Python en Ingeniería Electrónica

1. Detección de Temperatura Mediante Análisis de Imagen

Introducción

Un ingeniero electrónico tiene la facultad de diseñar sistemas de control para la automatización de procesos, utilizando señales de cualquier contenido o naturaleza (eléctricas, ópticas, etc.). Bajo esta premisa, se propone la realización de un programa de ejemplo que permita identificar la temperatura del recocido de una determinada aleación de aceros mediante imágenes de dicha pieza. Con ello, se busca eliminar el factor humano del proceso de calidad en la fabricación de piezas, logrando uniformidad en el producto de salida sin que el mismo sea dependiente (por ejemplo) de la experiencia, cansancio, estado de ánimo del operario de dicha área.

Mediante análisis por imágenes es posible abstraerse de la posición de la pieza a medir, su forma o ubicación espacial. Cómo sensor basta una cámara sencilla.

A modo de ejemplificación, en las Figuras 1 y 2 se observan: la imagen original, la máscara obtenida en el proceso de análisis, la imagen original con un pequeño filtrado e isotermas detectadas.

Figura 1

Figura 2

NOTA: Las "imágenes originales" fueron extraídas de internet con el objetivo de testear el algoritmo. El nombre se debe a que son las imágenes "naturales", sin alteración por parte del programa, y, sirven a modo de comparación con las resultantes.

1.1. Instalación de Recursos

Para el análisis de imagen, la librería más utilizada es OpenCV.

Al instalar el paquete de Anaconda, OpenCV por defecto no se halla incluida. Desde el "Anaconda Prompt" y con acceso a internet se agrega el paquete mediante la siguiente línea de comando:

pip install opencv-python

Una vez instalado, se visualizará un mensaje indicando el resultado del procedimiento. Cómo esta librería requiere o depende de otras para llevar su cometido, al instalarla, sus dependencias se agregan automáticamente. Al ejecutar la línea de comando luego de la instalación, deberá observarse un mensaje similar al de la Figura 1.

Figura 1

Cómo se observa en la Figura 1, se instala además de OpenCV la librería "NumPy". Esta es una extensión de Python, que agrega mayor soporte para manejo de vectores y matrices, constituyendo una biblioteca de funciones matemáticas de alto nivel.

Cabe esta aclaración, las librerías pueden instalarse desde la consola nativa de cada sistema operativo. Se recomienda hacerlo desde el Anaconda Prompt, ya que de esta forma las librerías se instalan considerando el directorio de Anaconda, y, se evitan problemas a la hora de importarlas en Spyder.

NOTA: es común emplear discos especiales para la instalación de programas. En el ejemplo de la Figura 1, se aprecia que tengo Anaconda en el disco G. Muchos programas emplean Python y lo instalan en el directorio raíz del Sistema Operativo, pudiendo coexistir varias versiones en simultáneo.

Al instalar una librería pueden aparecer errores por algunos de estos motivos, se los evitan siguiendo las recomendaciones. De esta forma estarán disponibles para su utilización en el entorno de desarrollo empleado por la cátedra "Spyder".

1.2. Conceptos Teóricos - Contextualización

Tratamientos Térmicos del Acero

Un tratamiento térmico se define como un proceso o conjunto de operaciones mediante las que, aplicando cambios térmicos (de manera brusca o no), se producen cambios en la estructura interna del material, logrando adaptar el acero a las necesidades.

Entre las características que se pueden modificar, se pueden mencionar: la tenacidad, dureza, desgaste, maquinabilidad.

Existen diferentes tipos de tratamientos. Uno de ellos se denomina "Recocido", y en el mismo se calienta el acero hasta una temperatura determinada para luego pasar a enfriarlo lentamente. Con ello se obtiene aumento en la elasticidad, facilidad en el mecanizado de piezas, se eliminan tensiones internas, etc.

En este y otros procesos, la temperatura del metal está dada por tablas como la de Figura 1.

Figura 1

Entonces, se puede emplear análisis por imágenes para determinar las temperaturas tomando como base este tipo de tablas (los colores esperados).

