Resumen ejecutivo
Se presenta un sistema de medición geométrica basado en visión artificial para la inspección simultánea de múltiples piezas industriales. El sistema integra adquisición de imágenes, calibración dimensional, preprocesamiento con filtrado guiado, extracción de bordes a subpíxel mediante momentos de Zernike y análisis morfológico para lograr mediciones no destructivas de alta precisión. Utilizando una cámara industrial de 2048×1536 píxeles y un esquema de iluminación controlada, el sistema logra una resolución espacial teórica de 0.0732 mm/píxel. Los resultados experimentales demuestran una consistencia del 100% con la inspección manual, mientras que reduce el tiempo de medición de 4.5 segundos a solo 0.06 segundos por pieza, mejorando significativamente la eficiencia en entornos industriales reales.
Introducción
En la era de la Industria 4.0, los métodos tradicionales de inspección dimensional —como calibres, micrómetros y durómetros— enfrentan limitaciones críticas en entornos de producción modernos. Estos métodos manuales son lentos, dependientes del operario y poco adaptables a líneas de producción automatizadas que requieren verificación al 100% en tiempo real. La visión artificial emerge como una solución poderosa que permite la inspección no contactante, rápida y objetiva de componentes mecánicos. Sin embargo, la mayoría de los estudios existentes se centran en mediciones de objetos individuales o en condiciones de laboratorio controladas, dejando una brecha significativa en aplicaciones industriales prácticas donde múltiples piezas aparecen simultáneamente con variaciones en iluminación, reflectividad y posición. Este artículo presenta un sistema completo de medición multiobjetivo que aborda estos desafíos mediante la integración sistemática de hardware, calibración robusta y un pipeline de procesamiento de imágenes optimizado para condiciones industriales reales.
Arquitectura del Sistema: Integración Hardware-Software
El sistema propuesto se compone de dos subsistemas interdependientes: hardware de adquisición y software de procesamiento.
Hardware de Adquisición:
La configuración física incluye una cámara industrial con resolución de 2048×1536 píxeles, lente AFT-0850ZMP, fuente de luz LED blanca circular montada coaxialmente con la cámara, y una plataforma de fondo negro no reflectante. Las piezas se colocan sobre una plataforma elevada dentro del campo de visión de 150 mm, asegurando que todas las piezas estén en el mismo plano focal que el patrón de calibración. Esta configuración elimina errores de paralaje y garantiza una calibración dimensional precisa. El requisito fundamental es que las piezas no se superpongan en la imagen capturada, lo que permite su separación individual durante el procesamiento.
Software de Procesamiento:
El sistema utiliza un entorno de desarrollo matemático maduro (MATLAB) para implementar un pipeline secuencial de procesamiento que incluye: transformación a escala de grises, filtrado guiado para reducción de ruido, extracción de bordes a subpíxel, procesamiento morfológico para refinamiento de contornos, etiquetado de dominios conectados para separación multiobjetivo y cálculo de parámetros geométricos. A diferencia de los métodos basados en aprendizaje automático, este sistema no requiere conjuntos de datos de entrenamiento, sino que se basa en principios físicos de calibración repetible.
Pipeline de Procesamiento de Imágenes
Transformación a Escala de Grises:
Las imágenes RGB capturadas se convierten a escala de grises utilizando pesos perceptuales (0.299 para rojo, 0.587 para verde, 0.114 para azul) que reflejan la sensibilidad del ojo humano a diferentes longitudes de onda. Esta conversión acelera el procesamiento posterior y simplifica los algoritmos de detección de bordes.
Filtrado Guiado para Preservación de Bordes:
A diferencia del filtrado gaussiano tradicional que difumina los bordes, el filtrado guiado preserva las estructuras de borde mientras suprime el ruido aleatorio. Este filtro tiene la ventaja adicional de una complejidad computacional independiente del tamaño de la ventana, lo que lo hace ideal para aplicaciones en tiempo real. El resultado es una imagen limpia donde los contornos de las piezas permanecen nítidos y bien definidos.
