sistema automatico de controle de qualidade … · feitos visuais poss veis descritos na nbr 13818...

SISTEMA AUTOMATICO DE CONTROLE DE QUALIDADE VISUAL PARA PISOSCERAMICOS

Luan Casagrande∗, Luiz Antonio Macarini∗, Daniel Bitencourt†, Roger Florzino∗, FelipeVieira∗, Fabrıcio Ourique‡, Gustavo Medeiros de Araujo§

∗Laboratorio de Pesquisa Aplicada (LPA) / Laboratorio de Telecomunicacoes (Labtel)Ararangua, SC, Brasil - Universidade Federal de Santa Catarina

†Laboratorio de Automacao e Robotica Movel (LARM)Ararangua, SC, Brasil - Universidade Federal de Santa Catarina

‡Ararangua, SC, Brasil - Universidade Federal de Santa Catarina - DEC

§Laboratorio de Integracao Software e Hardware (LISHA)Ararangua, SC, Brasil - Universidade Federal de Santa Catarina - DEC

Emails: [email protected], [email protected],

[email protected], [email protected],

[email protected], [email protected], [email protected]

Abstract— At the end of the 20th century, the industry went through an automation process. In the sameway, the ceramic industry had its production automated. In many cases, the quality control process is still doneby humans. However, this kind of classification is inconsistent and subjective. This work proposes a completeand efficient low-cost prototype for visual quality control of ceramic tiles using image processing and machinelearning. The computer vision system can be divided into stages, which are: pre-extraction operations, featureextraction, and classification. The system achieved 99.2% on 241 ceramic tiles tested.

Keywords— Quality Control, Image Processing, Machine Learning

Resumo— No fim do seculo XX, a industria passou por um perıodo de automacao. Da mesma maneira, aindustria ceramica teve sua producao automatizada. Porem, em muitos casos o processo de controle de qualidadeainda e feito por seres humanos e isso traz diversos problemas. Este trabalho propoe um sistema completoe eficiente, de baixo custo, para o controle de qualidade visual das placas ceramicas utilizando processamentode imagem e aprendizado de maquina. O sistema de visao computacional pode ser dividido em tres etapas:operacoes de pre-extracao, extracao de caracterısticas e classificacao. O sistema atingiu 99,2% de acuracia em241 pisos testados.

Palavras-chave— Controle de Qualidade, Processamento de Imagem, Aprendizagem de Maquina

1 Introducao

No fim do seculo XX, as industrias comeca-ram a automatizar seus processos com o auxı-lio da computacao e da automacao (Chryssolouriset al., 2009). Atualmente, muitas industrias se uti-lizam destas areas para realizar inspecoes e classi-ficacoes visuais em produtos. Desta forma, e eli-minada a necessidade de alocacao de um funcio-nario somente para esta finalidade. Alem disso, aaplicacao de sistemas automatizados de controlevisual tem conseguido melhorar a produtividadeda industria (Davies, 2004).

No setor ceramico nao e diferente. Quase todoo processo de fabricacao de pisos e automatizado,com excecao da classificacao visual dos mesmos.Apesar de existirem maquinas que realizam estafuncao, muitas empresas ainda adotam a inspe-cao humana, principalmente por conta do altocusto agregado. Esse tipo de controle de quali-dade ocasiona falhas na classificacao, visto quea avaliacao feita por humanos e subjetiva e ge-ralmente inconsistente entre diferentes avaliadores(Kauppinen, 1999).

O controle de qualidade visual de artefatos

ceramicos tem sido objeto de pesquisa e algunstrabalhos podem ser citados. Em (Elbehieryet al., 2005), os autores apresentam a utilizacaode transformada Wavelet para inspecionar pisosceramicos. Ja no trabalho descrito por (Hocenskiet al., 2009), foi abordado o uso de processamentode imagem em conjunto com Field ProgrammableGate Array (FPGA) para identificacao de defei-tos visuais em pisos ceramicos sem textura. Notrabalho realizado por (Rahaman et al., 2009), osautores apresentam variados metodos para a iden-tificacao de diferentes defeitos em placas cerami-cas.

