ARTIGO
Medição da Altura das Cunhas de Fricção dos Vagões
Utili-zando Processamento Digital de Imagem
Leonardo Borges de Castro1*, Dr. João Marques Salomão2 e Me. Douglas Almonfrey2
1
VALE - Engenharia Ferroviária, Av. Dante Michelini 5500, 29090-900, Vitória –ES
2
IFES - Departamento de Engenharia Elétrica, Av. Vitória 1729, 29040-780, Vitória -ES
e-mails: castro.b.leonardo@gmail.com, salomao@ifes.edu.br, dalmonfrey@ifes.edu.br.
Resumo A utilização de tecnologias para inspeção automática de ativos está em franca
expan-são no mercado em geral, proporcionando ganhos significativos na produtividade das equipes de manutenção e consequentemente redução dos custos operacionais das empresas, além de ga-nhos relacionados à qualidade das inspeções. No setor ferroviário, estes gaga-nhos são potenciali-zados, uma vez que existe grande quantidade de ativos móveis, e os ativos fixos estão distribuí-dos por longas extensões geográficas, abrindo espaço para implantação de tecnologias inteligen-tes de monitoramento remoto e automático, reduzindo assim, o emprego de mão de obra para inspeção dos ativos ao longo da ferrovia, além de proporcionar ganhos de qualidade nos proce-dimentos de inspeção e melhoria na segurança operacional da ferrovia. Neste trabalho, foram aplicadas técnicas de processamento digital de imagens e visão computacional para realizar a medição automática de altura das cunhas de fricção dos vagões ferroviários, componente este muito importante para garantir a estabilidade dos vagões, uma vez que estas cunhas trabalham fazendo o amortecimento da suspensão vertical e horizontal dos truques. Em função do desgas-te natural destas cunhas, observado pelo aumento da sua altura em relação a travessa do tru-que, reduz-se a capacidade de amortecimento da suspensão, podendo assim, provocar aciden-tes ferroviários. Utilizando imagens dos truques dos vagões, coletadas em ambiente operacional, foram aplicadas técnicas para melhoria da nitidez das imagens e valorização dos objetos de inte-resse. Utilizando os métodos de processamento digital de imagens, tais como, tratamentos mor-fológicos, binarização e criação das imagens de bordas dos truques, foi possível aplicar heurísti-cas matemátiheurísti-cas para localização de elementos na imagem dos truques, de forma a facilitar a localização do topo das cunhas, bem como, a face superior da travessa, calculando assim a altu-ra das cunhas a partir de prévia calibaltu-ração do sistema. No ambiente de prototipagem, os resulta-dos chegaram a uma taxa de acerto da ordem de 88% na localização resulta-dos objetos na imagem dos truques. Assim, foi possível concluir que a aplicação destas técnicas de processamento de imagens podem ser evoluídas para o uso em ambiente operacional, bem como, desenvolvidas novas funcionalidades para auxiliar na inspeção dos ativos ferroviários.
1. INTRODUÇÃO
Cunhas de fricção nos truques dos vagões ferroviários funcionam como amortecedo-res, trabalhando pressionadas contra as superfícies de desgaste das laterais e da travessa, através de mola inferior, confor-me definido por KINA (2013), assim as cu-nhas, chapas laterais e chapas da bolsa da travessa, se desgastam com o uso. Este desgaste provoca redução da capacidade de amortecimento da suspensão e, como consequência, a redução na habilidade de passar sobre imperfeições de linha, po-dendo causar acidentes ferroviários. Através da altura da cunha sobre a traves-sa do truque, é possível observar o nível de desgaste destes componentes, e esta inspeção é realizada de forma visual pelos técnicos de manutenção de vagões, ou utilizando de gabaritos para avaliação rá-pida das boas condições deste item. Assim, é possível observar que as cunhas de fricção estão sempre visíveis, permitin-do sua observação por um sistema auto-mático de inspeção e medição da sua altu-ra, conforme apresentado na figura 1.