Para más información, puede consultar alguno de los siguientes enlaces:

• Tratamiento térmico del metal
• Revenido
• Recocido

1.3. Proceso de Desarrollo del Programa

Espacio de Color

Existen varios espacios de color, el más conocido es el RGB (Rojo, Verde, Azul). Es este espacio, se escribe un color como una tupla de tres componentes. Cada componente puede tomar un valor entre 0 y 255, donde la tupla (0, 0, 0) representa el negro y (255, 255, 255) representa el blanco.

El espacio predeterminado de OpenCV es el BGR, el concepto es similar al RGB, con la diferencia de invertir la posición entre Rojo (R) y Azul (B). Muchas funciones y métodos de esta librería establecen los colores de esta forma (por ejemplo: la de escribir texto o formas por pantalla).

Por otra parte, el espacio de color HSV (Matriz, Saturación, Valor) es útil en tarea de procesamientos de imagen. En OpenCV, los canales de HSV varían así: [H:0–179, S:0–255, V:0–255]. En la Figura 1 puede apreciarse la representación del modelo.

Figura 1

A modo de de dejar más claro esto, con V=255, es decir, haciendo un corte horizontal al cono de la Figura 1, se obtiene lo que se visualiza en la Figura 2. Con un sistema de coordenadas se designan los colores a utilizar.

Figura 2

Lo que se aprecia en la Figura 2, es equivalente a usar los colores que se ven en la base del cono (la parte de arriba de la Figura 1, está invertido el cono).
Entendiendo este concepto, es posible mapear los colores en un sistema de coordenadas, es decir, lo que se ve en Álgebra, Cálculo, etc. Mirando la Figura 2, el eje horizontal es H y el vertical S. Entonces, si lo que me interesa es la gamma de verdes encerrados en el recuadro blanco de la Figura 2, basta con designar las coordenadas de los vértices opuestos del cuadrado. Quedando ese espectro de verdes en HSV así:

umbral_bajo_verde = (40, 150, 255)

umbral_alto_verde = (70, 250, 255)

A esta altura probablemente ya sepas por dónde viene la mano, en la parte de conceptos teóricos se mostró una tabla con los colores que debe tomar el acero. Esa tabla la vamos a mapear en este espacio de color. Al procesar las imágenes se buscan coincidencias y se decide si lo que se detecta es acero, en ese caso, se sabe a qué temperatura está. El principio es válido para un sin número de aplicaciones (detección de objetos, clasificación, etc.).

Dejo una tabla de temperatura más nítida, con esta nos vamos a guiar en el desarrollo del programa.

Tabla 1

Codificación

En el apartado de instalación de recursos, se mencionó que OpenCV requiere Numpy. Por tal motivo, los umbrales se definirán con el sistema de matrices de Numpy. Esto permitirá al algoritmo ser más eficiente, pero se pueden hacer las declaraciones como tuplas normales. Entonces, para el color correspondiente a 550 °C tendríamos las siguientes líneas:

bajo_550 = np.array([1,100,70], dtype=np.uint8)

alto_550 = np.array([5,160,80], dtype=np.uint8)

Teniendo esto en claro, se tiene la parte más complicada del programa, definir cada uno de los rangos para cada temperatura.

Pasamos a escribir un pequeño script que permita reconocer este color en una imagen. Lo dejo como imagen así se visualizan números de líneas y colores de sintaxis.

Figura 3

En el código de la Figura 3 aparecen varios métodos de OpenCV. Se encuentra comentado de forma breve lo que hace cada uno. En síntesis:

• En la línea 8 se carga la imagen de la Tabla 1, tiene que tener el nombre que se especifica en el código (o adecuarlo).
• En la línea 9 la imagen se convierte a su equivalente en el espacio de color HSV.
• En la línea 14 se genera una nueva imagen "la máscara", para ello se toma la imagen en HSV y los umbrales establecidos. Esta máscara es el resultado de buscar coincidencias en la imagen original respecto al color establecido. Si coincide el pixel es un 1, sino un 0; blanco o negro, verdadero o falso, vienen a ser como una operación booleana.
• En las líneas 18 y 19 se muestran por pantalla ambas imágenes, a fines de comparar los resultados. Si el umbral de colores es correcto, en la máscara deberá aparecer coloreado blanco la zona correspondiente al color del umbral.
• De la línea 22 en adelante se tiene un pequeño bucle para visualizar el resultado hasta presionar la tecla escape del teclado (Esc).