Em (Mishra and Shukla, 2014), os autoresapresentaram uma solucao para verificacao de de-feitos visuais utilizando processamento de imageme aprendizado de maquina. Diferentemente do an-terior, o presente trabalho propoe uma solucaocompleta, incluindo um prototipo de baixo custoe uma etapa de pre-processamento. Alem disso,a utilizacao de mais caracterısticas para a classifi-cacao dos pisos tende a aumentar a complexidadedo problema. Enquanto este trabalho propoe ouso de apenas quatro caracterısticas, o trabalhoanteriormente citado propoe o uso de uma quan-

XIII Simposio Brasileiro de Automacao Inteligente

Porto Alegre – RS, 1o – 4 de Outubro de 2017

ISSN 2175 8905 803

Figura 1: Visao Externa do Prototipo

tidade maior, tais como: valor medio e desvio pa-drao de cada espectro de cor, energia, entropia,contraste medio e analise horizontal e vertical nasbordas. Outro fator a se destacar e o fato de osautores terem escolhido uma Probabilistic NeuralNetwork como algoritmo de aprendizagem de ma-quina. Apesar de esta tecnica ter um processo detreinamento consideravelmente rapido, o processode predicao e muito custoso e demanda uma altacapacidade de memoria do sistema em que foi em-pregado.

Neste trabalho, propoe-se uma solucao com-pleta, de baixo custo, fundamentada em diferen-tes tecnicas de processamento e reconhecimento deimagem. Estas, foram aplicadas para ajuste e ex-tracao de caracterısticas das imagens contendo ospisos ceramicos. Alem disso, foi utilizado um Sup-port Vector Machine como algoritmo de aprendi-zagem, visando a classificacao das caracterısticasextraıdas.

2 Sistema Proposto

Para a validacao do sistema proposto, foi cons-truıdo um prototipo de baixo custo. Este, tem ointuito de proporcionar um ambiente estavel e seminterferencias externas para a captura das ima-gens. O sistema foi projetado considerando a pro-ducao em serie de pisos e possui caracterısticas queseriam importantes em uma linha de producao.

Como demonstrado na Figura 1, externa-mente o prototipo se assemelha a uma grandecaixa. Ele possui uma entrada/saıda para os pisos,na qual pode ser adaptada uma esteira. Possuibase removıvel, tendo como objetivo o posiciona-mento na linha de producao. O corpo da caixavisa criar um ambiente controlado, onde haja omınimo de luz e influencia externa.

Internamente, como demonstrado na Figura2, o prototipo possui um suporte para uma ca-mera RGB, uma estrutura para acoplar a ilumi-nacao artificial e o espaco para o piso. A ilumi-nacao artificial foi proporcionada atraves de umafita de LED, posicionada dentro de uma calhetapara evitar que sejam geradas sombras e/ou re-flexos. Alem disso, o espaco interno comporta ainstalacao eletrica para alimentar este sistema.

Figura 2: Visao Interna do Prototipo

O prototipo foi desenvolvido utilizando Me-dium Density Fiberboard (MDF). Possui dimen-soes de 50cm × 50cm × 70cm e seu interior foi pin-tado de preto fosco para criar um contraste com opadrao de piso mais comum existente no mercado.E importante destacar que este prototipo foi pro-jetado para a analise de pisos com dimensoes de,no maximo, 48cm × 48cm.

A camera utilizada possui um sensor T4K3713-megapixel CMOS de 1/3.07” e foi posicionadaa 69cm de altura do piso. Com isso, o GroundSampling Distance (GSD) por pixel foi de aproxi-madamente 0,0206cm. Sabe-se que a camera uti-lizada nao e a ideal para tal tipo de aplicacao,reduzindo assim, a acuracia do sistema. Porem,considerando-se a proposta de desenvolvimento deuma maquina de baixo custo, a camera conseguiuatender as necessidades do projeto.

A fita de LED utilizada possui 2 metros decomprimento e conta com 120 LEDs. Sua lumino-sidade foi controlada, visando o ajuste do sistemapara diferentes tipos de pisos. Utilizou-se umafonte 12Vdc de 1A para alimentar o sistema deiluminacao.

2.1 Base de Dados

Utilizando o prototipo apresentado, foi criada umabase de dados. Esta e composta por 511 imagens1,que estao subdivididas entre tres padroes de pla-cas ceramicas. A Tabela 1 mostra a quantidadede pisos e a divisao entre eles.

Tabela 1: Divisao dos padroes de pisosPadrao Sem defeitos Com defeitos Total

1 20 141 1612 47 139 1863 41 123 164

Total 108 403 511

Os pisos considerados como“controle”de cadapadrao estao representados, respectivamente, naFigura 3. Estes estao livres de defeitos e sao con-siderados como “ideais”.

1Os conjuntos de imagens podem ser acessados em:http://bit.ly/2ogfeW5.