Figura 1. Altura das Cunhas de Fricção (Elab. pelo Autor, 2015)
Atualmente, as atividades de inspeção das cunhas dos vagões é feita em toda a frota de vagões de minério de ferro, na sa-ída dos viradores que se encontram nos portos. Os técnicos inspecionam visual-mente vários componentes dos vagões, dentre eles as cunhas de fricção, durante um curto espaço de tempo do vagão para-do (tempo de posicionamento e giro para-do vi-rador). Com um sistema automático de inspeção seria possível: reduzir os recur-sos utilizados nas atividades de inspeção; inspecionar os vagões nas regiões de in-terface com outras ferrovias, aumentando a segurança das operações ferroviárias; melhorar a qualidade das inspeções; redu-zir os custos de manutenção; aumentar a
segurança operacional da ferrovia e au-mentar a disponibilidade dos vagões.
2. OBJETIVO
O objetivo deste trabalho é propor e aplicar um método para inspeção automática da altura das cunhas de fricção de vagões ferroviários, parados, a partir de um banco de imagens dos truques destes vagões, coletados previamente.
Desta forma, será possível:
Analisar a atividade de inspeção do truque dos vagões por fotos, formando uma base de imagens para estudo; Aplicar técnicas de processamento
di-gital de imagens para criar a “imagem de bordas” do conjunto dos truques; Aplicar heurísticas computacionais
pa-ra identificar a posição das cunhas na imagem;
Calibrar a câmera e calcular a altura das cunhas, mostrando nas imagens;
3. ESTADO DA ARTE
Para o desenvolvimento deste trabalho fo-ram empregados métodos relacionados as áreas de processamento digital de ima-gens, localização e extração de objetos em imagens.
Uma das técnicas a se destacar no campo de processamento de imagens digitais são os procedimentos de equalização de histo-grama, que compõe os métodos de trans-formações de intensidades. A manipulação de histograma podem ser utilizadas para realce das imagens. Uma imagem com baixo contrate possui o seu histograma de intensidade de pixels localizado no meio da escala. Em contrapartida uma imagem de alto contraste cobre uma escala bem ampla de intensidades, sendo a distribui-ção dos pixels quase uniforme, conforme destacado por GONZALEZ (2010).
Para separação das regiões de interesse na imagem, existem as técnicas de seg-mentação, dentre as quais a limiarização se mostra umas das mais viáveis, devido suas propriedades intuitivas, simplicidade de implementação e velocidade
computa-cional, conforme destacado por
GONZALEZ (2010, p. 486). Esta técnica se trata basicamente de definir um limiar para que seja criada uma imagem de apenas duas intensidades (binária), em que os pixels abaixo do limiar assumem um dos
valores binários e os acima do limiar as-sumem o outro valor.
Outras técnicas importantes apresentadas por GONZALEZ (2010) são os métodos de filtros espaciais, muito utilizados em pro-cessamento de imagens para realce de imagens. O filtro consiste em uma vizi-nhança de pixels e uma operação predefi-nida realizada sobre os pixels da imagem incluídos na vizinhança, criando um novo pixel com coordenadas iguais às coorde-nadas do centro da vizinhança, com o va-lor do resultado da operação. Assim é feito com que a máscara de operações percorra toda a imagem, gerando uma nova ima-gem filtrada. Um filtro espacial que deve-mos destacar é o filtro de borramento, para redução de ruídos, retirada de detalhes irrelevantes, ou seja, regiões da imagem menores que o tamanho da máscara. Existem ainda as técnicas para tratamento morfológico das imagens. Operações como dilatação, erosão, abertura, fechamento e extração de fronteiras, são técnicas muito utilizadas no tratamento de imagens biná-rias, pois permite destacar bem objetos, o qual, se bem identificado o formato do ob-jeto de interesse, pode facilitar a aplicação das demais técnicas heurísticas para loca-lização e extração, bem como classificação dos objetos. Um operador muito utilizado é a função edge no Matlab®, que por padrão realiza a detecção de bordas utilizando o método de Sobel. Este método calcula o gradiente da intensidade em cada ponto, dando a direção da maior variação de claro para escuro, permitindo assim a detecção das bordas.
Para a solução do problema motivador deste trabalho, também serão utilizados métodos baseados em heurísticas como, por exemplo, técnicas para extração de caracteres, conforme apresentado por JESUS (2014). Métodos estes que ajudam a realizar a localização e segmentação dos caracteres. Segundo JESUS (2014), nas regiões com alta incidência de pixels, tanto referenciadas a colunas, como as linhas, é possível encontrar a variância dos pixels ao longo do conjunto de linhas ou colunas, permitindo assim a criação de gráficos em que seus picos podem representar as po-sições de interesse dos caracteres na ima-gem, conforme ilustrado na figura 2.