Extracción de Bordes a Subpíxel:
El corazón del sistema de medición es la extracción precisa de bordes. Primero, se calcula el gradiente de la imagen utilizando operadores de Sobel para determinar la magnitud y dirección del cambio de intensidad en cada píxel. Luego, se aplica supresión no máxima para eliminar píxeles no candidatos a bordes, seguida de detección de bordes con doble umbral para conectar segmentos de borde discontinuos. Finalmente, se utiliza el método de momentos de Zernike para localizar los bordes con precisión subpíxel. Este enfoque matemático aprovecha la invariancia rotacional de los momentos de Zernike para determinar la posición exacta del borde ideal entre píxeles discretos.
Procesamiento Morfológico y Etiquetado Multiobjetivo:
Las imágenes binarizadas resultantes pueden contener pequeños huecos o texturas internas que interfieren con la medición. Se aplican operaciones morfológicas de apertura (erosión seguida de dilatación) para eliminar objetos pequeños y suavizar los contornos, y cierre (dilatación seguida de erosión) para llenar huecos internos. Posteriormente, se utiliza el algoritmo de etiquetado de dominios conectados para asignar una etiqueta única a cada pieza en la imagen. Este paso es crucial para la medición multiobjetivo, ya que permite calcular parámetros geométricos individuales para cada pieza presente en el campo de visión.
Estrategia de Calibración Dimensional
La calibración es el puente entre el mundo digital de los píxeles y el mundo físico de los milímetros. Se utiliza un bloque de calibración estándar con dimensiones físicas conocidas colocado en el mismo plano que las piezas de trabajo. Se capturan múltiples imágenes del bloque de calibración bajo las mismas condiciones ópticas que las piezas, y se calcula el promedio de la longitud en píxeles para reducir errores aleatorios. El coeficiente de calibración k se define como la relación entre la longitud física L y la longitud en píxeles P (k = L/P). Todas las mediciones posteriores se convierten a dimensiones físicas multiplicando la longitud en píxeles por este coeficiente. Esta estrategia de calibración repetible asegura la trazabilidad metrológica del sistema.
Validación Experimental y Resultados
El sistema fue validado experimentalmente utilizando dos categorías de objetos: bloques de calibración estándar y piezas industriales reales de chapa delgada con geometrías regulares (círculos, cuadrados, triángulos, rombos).
Prueba de Repetibilidad Multi-longitud:
Se evaluaron 8 longitudes nominales (10, 15, 20, 25, 30, 35, 40 y 45 mm) con 20 mediciones repetidas cada una. Los resultados mostraron errores medios que oscilaron entre 0.1 y 0.4 mm, con desviaciones estándar consistentes (0.107–0.299 mm), demostrando una repetibilidad estable en todo el rango de medición.
Prueba de Variación de Espesor:
Se analizó la influencia del espesor de la pieza (1.0, 2.0, 3.0 y 4.0 mm) en la precisión de medición. Los errores medios aumentaron ligeramente con el espesor (de 0.08 mm a 0.14 mm), pero permanecieron dentro de tolerancias aceptables para aplicaciones industriales, confirmando la robustez del sistema frente a variaciones geométricas.
Comparación con Inspección Manual:
Se seleccionaron aleatoriamente 100 piezas plásticas para una prueba de consistencia. El sistema de visión identificó los mismos 4 productos defectuosos que los inspectores humanos, logrando una tasa de consistencia del 100%. Sin embargo, el tiempo promedio de inspección se redujo drásticamente de 4.5 segundos (manual) a 0.06 segundos (automatizado), representando una mejora de eficiencia de 75 veces.