804

http://bit.ly/2ogfeW5

Figura 3: Imagens Controle

Cada caso que compoe a base de dados pos-sui 5 parametros. O primeiro, representa a quan-tidade de pixeis que foram identificados como in-conformes em relacao a coloracao. O segundo des-creve o erro medio da coloracao do piso e pode va-riar entre 0 e 255. O terceiro representa o desviopadrao encontrado nos tres espectros de cor (R, G,B). O quarto parametro representa a quantidadede pixeis que apresentaram problema na borda.O quinto e ultimo representa a classe do piso emanalise, que pode ser definida como bom ou ruim(1 ou 0).

Para a classificacao dos casos que compoema base de dados, levou-se em consideracao os de-feitos visuais possıveis descritos na NBR 13818 -Anexo A (Associacao Brasileira de Normas Tec-nicas, 1997).

A partir desta norma, fica claro que o pisoem analise deve estar livre de defeitos que possamafetar sua aparencia. Alem disso, a NBR 13818define que a diferenca de tonalidade maxima deveser definida entre as partes. Considerando-se taisfatos, definiu-se limites de classificacao para os pi-sos considerados bons ou ruins. Logo, o sistemaproposto oportuniza ao gerente da linha de produ-cao o ajuste dos limiares para a classificacao dospisos.

2.2 Operacoes de Pre-Extracao

As operacoes de pre-extracao sao necessarias jaque, quando a imagem e capturada, existe umasobra visual que nao sera utilizada na analise dopiso. A Figura 4 mostra como e uma imagem ad-quirida, sem nenhum tipo de tratamento.

Deve-se levar em conta que em uma linha deproducao os pisos nao vem sempre em uma mesmaposicao, podendo haver angulacao nos mesmos.Por isso, antes da extracao de caracterısticas, enecessario ajustar as imagens.

O primeiro passo e destacar a placa cera-mica do fundo preto. Para isso, a imagem econvertida do espaco de cor atual para CIE-LAB. A descricao da conversao esta descrita em(de L’Eclairag, 2004). Neste trabalho, seguiu-sea recomendacao BT.709 por ITU-R, onde define-se que os valores de [Xn Yn Zn] = [0.95045 11.088754].

No proximo passo, removem-se as bandas “a”e “b” e reestrutura-se a matriz obtida em “L” paraum vetor. Em seguida, utiliza-se um algoritmo deagrupamento visando segmentar o piso do fundo

Figura 4: Piso sem Ajuste

do prototipo. Neste trabalho, foi utilizado o k-means clustering, um algoritmo de aprendizadonao-supervisionado. Este foi escolhido visandoevitar a definicao de limiares. Levando em contaque o fundo do prototipo e escuro (para criar umcontraste com os pisos claros), foi utilizado um va-lor de k = 2, sendo este fixo para qualquer padraode piso. Como resultado, obtem-se o fundo doprototipo em um agrupamento e o piso em outro.

Este algoritmo pode ser descrito por tres pro-cessos distintos. Primeiramente, o espaco e par-ticionado em k agrupamentos (sendo k = 2 nestetrabalho) e as observacoes dentro do espaco saorandomicamente definidas. Apos isto, para cadaobservacao, calcula-se a distancia do item atea centroide do agrupamento (Equacao 1). En-tao, verifica-se se a observacao esta mais proximado agrupamento atual ou do outro. Se estivermais proximo do segundo, redefine-se a posicaoda mesma. Os ultimos dois passos sao repetidosate que a observacao nao seja movida para outroagrupamento.

d(x, c) = (x− c)(x− c)′ (1)

Onde x e a observacao realizada e c e a cen-troide, que e representada pelo valor medio de to-dos os pontos do agrupamento.

Faz-se importante destacar que o algoritmoproposto nao demonstrou limitacoes para os con-juntos de imagens testados. Entende-se que a so-lucao escolhida, por nao usar limiares, pode apre-sentar limitacoes para pisos que possuam coresmuito proximas a do interior do prototipo. Poremas caracterısticas de textura, como as apresenta-das no conjunto tres, nao reduziram a capacidadeda solucao proposta.

Para melhorar a selecao, elimina-se qualquerpossibilidade de ruıdo selecionando apenas a areacom maior quantidade de pixeis e preenche-se to-dos os buracos na mascara encontrada. Em se-guida, identificam-se as extremidades da selecaoencontrada e gera-se um retangulo que possa des-crever o piso em analise.

