DE UTILIZACIÓN DE RECURSOS (INSPECCIÓN DE BORDES, ESQUINAS Y
DIMENSIÓN)
Recursos
BRAM_18K
DSP48E
FF
LUT
Total
61
13
11027
19288
Disponible
280
220
106400
53200
% Utilización
21%
5%
10%
37%
El algoritmo desarrollado tiene una latencia tanto
mínima como máxima de ~4.000.000 de ciclos de reloj.
Tomando una frecuencia de reloj de 150 MHz, una imagen
puede ser procesada en 0,027 segundos (37 imágenes por
segundo).
Por último, tras verificar el correcto funcionamiento y
que los tiempos estimados de cada algoritmo se adaptan a
los requerimientos, se realizó la co-simulación en Vivado
HLS con éxito, verificando que el resultado del diseño
sintetizado a nivel RTL se condice con la simulación en
software de cada uno de ellos.
La integración de los tres algoritmos en un único
dispositivo es posible considerando que las
implementaciones reutilicen funciones compartidas,
principalmente las etapas de los algoritmos de detección de
gotas y pinholes, y que la información visual de los
resultados no sea transmitida por video. De esta forma, la
ocupación lógica de la integración de los algoritmos
involucra el uso de 36417 LUTs, 22498 FFs, 16 DSP48Es, y
91 BRAM_18Ks, que incorporados a la plataforma
presentada en [10] da una ocupación final de 99,4% de
LUTs, 43,1% de FFs, 7,2% de DSP48Es y 52,5% de
BRAM_18Ks.
La solución propuesta presenta mejoras de rendimiento
respecto a [3], que detalla la solución basada en una PC con
un procesador Intel Core i7-7700, 16 GB de memoria RAM
y disco SSD, y requiere 0,4 segundos para la ejecución de
los tres algoritmos implementados en este trabajo (0,34
segundos para la detección de defectos de bordes, esquinas
y dimensión, 0,03 segundos para la detección de gotas y
0,03 segundos para la detección de pinholes). En cambio,
utilizando SoC FPGA es posible explotar el paralelismo a
través del hardware, y ejecutar los algoritmos
concurrentemente en un tiempo total de 0,255 segundos.
VII. CONCLUSIONES
El trabajo describe la implementación y validación de un
sistema de
inspección visual basado en FPGA que permite
detectar defectos de presencia de gotas de pintura, defectos
de material y defectos en bordes, esquinas y dimensiones en
una línea de producción de baldosas cerámicas. Los
resultados obtenidos del prototipo experimental desarrollado
cumplen con los requerimientos esperados, demostrando la
factibilidad de incorporar un sistema complejo a menor
costo en ambientes industriales. Esto posibilita la
incorporación de tecnología eficiente a bajo costo en las
industrias nacionales.
También, se pudo observar que el desarrollo ad-hoc de la
solución permite incorporar funcionalidades a medida del
cliente, permitiendo incluso el monitoreo remoto o sistema
IIoT (Industrial Internet of Things). En este aspecto, es
posible aprovechar las diferentes conexiones con las que
Revista elektron, Vol. 6, No. 1, pp. 1-7 (2022)
ISSN 2525-0159
6
http://elektron.fi.uba.ar
cuenta el kit, para transmitir los resultados a través del
puerto Ethernet, por ejemplo.
Se resalta que no siempre es eficiente aplicar la
metodología provista por Xilinx, que propone partir de una
implementación solo en OpenCV. La biblioteca xfOpenCV
contiene sólo un subconjunto de funciones de OpenCV, y las
funciones no soportadas incrementan considerablemente el
tiempo de desarrollo.
Como trabajos futuros se pretende continuar con los
algoritmos restantes de detección de fallas (cracks,
scratches), y realizar los ensayos experimentales en la línea
de producción real con el desarrollo del prototipo
operacional. Además se propone el tratamiento de datos
resultantes a fin de adaptar el sistema a la Industria 4.0,
principalmente en el área de IIoT. Además se continuará con
optimizaciones de los algoritmos, como por ejemplo en la
minimización de recursos del algoritmo de detección de
esquinas, a través del uso de métodos alternativos, como por
ejemplo FAST Corner Detection.
AGRADECIMIENTOS
Este trabajo fue parcialmente financiado por la SeCAT
de UNICEN (Código de Proyecto 03/C287).
REFERENCIAS
[1]
D. T. Pham, R. J. Alcock, Smart Inspection Systems: Techniques and
applications of intelligent vision, Academic Press, 2003.
[2] G.M.A. Rahaman, M. Hossain, “Automatic Defect Detection and
Classification Technique from Image: A Special Case Using
Ceramic”, Int. J. Comput. Sci Inf. Secur., vol. 1, n 9, 2009.
[3] L. Echeverz, M. Matías Melograno, L. Leiva. "Inspección automática
de defectos de superficie en baldosas cerámicas." XXIV Congreso
Argentino de Ciencias de la Computación, La Plata, 2018.
[4] Cognex. (n.d.). In-Sight 7000 Series Vision Systems. Retrieved may
11, 2021, from https://www.cognex.com/products/machine-vision/
2d-machine-vision-systems/in-sight-7000-series
[5] Stemmer Imaging. (n.d.). Machine vision systems. Retrieved may 20,
2021, from https://www.stemmer-imaging.com/en/products/category/
vision-systems/
[6] Z. Liu, H. Ukida, H., P. Ramuhalli, K. Niel. Integrated Imaging and
Vision Techniques for Industrial Inspection. Springer, 2015.
[7] J.J.R. Andina, E. De la Torre Arnanz, M.D. Valdes. FPGAs:
Fundamentals, Advanced Features, and Applications in Industrial
Electronics. CRC Press, 2017.
[8] A. Swirski. "TULIPP and ClickCV: How the Future Demands of
Computer Vision Can Be Met Using FPGAs." Towards Ubiquitous
Low-power Image Processing Platforms. Springer, Cham, 2021, pp.
235-259.
[9] T. Czimmermann, G. Ciuti, M. Milazzo, M. Chiurazzi, S. Roccella, C.
M. Oddo, P. Dario. "Visual-based defect detection and classification
approaches for industrial applications—a survey." Sensors 20, no. 5
(2020): 1459.
[10] T. Medina, L. Leiva, M. Vázquez. "Plataforma para Procesamiento de
Imágenes sobre SoC FPGA de Xilinx." Elektron vol. 4, no. 2, 2020,
pp. 81-86.
[11] J. Trein, A. Th Schwarzbacher, B. Hoppe. "FPGA implementation of
a single pass real-time blob analysis using run length encoding."
MPC-Workshop, February, 2008.
[12] C. Harris and M. Stephens, “A Combined Corner and Edge Detector,”
The 4th Alvey Vision Conference, Manchester, 31 August-2
September 1988, pp. 147-151.
Revista elektron, Vol. 6, No. 1, pp. 1-7 (2022)
ISSN 2525-0159
7
http://elektron.fi.uba.ar