Comparación con Trabajos Similares Recientes
El sistema propuesto se distingue de trabajos recientes en varios aspectos clave:
– Chen et al. (2023) desarrollaron un sistema de visión estereoscópica binocular para mediciones rectangulares, pero su enfoque se limita a objetos individuales y requiere una calibración estéreo compleja.
– Poyraz et al. (2024) propusieron un algoritmo de conteo a subpíxel para diámetros circulares, pero su método no aborda la separación multiobjetivo ni la robustez en entornos industriales.
– Zhang et al. (2022) diseñaron un sistema para medición de desviaciones de forma, pero su enfoque se centra en análisis de contorno único sin considerar múltiples piezas simultáneas.
La principal contribución de este trabajo radica no en algoritmos novedosos aislados, sino en la integración sistemática de técnicas establecidas en un marco de medición completo, validado en condiciones industriales prácticas con énfasis en la aplicabilidad multiobjetivo y la eficiencia operativa.
Líneas de investigación e investigaciones futuras
La investigación futura se enfocará en tres direcciones principales. Primero, mejorar la robustez del sistema frente a variaciones extremas en las propiedades del material, como superficies altamente reflectantes o transparentes, mediante el uso de iluminación estructurada adaptativa. Segundo, extender el sistema a mediciones 3D utilizando técnicas de visión estéreo o proyección de patrones de luz, lo que permitirá la inspección de piezas con geometrías complejas y cavidades profundas. Tercero, integrar algoritmos de aprendizaje profundo para la extracción de bordes en escenas industriales complejas con contaminación superficial, vibraciones o iluminación variable, manteniendo la interpretabilidad metrológica del sistema. Finalmente, se explorará la implementación en hardware embebido para sistemas de borde (edge computing) que eliminen la latencia de comunicación y mejoren la seguridad de los datos en entornos industriales críticos.
Conclusiones
El sistema de medición geométrica multiobjetivo basado en análisis de imágenes presentado demuestra que es posible lograr una inspección industrial automatizada que combina alta precisión, consistencia total con métodos manuales y una mejora drástica en eficiencia. Al integrar hardware de adquisición robusto, una estrategia de calibración metrológicamente sólida y un pipeline de procesamiento de imágenes optimizado, el sistema supera las limitaciones de los enfoques existentes que se centran únicamente en algoritmos aislados. Con un tiempo de inspección de solo 0.06 segundos por pieza y una tasa de consistencia del 100%, esta solución representa una herramienta práctica y escalable para la implementación de la calidad integrada en líneas de producción modernas. Aunque el sistema actual requiere condiciones de iluminación relativamente estables y suficiente contraste entre pieza y fondo, su arquitectura modular proporciona una base sólida para futuras mejoras en robustez y funcionalidad.
Referencias
Wang, W., Li, L., & Liu, H. (2026). Multitarget workpiece geometric dimension measurement system based on image analysis. Advances in Mechanical Engineering, 18(4), 1–12. https://doi.org/10.1177/16878132261445705
Chen, L., Zhong, G., Han, Z., et al. (2023). Binocular visual dimension measurement method for rectangular workpiece with a precise stereoscopic matching algorithm. Measurement Science and Technology, 34(3), 035010. https://doi.org/10.1088/1361-6501/acb8f1
Poyraz, A. G., Kacxmaz, M., Gürkan, H., et al. (2024). Sub-pixel counting based diameter measurement algorithm for industrial machine vision. Measurement, 225, 114063. https://doi.org/10.1016/j.measurement.2023.114063
Zhang, W., Han, Z., Li, Y., et al. (2022). A method for measurement of workpiece form deviations based on machine vision. Machines, 10(8), 718. https://doi.org/10.3390/machines10080718
He, K., Sun, J., & Tang, X. (2010). Guided image filtering. En Proceedings of the European Conference on Computer Vision (pp. 1–14). Springer. https://doi.org/10.1007/978-3-642-15552-9_1
Daniel Escobar
Centro de Ingeniería Mecánica y Diseño Industrial