Por fim, toda a area que nao sera analisada eremovida aplicando a mascara encontrada no pisoem analise. A imagem de saıda da primeira parte



805

do algoritmo esta apresentada na Figura 5.

Figura 5: Piso Segmentado

Na segunda parte do algoritmo, remove-sequalquer tipo de angulacao (positiva ou negativa).A mascara identificada no processo anterior foiutilizada para caracterizar os extremos da partesuperior da placa ceramica. Com estes valores,calcula-se a angulacao utilizando o arco-tangenteda diferenca em y sobre a diferenca em x. Entao,rotaciona-se a imagem e remove-se a area exce-dente. Finalmente, obtem-se a imagem que pas-sara pelos processos de extracao de caracterısticase classificacao (Figura 6).

Figura 6: Piso Final

2.3 Extracao de Caracterısticas

Apos a imagem original passar pelos ajustes neces-sarios, as caracterısticas que visam descrever se haou nao defeitos na placa ceramica sao extraıdas. Eimportante citar que nao ha dependencia entre osalgoritmos e consequentemente as caracterısticasaqui descritas podem ser obtidas de forma para-lela.

2.3.1 Analises de Defeitos Atraves da Cor

Varios dos defeitos visuais causam uma mudancade cor nas placas ceramicas. Levando isto emconta, um algoritmo foi desenvolvido com o in-tuito de extrair os dados estatısticos que consigamrepresentar a conformidade da cor do piso.

Este algoritmo consiste em duas analises dis-tintas. Na primeira, verifica-se se a coloracao daplaca esta condizente com o piso considerado ideal

(controle), utilizando a area total deste. Na se-gunda analise, atraves de uma visao mais deta-lhada, e necessario identificar defeitos especıficoscomo: crateras, manchas, pintas, bolhas, dentreoutros.

Na primeira parte do algoritmo, obtem-se adiferenca absoluta entre as tres bandas que com-poem a placa ceramica de controle e a placa emanalise. Esta operacao resulta em uma nova ma-triz composta pelas tres bandas, que por sua vezrepresentam os pontos divergentes encontradosentre os dois pisos.

No proximo passo, somam-se as tres bandasda nova imagem de divergencias e gera-se o valormedio de erro e do desvio padrao. Este passo visaidentificar defeitos que possam estar representadosem uma, duas ou todas as bandas que compoema imagem.

Em seguida, e necessario remover os possıveisruıdos causados pelo sistema de aquisicao de ima-gens. Para isso, gera-se uma imagem binaria atra-ves de uma operacao de thresholding, com um va-lor previamente definido. Entao, identifica-se oslocais onde ha pixeis conectados (grupos). De-pois, calcula-se a area de cada um destes grupose sao eliminados aqueles que estiverem abaixo dolimiar definido pelo gerente da linha de producao.Aplicando esta sequencia de passos, chega-se aoresultado representado na Figura 7.

Figura 7: Resultado final do processamento

Percebe-se atraves da imagem binaria repre-sentada pela Figura 7 que o piso em analise pos-sui diversos defeitos. Constatou-se tambem queo algoritmo foi capaz de identificar corretamentetodos as imperfeicoes presentes no piso em analise.

2.3.2 Analise nas Bordas

Outro problema muito comum na fabricacao emserie de pisos e a quebra e lascas nas bordas. Paraidentificar este tipo de avaria, foi desenvolvido umalgoritmo que faz a analise da imagem obtida uti-lizando filtros de deteccao de bordas.

Neste algoritmo, converte-se a imagem obtidapara escala de cinza. Apos isto, aplica-se o filtroLaplacian of Gaussian (LoG) com o objetivo deidentificar todas as areas onde ha uma mudanca



806

abrupta no nıvel de cinza. Esta operacao e reali-zada pelos filtros Gaussiano e Laplaciano. O pri-meiro foi utilizado pois o filtro Laplaciano e muitosensıvel a ruıdos. Logo, ele e necessario para su-avizar a imagem (Acharjya et al., 2012). O La-placiano L(x, y) de uma imagem com valores deintensidade de pixel I(x, y) e dado pela Equacao2.

L(x, y) =d2I

dx2+

d2I

dy2(2)

Ja a operacao LoG centrada em zero e comdesvio padrao gaussiano tem a forma mostradana Equacao 3:

LoG(x, y) = − 1

π ∗ σ4∗[1 − x2 + y2

2 ∗ σ2

]∗ e−

x2+y2

2∗σ2

(3)O valor de σ utilizado neste trabalho foi 2.Apos este processo, duas operacoes sao reali-

zadas para extrair apenas a borda “mais externa”do piso em analise. Primeiro, na imagem binariagerada atraves da operacao LoG, encontram-se to-dos os pixeis conectados nas 8 direcoes possıveis.Em seguida, identifica-se a area de cada um des-ses componentes para entao selecionar aquele commaior area.