Figura 2. Extração de Caracteres em Barra de Aço (JESUS, 2014)
Segundo JESUS (2014), para a aplicação de extração de caracteres, o método utili-zando heurísticas conseguiu um índice de acerto de 75,5%, e retirando as imagens com interferência severa, ou seja, imagens com variações bruscas de iluminação e tonalidade, o índice de acerto sobe para 93,8% se comparado com o sistema visual humano.
4. MATERIAIS E MÉTODOS
Para este trabalho, foram definidas as se-guintes premissas, de forma a focar na so-lução do problema:
Formação do Banco de Imagens utili-zando câmera portátil de uso comum; Fotos coletadas com o equipamento
parado, evitando borramentos nas imagens;
As imagens foram coletadas a partir de uma posição conhecida da câmera, através do uso de tripés, com o truque não necessariamente centralizado. Para o desenvolvimento do código foi
utilizado o software Matlab®;
Fotos, em 10 mega pixels, coloridas; Recursos automáticos de foco e zoom
desabilitados;
Maioria das fotos realizadas durante o dia, com flash;
Câmera posicionada em apenas um dos lados dos vagões;
Para medir a altura das cunhas de fricção esquerda e direita dos truques dos vagões ferroviários, que é o problema proposto neste trabalho, o problema foi dividido em etapas, definidas conforme apresentado na figura 3.
Estas são as etapas clássicas de proces-samento de imagens muito comuns a sis-temas de inspeção e monitoramento auto-matizado, mas com as devidas particulari-dades para solução do problema proposto. No primeiro momento foi construída a base de dados para o trabalho, sendo esta uma base estática, a qual foi reservado um
gru-po de imagens para testes finais. Em se-guida, foram aplicadas técnicas de proces-samento digital de imagens, para melhor destaque dos elementos de interesse na imagem. Na sequencia, foi desenvolvida as localizações dos objetos importantes para medição da altura (em pixel), e final-mente o cálculo da altura em milímetro.
Figura 3. Etapas para Cálculo da Altura das Cunhas (Elab. pelo Autor, 2015) É importante destacar que este trabalho não focou na precisão da medição, mas sim na assertividade de localização dos objetos para permitir a medição da altura, considerando sucesso quando for possível realizar a medição.
Fase 1 - Captura das Imagens
Nesta primeira fase, foi estabelecido um procedimento para efetuar a coleta das informações em campo, pois o método proposto é sensível a variações na cena, como luminosidade e exposição à poeira. A formação do banco de imagens foi reali-zada tendo como referência o enquadra-mento apresentado na figura 4.
Figura 4. Enquadramento das Imagens dos Truques (Elab. pelo Autor, 2015)
Para definir este padrão de captura das imagens foram coletadas fotos em diver-sas condições de luz e realizado o trata-mento de imagens para observar as condi-ções que seriam implementadas no código. Assim, formou-se uma base de 63 imagens para desenvolver o método proposto no trabalho, sendo as 10 últimas imagens re-servadas para simulação.
Fase 2 - Detecção de Bordas (Proces-samento Digital de Imagens)
Nesta fase, iniciou o tratamento das ima-gens, de forma a obter uma imagem de bordas que melhor contornasse as cunhas de fricção dos truques. Assim, foram esta-belecidos os passos apresentados na figu-ra 5.
A partir da imagem original RGB (a), a mesma foi convertida em uma imagem em tons de cinza (b), permitindo a aplicação dos procedimentos de binarização. Em se-guida, foi equalizado o histograma (c) da imagem em tons de cinza, posteriormente realizada a binarização (d), através de um limiar fixo, de 0,50, número este que foi determinado segundo diversas simulações de todo este processo de detecção das bordas do conjunto, escolhendo o limiar que melhor valorizasse as cunhas. Feito isso, foram aplicados alguns tratamentos morfológicos, de dilatação seguida de ero-são (e), com máscara tipo "disk", tamanho 9, e aplicado um filtro de média, com más-cara 20x20, a fim de suavizar a imagem. Após os processamentos digitais iniciais, foi aplicado um método de detecção de bordas pela função edge do Matlab®, ob-tendo assim a etapa (f) da figura 5, e em seguida, aplicado um novo tratamento mor-fológico, de dilatação (g), agora um "disk" tamanho 5. Assim seguiu-se para a fase 3, para iniciar a localização dos objetos na imagem, partindo da localização horizontal.
