Cámaras Hiperespectrales
¿Qué es la visión hiperespectral? ¿Para que se utiliza en la industria? Cámaras hiperespectrales y visión artificial en la industria.
Para entender cómo funcionan las cámaras hiperespectrales primero tenemos que entender cómo ve el ojo humano. Cuando el ojo humano ve un objeto, es porque ese objeto está siendo iluminado por una luz visible. La luz visible al ojo humano está compuesta por diferentes longitudes de onda en la banda de los 400nm y los 700nm, es lo que se conoce como el espectro visible o simplemente luz.
El nanómetro es la unidad de longitud del Sistema Internacional de Unidades (SI) que equivale a una mil millonésima parte de un metro (1 nm = 10−9 m) o a la millonésima parte de un milímetro. El símbolo del nanómetro es nm
El espectro visible es una pequeña parte del espectro electromagnético.
El espectro electromagnético se extiende desde la radiación de menor longitud de onda, como los rayos gamma y los rayos X, pasando por la radiación ultravioleta, la comentada luz visible y la radiación infrarroja, hasta las ondas electromagnéticas de mayor longitud de onda, como son las ondas de radio.
Diagrama del espectro electromagnético, mostrando el tipo, longitud de onda con ejemplos, frecuencia y temperatura de emisión de cuerpo negro.
Cuando aplicamos visión artificial en un proceso industrial, uno de los primeros pasos es adquirir una imagen de aquello que se quiere analizar.
Las imágenes monocromo o en escala de grises se adquieren mediante cámaras monocromo y trabajan en una escala de grises de 0 a 255.
Muchas aplicaciones de visión pueden resolverse mediante cámaras monocromo, incluso cuando las piezas o los productos tiene color ya que este puede no ser un factor relevante en la solución de la aplicación.
Imágenes en color. Cuando tomamos una imagen a color en realidad la imagen final está compuesta por una combinación de tres imágenes, una para los valores de rojo, otra para los valores de verde y otra para los valores de azul. La imagen a color está compuesta por tres canales RGB.
Las imágenes obtenidas por cámaras a color tienen, por tanto, tres veces más datos que las imágenes en escala de grises. El proceso de obtención de las imágenes es más complejo, pero es decisivo en muchas aplicaciones donde el color es una característica relevante.
También existen las imágenes multiespectrales en las que aumentamos de dimensión y tenemos información de varias longitudes de onda. Normalmente las cámaras multiespectrales reciben información desde 2 a 10 longitudes de onda, no contiguas entre sí. Nos sirven para detectar algunas diferencias en composición.
Finalmente vamos a hablar de las imágenes hiperespectrales las cuales pueden incluir todo el espectro electromagnético, en bandas contiguas entre sí. Las imágenes hiperspectrales que se utilizan en la industria están generadas por cámaras hiperespectrales. Estas cámaras hiperespectrales están equipadas con sensores capaces de percibir centenares de longitudes de onda dentro y fuera del espectro visible. Las imágenes hiperspectrales se caracterizan por registrar información química o física de manera precisa y fiable, en tiempo real.
Ventajas de la visión hiperespectral
La visión hiperespectral combina la visión artificial con la espectroscopia de rango infrarrojo para crear mapas tridimensionales, también llamados hipercubos. Las imágenes hiperespectrales contienen datos extremadamente precisos que son invisibles para el ojo humano.
Cada píxel de la imagen hiperespectral contiene datos que permiten identificar, por ejemplo, cuerpos de alta densidad (como los metales) y de baja densidad (como, por ejemplo, restos orgánicos o insectos).
La visión hiperespectral permite identificar la composición de productos en continuo, identificar distintos materiales a la vez que ofrecer un mapa de su distribución.
Las imágenes espectrales pueden ser tratadas de forma muy visual y permite, por ejemplo, identificar componentes mediante una sencilla leyenda de colores.
Control de calidad con cámaras hiperespectrales
Las cámaras hiperespectrales se utilizan en el sector industrial para la automatización de tareas de inspección de defectos o análisis de propiedades difíciles de resolver por la visión artificial convencional. Son muy utilizadas en el sector de la alimentación donde se exigen exhaustivos controles de calidad y seguridad alimentaria.
Algunas de las aplicaciones con cámaras hiperespectrales más utilizadas en la industria para realizar controles de calidad son:
- Localización de elementos extraños y contaminación cruzada.
Se han realizado aplicaciones de este tipo para separar por ejemplo granos de arroz de pequeñas piedras o también separar comida de perro de pequeños tozos de platico.
- Detección de diferencias entre los elementos orgánicos de los productos.
Es común utilizar este tipo de tecnología en la industria de frutos secos, separando el producto con cascara, de las cascaras vacías o el producto sin cascara antes de su correcto envasado.
- Inspección y contaminación del sellado.
- Medición de la composición y los elementos nutricionales
Se utiliza frecuentemente para determinar el % de grasa infiltrada en piezas cárnicas. Veamos un ejemplo:
Se pretende ver la cantidad de grasa infiltrada en carne de cerdo. Se crea una clase grasa y una no grasa que representan la huella espectral de estos. Una vez aprendidos los espectros el software es capaz de diferencias aquellas partes con grasa y aquellas que no tienen y darnos los porcentajes.
- Identificación de materiales.
Por ejemplo, identificación de diferentes tipos de plástico.
La siguiente imagen muestra una botella de agua y el tapón de esta. Los plásticos son diferentes, la parte contenedora es PET y el tapón es PE-HD. Aprendiendo su huella espectral obtenemos el siguiente resultado.
- Detección de fruta en mal estado, golpes o magulladuras.
Aplicaciones basadas en imágenes hiperespectrales para determinar la calidad o madurez de fruta.
Gracias a los avances en algoritmos de aprendizaje profundo, muchas de estas aplicaciones también puede ser resueltas mediante tecnologías de visión artificial basadas en Deep Learning.