Apos a aplicacao destas operacoes, o piso podeser analisado e suas imperfeicoes podem ser veri-ficadas. Para isto, optou-se por encontrar as di-mensoes ideais do piso e compara-las com a bordaencontrada atraves do processo anterior.

Para realizar tal tarefa, a imagem obtida an-teriormente e utilizada. Mede-se o tamanho doobjeto que esta sendo processado em 50 pontosdistintos ao longo da cada borda, totalizando 200pontos de medicao. Entao, gera-se uma imagembinaria com as dimensoes encontradas. A Figura8, apresenta a borda encontrada atraves das ope-racoes aplicadas e a borda considerada ideal.

Figura 8: Borda encontrada e borda ideal

Ao encontrar o formato ideal do piso em ana-lise, e possıvel definir o erro atraves da diferencadas duas bordas (apresentadas na Figura 8). Como erro definido, preenche-se o perımetro da avariaencontrada para quantifica-la atraves da area to-tal da quebra ou lasca.

2.4 Classificador

Os resultados apresentados neste trabalho foramobtidos utilizando o classificador Support Vector

Machine (SVM). Escolheu-se esta tecnica pois elapode apresentar uma performance melhor em ummaior numero de problemas, levando em conta queo SVM e muito eficiente e estavel. Alem disso,segundo (Akande et al., 2014), o SVM apresentauma boa capacidade de generalizacao em cenariosreais, onde ela geralmente supera muitas outrastecnicas utilizadas em previsoes e classificacoes.

Para treinar o classificador, os dados obtidosforam normalizados. Considerando a grande va-riacao destes, escolheu-se um kernel do tipo Ra-dial Basis Function. Sendo assim, buscou-se en-contrar o Gamma (γ) otimo para este, utilizandoa tecnica conhecida como Grid Search Algorithm(Chang and Lin, 2011). Essa etapa e essencialpara a metodologia proposta, pois a escolha ina-dequada de γ pode reduzir drasticamente a acura-cia do sistema. O classificador foi treinado e tes-tado utilizando-se a biblioteca LIBSVM (Changand Lin, 2011).

3 Resultados e Discussoes

Visando o treinamento de cada classificador,escolheu-se randomicamente 50% das imagens decada conjunto. Da parte de treinamento, entre10% e 45% das imagens representaram os casosbons, sendo que o restante representou os ruins.A outra parte dos dados, que nao sao conhecidospelo classificador, foram utilizados para validacaodo sistema.

Depois que o valor otimo de γ foi encontrado,definiu-se uma penalidade de erro para os clas-sificadores. No primeiro conjunto, o valor de γfoi 0,0222. Ja para o segundo, o valor obtido foi0,0069. No ultimo, foi utilizado 0,0125. Para a pe-nalidade, foi definido um valor consideravelmentealto, com objetivo de aumentar a acuracia do sis-tema.

Com os parametros e os conjuntos de ima-gens corretamente definidos, encontrou-se a taxade acerto, a sensibilidade e a especificidade do sis-tema. Para isso, utilizou-se o conjunto de imagensde teste2. O grafico apresentado na Figura 9 de-monstra os valores obtidos.

Figura 9: Resultados Obtidos

2Os resultados e os dados extraıdos podem ser encon-trados em: http://bit.ly/2omuZaM.



807

http://bit.ly/2omuZaM

Percebe-se que o sistema conseguiu classificarcorretamente 100% dos casos no primeiro conjuntode imagens. Ja no segundo, a classificacao foi er-ronea em um dos casos, classificando um piso bomcomo defeituoso. No conjunto tres, que representaum piso com textura, o sistema tambem errou emum dos casos, apresentando um falso positivo.

Sabe-se que muitos trabalhos foram feitos como objetivo de solucionar este problema. Porem,considerando-se que as bases de dados utilizadaspara a validacao dos trabalhos citados nao saopublicas, nao foi possıvel obter os parametros es-tatısticos utilizando os metodos aqui apresenta-dos. Apesar disso, se for desconsiderado o fatode que os pisos analisados e o meio de obtencaodestas imagens sao diferentes, percebe-se que o sis-tema proposto conseguiu uma precisao satisfatoriae comparavel aos resultados obtidos na literatura.