Figura 5: (a) Imagem Original; (b) Imagem Tons de Cinza; (c) Equalização do Histograma;
(d) Binarização Limiar 0.5; (e) Dilatação, Ero-são e Filtro Média; (f) Detecção Bordas; (g)
Re-alce das Bordas; (h) Recorte Região dos Tru-ques (Elab. pelo Autor, 2015)
Fase 3 - Localização Horizontal
Para a localização horizontal dos truques foi observado que no gráfico de variância dos pixels, coluna a coluna, existe uma elevada variação nos pixels na região das molas dos truques. Assim, definiu-se essa referência (região das molas) como ele-mento de localização horizontal, ou, inde-xação horizontal das imagens. Na figura 6, é possível observar a imagem de bordas com o gráfico de variância coluna a coluna, acima da imagem.
A região indicada como "a", na figura 6, mostra a região com um patamar mais constante e elevados valores de variância dos pixels, coluna a coluna, da imagem de bordas. Esse patamar, que indica a região das molas, é sempre caracterizado por um vale centralizado, indicando uma região de baixa variância dos pixels. Esta região de "vale" coincide exatamente com a posição entre molas, local este, com poucos pixels claros.
Figura 6. (a) Região das Molas; (b) Vale entre molas; (c) Linha de Referência da Localização
Horizontal (Elab. pelo Autor, 2015) Assim, foi estabelecido um algoritmo que identifique a região do patamar e do vale entre as molas. Este método considera os seguintes cálculos:
Cálculo da Média Total do Gráfico; Teste 1: sequencial de 10 valores
aci-ma da média total do gráfico;
Teste 2: diferencial do pixel (h) em re-lação ao anterior (h-1), menor que este pixel (h-1) pelo seu anterior (h-2), em módulo;
Cálculo da Média Parcial: quando sa-tisfeitos os Testes 1 e 2, faz-se a mé-dia parcial dos 10 pixels na vizinhança do pixel (h);
Se o valor do pixel (h) estiver entre mais ou menos 1% da média parcial, será caracterizado como um possível pixel na região das molas.
Assim, é possível criar o gráfico apresen-tado na figura 21, o qual representa a po-sição dos possíveis pixels da região de molas. Neste vetor de posições é aplicada a mediana, para definir um ponto que este-ja contido na região das molas.
Figura 7. Posições com potencial de ser a regi-ão das molas(Elab. pelo Autor, 2015) A partir deste valor de referência (mediana das posições), é possível estabelecer uma janela onde provavelmente encontra-se o "vale" entre as molas. Assim, definiu-se uma janela de 140 pixels, para ambos os lados deste ponto de mediana.
Dentro desta janela de 280 pixels, procura-se pela posição cujo valor é o mínimo, ca-racterizando a posição do "vale", ou seja, a posição de entre molas.
Fase 4 - Localização do Vertical O objetivo desta fase é localizar o topo das molas, permitindo assim uma localização mais fina na plataforma superior da traves-sa do truque. Deste modo, para esta fase são traçadas linhas verticais de referência para ambos os lados da posição entre as molas, com relação a eixo "x".
Na Erro! Fonte de referência não
encon-trada., é possível observar as duas linhas
verticais traçadas para ambos os lados, estas linhas foram definidas como ções fixas e configuráveis, a partir da
posi-ção entre molas encontrada no passo an-terior. Neste caso, definiu-se 50 pixels para ambos os lados.
A partir destas linhas verticais, foram cria-dos os vetores variância cria-dos pixels, para ambos os lados da região entre as molas, e, observado que os elos das molas pos-suem espaçamentos bem definidos e repe-titivos (com dimensão entre 5 e 46 pixels). Assim, é possível determinar o topo das molas como sendo o início desta região, ou seja, quando for encontrado uma sequên-cia de três valores de posição, em que o diferencial do pixel (h+1) em relação ao pixel (h) for maior que 5 e menor que 46, caracteriza-se como início da região dos elos das molas.