Al ejecutar el código, se obtiene como resultado:

Figura 4

Cómo se aprecia en la Figura 4, en la máscara se tiene coloreado prácticamente la totalidad del recuadro que representa a los 550 °C. Se identifican a su vez pequeñas zonas negras y blancas en lugares que no corresponde. Puede deberse a "ruido", distorsiones en la imagen original, etc. Esto está presente en la vida real, así que es necesario considerarlos. Para ello, se filtran con algún método o se efectúa un análisis de los resultados obtenidos, la complejidad del algoritmo tiene cómo límites los estándares del proyecto, la capacidad de cómputo disponible, etc.

Un filtrado sencillo, sería delimitar las zonas válidas de acuerdo al área que abarcan. En la Figura 5 se ve el código adecuado a la necesidad de filtrar los pixeles blancos sueltos.

Figura 5

En la línea 17 se emplea un método que busca contornos en la máscara. Luego, en la línea 19 con otro método de OpenCV se obtiene el área de los contornos existentes. El área se compara con un valor escogido y de esta forma de filtran o separan las que no califican. Por último, en la línea 22 se dibuja sobre la imagen original el o los contornos reconocidos como válidos. En esta línea, el método drawContours recibe una tupla como uno de sus parámetros (0, 255, 0), que si recordamos del espacio BGR corresponde a un verde puro.

El resultado ahora es:

Figura 6

Como puede apreciarse en la figura, la máscara de detección no cambia respecto a la anterior, pero esta vez se está considerando sólo el área encerrada en verde en la imagen original.

El principio básico para el funcionamiento del programa es este. Cómo existe una gamma variada de colores, será necesario trabajar con los datos de cada uno de ellos. Basta con agrupar la información para las máscaras en un arreglo, y realizar la misma operación de los códigos mostrados (anidada en una estructura repetitiva por ejemplo). Entre máscaras es posible efectuar determinadas operaciones (suma, resta, etc.)
Lo que resta, es por ejemplo definir la forma en la que se muestran las zonas detectadas y a qué temperatura corresponden. OpenCV tiene el método putText, que permite insertar texto en una imagen definiendo varios parámetros (ubicación, tamaño, tipo de fuente, etc.).

Dejo un compendio de los métodos vistos:

cv2.imread
cv2.cvtColor
np.array
cv2.inRange
cv2.findContours
cv2.contourArea
cv2.drawContours
cv2.putText
cv2.imshow
cv2.waitKey
cv2.destroyAllWindows

1.4. Programa y Archivos para Pruebas

Programa Final

Con la identificación de los demás sectores de la tabla de temperatura de referencia, y, utilizando lo abordado en el proceso de desarrollo, los resultados sobre la propia tabla son los siguiente:

Figura 1

Como se puede apreciar, en mayor o menor medida, las zonas detectadas coinciden con lo que se indica en la imagen original. En las zonas intermedias, de 780 a 900 °C aproximadamente, es más evidente que algunas máscaras se superponen con las de otra temperatura. Son cuestiones que se pueden ajustar (para mí es un logro haber podido decirle a la máquina que ahí hay 5 tipos de rojo, mis ojos dicen que es todo lo mismo jaja).

Para experimentar con otras imágenes, basta con ingresar el nombre y extensión en la zona indicada del código:

Figura 2

Para finalizar, un último contraste entre lo que sería el proceso manual/tradicional y lo obtenido mediante este simple script.

Figura 3: Comprobación visual mediante cartas de temperatura.

Figura 4: Comprobación automática mediante análisis por imagen.

Para descargar los códigos mostrados, así como el programa final más un compendio de imágenes para pruebas; siga este recurso.