Atraves de um modelo de eliminacao bidire-cional, foi possıvel definir que os parametros maisrelevantes, para o primeiro conjunto de imagens,sao a quantidade de pixeis identificados como in-conformes e o erro medio de coloracao. Alemdisso, o erro medio de coloracao e desvio padraoforam os mais importantes para os outros dois con-juntos.

Sendo assim, percebeu-se que o erro medio decoloracao foi o parametro que mais influenciou naclassificacao dos pisos, enquanto o erro na bordafoi o parametro com menor influencia. Tal fatorpode ser justificado pelo fato de o erro de bordatambem ser representado nas outras caracterısti-cas, mas sem total representatividade.

4 Conclusao e Trabalhos Futuros

Neste trabalho foi proposta uma solucao completapara controle de qualidade visual de pisos cerami-cos, feita de maneira autonoma. Esta foi funda-mentada em tecnicas de processamento, reconhe-cimento de imagem e aprendizagem de maquina.Este trabalho se diferencia por propor novas tec-nicas nos processos de verificacao do controle dequalidade da imagem, desde a pre-extracao ate aclassificacao, mantendo a acuracia.

Conforme demonstrado nas secoes anteriores,o sistema apresentou resultados satisfatorios emtres conjuntos de imagens diferentes, obtendo umataxa de acerto consideravel. Entende-se que prin-cipalmente a estrutura fısica do sistema demandamelhorias antes da aplicacao final na industria ce-ramica. Entretanto, conclui-se que a metodologiaaqui apresentada possui potencial para ser efeti-vamente empregada em uma linha de producao.

Considerando os resultados obtidos, como tra-balhos futuros, pretende-se realizar melhorias es-pecıficas no sistema de iluminacao do prototipo.Alem disso, tem-se a ideia de testar a estruturae o sistema proposto em uma linha de producaoreal.

Referencias

Acharjya, P. P., Das, R. and Ghoshal, D. (2012).Study and comparison of different edge de-tectors for image segmentation, Global Jour-nal of Computer Science and TechnologyGraphics & Vision 12(13): 1–4.

Akande, K. O., , Owolabi, T. O., Twaha, S. andOlatunji, S. O. (2014). Performance compa-rison of SVM and ANN in predicting com-pressive strength of concrete, IOSR Journalof Computer Engineering 16(5): 88–94.

Associacao Brasileira de Normas Tecnicas (1997).NBR 13818 - Placas ceramicas para revesti-mento - Especificacao e metodos de ensaios.

Chang, C.-C. and Lin, C.-J. (2011). LIBSVM,ACM Transactions on Intelligent Systemsand Technology 2(3): 1–27.

Chryssolouris, G., Mavrikios, D., Papakostas, N.,Mourtzis, D., Michalos, G. and Georgou-lias, K. (2009). Digital manufacturing: his-tory, perspectives, and outlook, Proceedingsof the Institution of Mechanical Engineers,Part B: Journal of Engineering Manufacture223(5): 451–462.

Davies, E. R. (2004). Machine vision: theory, al-gorithms, practicalities, Elsevier.

de L’Eclairag, C. I. (2004). CIE 015:2004:Colorimetry, Commission Internationale deL’Eclairag.

Elbehiery, H. M., Hefnawy, A. A. and Elewa,M. T. (2005). Visual inspection for fired cera-mic tile’s surface defects using wavelet analy-sis, ICGST-GVIP Journal 5(2): 1–8.

Hocenski, Z., Aleksi, I. and Mijakovic, R. (2009).Ceramic tiles failure detection based onfpga image processing, Industrial Electronics,2009. ISIE 2009. IEEE International Sympo-sium on, IEEE, pp. 2169–2174.

Kauppinen, H. (1999). Development of a colormachine vision method for wood surface ins-pection, Master’s thesis, Department of Elec-trical Engineering and Infotech Oulu.

Mishra, R. and Shukla, D. (2014). An au-tomated ceramic tiles defect detection andclassification system based on artificial neu-ral network, International Journal of Emer-ging Technology and Advanced Engineering4(3): 229–233.

Rahaman, G., Hossain, M. et al. (2009). Automa-tic defect detection and classification techni-que from image: a special case using ceramictiles, arXiv preprint arXiv:0906.3770 .



808

sistema automatico de controle de qualidade … · feitos visuais poss veis descritos na nbr 13818...

Documents