Figura 8. Localização do Topo das Molas (Elab. pelo Autor, 2015)
Repetindo este procedimento em 5 colu-nas de vetor variância dos pixels à esquer-da do entre molas, e em 5 colunas à direita da posição entre molas, é possível confir-mar melhor a posição de topo das molas. Desta forma, é possível traçar na figura original as linhas verdes, que indicam a posição encontrada para a região entre as molas e, também, o topo das molas, con-forme observado na figura 9.
Figura 9. Linhas de Referência de Entre Molas e Topo das Molas (Elab. pelo Autor, 2015)
Fase 5 - Localização da Referência In-ferior de Altura das Cunhas
De posse das informações dos passos an-teriores: posição de entre molas e posição do topo das molas, faz-se uma janela com o recorte da região das cunhas, conforme figura 10. Nesta fase, o objetivo é encon-trar a referência inferior de altura das cu-nhas, ou seja, o patamar superior da tra-vessa dos truques.
Figura 10. Recorte Região das Cunhas (Elab. pelo Autor, 2015)
Assim, é aplicado novo tratamento das imagens, aplicando os métodos de erosão, dilatação e definição de bordas, conforme apresentado nos passos definidos na Erro!
Fonte de referência não encontrada.
Figura 11. (a) Imagem Original; (b) Binarização; (c) Dilatação; (d) Erosão; (e) Imagem de Bordas
(Elab. pelo Autor, 2015)
De posse da imagem de bordas do recorte da região das cunhas (e), é possível esta-belecer uma janela de busca das linhas horizontais que representam a espessura da travessa. A região delimitada para esta busca está representada entre as linhas verticais vermelhas da figura 12.
Figura 12. Região de Busca da Travessa (Elab. pelo Autor, 2015)
Assim, é possível gerar a imagem da Erro!
Fonte de referência não encontrada.,
que mostra uma linha verde referenciando a posição superior da travessa, encontrado pelo código
Figura 13. Localização do Topo da Travessa (Elab. pelo Autor, 2015)
Em seguida, prossegue-se com a localiza-ção do patamar superior das cunhas es-querda e direita.
Fase 6 - Localização da Referência Superior das Cunhas
A figura 14Erro! Fonte de referência não
encontrada. ilustra o método desta etapa.
Foram criadas janelas entre as linhas ver-melhas para localização da parte superior das cunhas. A partir destas janelas, fez-se o vetor com a soma das linhas de cada recorte das cunhas. Neste vetor é possível identificar dois picos, sendo o maior mos-trando a linha superior da lateral do truque, e o segundo maior valor, mostra a linha de topo das cunhas.
Figura 14. Vetor Somatório das Linhas das Cu-nhas Esquerda e Direita (Elab. pelo Autor,
2015)
Assim é possível inferir que o segundo maior pico representa a posição de altura das cunhas. Na figura 15, foram criadas as linhas verdes, indicando a posição locali-zada para a altura das cunhas.
Figura 15. Linhas de Localização do Patamar Superior das Cunhas (Elab. pelo Autor, 2015)
Fase 7 - Cálculo da Altura das Cunhas Para cálculo da altura das cunhas, será considerado como referência o dimensio-nal da vista frontal da travessa dos tru-ques, conforme apresentado na figura 16. O valor de 696 pixels representa 444,5 em milímetros da medida real da travessa, ou seja, 17,5 polegadas, conforme informado pelo fabricante do componente.
De posse deste valor como referência para calibração, é possível determinar o fator de conversão pixel para milímetros da imagem analisada. A calibração será feita de forma fixa, ou seja, não se trata de uma auto ca-libração durante o processo de medição automática. Mas poderão ser propostos métodos para autocalibração em trabalhos futuros, uma vez que boa parte dos com-ponentes dos truques não possui grande variação dimensional entre vagões.
Figura 16. Cálculo da Altura das Cunhas (Elab. pelo Autor, 2015)
Neta figura 16, é possível observar as in-formações necessárias para o cálculo da altura das cunhas. De posse da posição das linhas verdes, é possível fazer o cálcu-lo considerando que a altura das cunhas esquerda e direita seja a diferença das po-sições encontradas do topo das cunhas, em relação ao patamar superior das tra-vessas, representado pelas setas verme-lhas.
Em seguida, será feita a multiplicação pelo fator de calibração para se obter o valor de altura das cunhas em milímetros. Fazendo a divisão do valor em milímetros, temos o fator de calibração de 444,5 mm dividido por 696 pixels, o que resulta em 0,63
milí-metros por pixel. Multiplicando este fator de 0,63 pelo valor da altura da cunha en-contrado em pixel, tem-se a altura da cu-nha em milímetros.
Na figura 17 é possível ver uma represen-tação da medição da altura das cunhas esquerda e direita em uma imagem de re-sultado do processamento no Matlab®.
Figura 17. Cálculo da Altura das Cunhas - Ima-gem Final Matlab® (Elab. pelo Autor, 2015)
5. EXPERIMENTOS E RESULTADOS
Com base no método e premissas apre-sentadas, 62 imagens foram utilizadas pa-ra criação do código papa-ra solução do pro-blema em questão. Após diversas simula-ções e testes, foi necessário realizar sim-plificações no código, bem como, avalia-ção de erros apresentados fase a fase do método proposto. Assim, foi possível obter os resultados apresentados na Erro!
Fon-te de referência não encontrada.
Tabela 1. Resultados por Fases (Elab. pelo Au-tor, 2015) Índice de Acerto Fase 1 Fase 2 Fase 3 Fase 4 Fase 5 Total Base Desen-volvimentos 96% 96% 94% 79% 85% 90% Base Simulação 80% 90% 80% 70% 60% 76% Total 94% 95% 92% 77% 81% 88%
Desta forma, podemos observar que as fases iniciais apresentam resultados de sucesso na localização dos objetos acima de 90%, enquanto que a localização do patamar das cunhas ficou em 77% para as cunhas esquerdas e 81% para as cunhas direitas.
Foi possível observar que o método de-senvolvido é bem sensível às variações das condições de iluminação do ambiente e, também, à qualidade das imagens cole-tadas, necessitando de ajustes adequados na técnica de limiarização. Durante o de-senvolvimento, foram implementadas cor-reções e melhorias no método, tais como: busca do topo das molas apenas pelo lado esquerdo da linha de entre molas; altera-ções no limiar de binarização; alteraaltera-ções nas janelas de busca da posição de entre molas; alteração da localização das regi-ões mais prováveis de ser região das mo-las, antes feita pela média e alterada para serem feitas pela mediana; dentre outras alterações. Com estes ajustes foi possível sair de uma média de acertos das fases de 50% para 88%, obtendo assim os resulta-dos apresentaresulta-dos na tabela 1.
Ficou evidente que este método está sujei-to a erros propagados entre as fases, ou seja, erros na fase 1, por exemplo, levam a erros nas fases seguintes, pois as fases dependem de informações da sua ante-cessora, deixando assim, esta técnica frá-gil. Para trabalhos futuros, poderão ser es-tudados métodos mais robustos, onde as fases possam confirmar as localizações dos objetos, e não apenas complementar, como está desenhado neste código. Um exemplo de erro na primeira fase é possível observar na imagem binária apre-sentada na figura 18.
Figura 18. Erro na localização das molas (Elab. pelo Autor, 2015)
Em função da perturbação das molas tra-seiras ao lado da mola direita do truque, fez com que os elos desta mola direita fi-quem com uma largura maior que o padrão normal (na imagem de bordas), ou seja, os elos das molas traseiras se "fundem" com os elos das molas frontais, e resulta em
uma mediana das possíveis regiões das molas (gráfico semelhante à figura 7) no centro da mola direita, e não efetivamente na região entre as molas, causando o erro de localização horizontal.
É importante destacar que novas heurísti-cas podem ser implementadas para com-plementar as técnicas apresentadas no trabalho, de forma a reduzir os erros. Para isto, é necessário continuar com as análi-ses individuais de cada erro, permitindo, assim, implementar novas rotinas que evi-tem a localização indevida.
Por outro lado, a técnica apresentada se mostrou eficiente na localização dos com-ponentes, uma vez que não demanda grande quantidade de recurso computaci-onal, e conseguiu boa eficiência em se tra-tando de imagens de baixa qualidade, ou seja, com grandes perturbações do ambi-ente, foco deficiambi-ente, sem tratamento de exposição à luz no local, bem como cole-tadas com equipamento não especificado para este tipo de aplicação.
Outro fator importante a destacar é o de-sempenho do código. No ambiente de pro-gramação Matlab®, o desempenho para gerar a figura 17 foi de aproximadamente 7 segundos por quadro. Retirando as etapas de processamento na imagem final, ou se-ja, não gerar as linhas de referência na fi-gura 17, bem como exibir o valor da altura calculada na imagem, deixando apenas os valores de altura mostrados no ambiente command window do Matlab®, o desem-penho do código melhora para aproxima-damente 5,8 segundos por quadro.
6. CONCLUSÕES
Com este trabalho foi possível aplicar os conceitos de processamento digital de imagens em um caso prático, e também, avaliar o uso de heurísticas matemáticas para solução de problemas de localização de objetos e coleta de parâmetros de inte-resse nas imagens digitais.
Com a evolução dos métodos e dissemi-nação do conhecimento relacionado à vi-são computacional, está sendo possível expandir sua utilização na indústria como um todo, seja como desenvolvimento de novas tecnologias, seja como capacitação para manutenção dos sistemas adquiridos nestas companhias. Trata-se ainda de um movimento tímido de implantação de
tec-nologias relacionadas a este tema, mas já é observado o grande potencial de aplica-ção, uma vez que os sensores e códigos estão sendo cada vez mais aprimorados e popularizados, associado à inúmeras tare-fas de inspeção realizadas pelos técnicos de manutenção. Com este tipo de tecnolo-gia, serão possíveis ganhos expressivos de produtividade, em relação aos métodos atuais utilizados para inspeção, bem como adicionar qualidade nesta atividade. Para as ferrovias, este ganho é potencializado, uma vez que se trata de elevado número de equipamentos móveis e com grande dispersão geográfica, criando um campo fértil para desenvolvimento destas técnicas de visão computacional, sendo possível inspecionar todo o parque de ativos, desde a linha férrea até os materiais rodantes. A aplicação deste método baseado em heurística, por um lado, se mostrou ade-quado, permitindo bons resultados em se tratando de imagens de baixa qualidade, mas por outro lado, apresentou certo nível de sensibilidade a erros e propagação des-tes erros. Variações pequenas no proce-dimento de binarização podem levar a er-ros em todas as fases, sabendo-se tam-bém que erros nas fases iniciais propa-gam-se para as fases seguintes, uma vez que estas dependem de informações da fase antecessora.
Este trabalho também abre espaço para a pesquisa de novos métodos, que permitam ser comparados com o desempenho deste, buscando assim um aperfeiçoamento da técnica, podendo chegar a um nível que possa ser implementado em ambiente ope-racional, de forma a gerar os ganhos rela-cionados à segurança dos vagões e me-lhor produtividade da inspeção.
Como trabalhos futuros, poderão ser me-lhorados os métodos apresentados neste trabalho, reduzindo sua taxa de erro, bem como realizar a medição de precisão da informação gerada pelo código, ou seja, qual o erro da medição gerada, em milíme-tros. E também poderá ser implementada técnicas de classificação, permitindo a comparação dos métodos, e a utilização de outras tecnologias para captura das imagens como, por exemplo, câmeras es-téreo, sendo possível diferenciar as cu-nhas pelo tratamento de profundidade na região das cunhas.
Finalmente, foi possível concluir o trabalho de medição da altura das cunhas de fric-ção nos truques dos vagões ferroviários, utilizando de técnicas simples de proces-samento de imagens e heurísticas mate-máticas, para gerar a informação de altura das cunhas de fricção dos vagões ferroviá-rios.
7. REFERÊNCIAS BIBLIOGRÁFICAS
GONZALEZ, Rafael C.; WOODS, Richard E. Processamento digital de imagens. 3. ed. São Paulo: Pearson Prentice Hall. 2010. 624 p.
JESUS, Rogério Eleotério. Rastreamento, Segmentação e Classificação de Caracteres em Placas de Aço. 2014. 33 f. Trabalho de Conclusão de Curso
(Pós-Graduação Lato Sensu em
Engenharia Elétrica com Ênfase em Sistemas Inteligentes Aplicados à Automação) - Instituto Federal do Espírito Santo, Vitória, 2014.
KINA, Edilson Jun. Concepção e
Manutenção de Vagões. 2014. 195 f. Apostila do Curso de Engenharia Ferroviária, Multivix / Vale, Vitória, 2014.
