Inspeção visual de cores com câmara hiperespectral: aplicação em linha de produção de peças automóveis
Publicado originalmente em: NDT.net – Open Access Archive and e-Library of Nondestructive Testing
Eduardo Assunção, Magno Guedes e Fábio Miranda | INTROSYS SA, Portugal
Resumo
O desenvolvimento de automóveis está cada vez mais focado na cor, o que representa um grande desafio tanto para fornecedores quanto para fabricantes. Os fabricantes devem estabelecer tolerâncias rigorosas de cor para cada componente colorido e especificar tanto a cor quanto a aparência.
Por outro lado, os fornecedores devem manter a precisão da cor na produção das peças, independentemente do tipo de material utilizado, para garantir a aceitação da cor pelos fabricantes de automóveis. Na indústria de cores, fórmulas de diferença de cor são usadas para fazer julgamentos imparciais sobre se os produtos fabricados devem ser aprovados ou reprovados. Esses julgamentos objetivos são baseados em medições instrumentais de cor que devem prever com precisão as variações subjetivas de cor.
A tecnologia de imagem hiperespectral (HSI) tem demonstrado fornecer dados úteis para uma variedade de aplicações em inúmeros setores, incluindo a ciência da cor.
Para medir e analisar diferenças de cor entre peças automóveis, propusemos o uso de algoritmos convencionais de ciência da cor em conjunto com a câmara hiperespectral Specim FX10, que possui uma infraestrutura flexível capaz de receber dados de uma Interface Genérica para Câmaras (GenICam) compatível com a interface Ethernet Gigabyte.
Os resultados mostraram que o uso de imagens hiperespectrais na produção oferece um grande potencial para fornecer informações de cor em tempo real, permitindo que desvios de cor sejam detectados precocemente e erros custosos na linha de produção sejam evitados.
Palavras-chave: Imagem hiperespectral, análise de cor, indústria automóvel
1. Introdução
A cor está a tornar-se cada vez mais relevante no design automóvel, representando um desafio tanto para fornecedores quanto para fabricantes. Os fabricantes devem estabelecer tolerâncias rigorosas de cor para cada componente colorido e especificar tanto a cor quanto a aparência, a fim de criar expectativas claras. Os fornecedores devem manter a precisão da cor na produção de peças estéticas, independentemente do tipo de material utilizado, para garantir a homogeneidade e a aceitação da cor pelos fabricantes de automóveis. Os fornecedores de peças precisam de soluções fiáveis para medir a cor e verificar a harmonia de cor entre os diferentes componentes antes de serem entregues ao fabricante de veículos【1】.
Atualmente, na indústria automóvel, o controlo de qualidade da cor de uma peça estética ou visível é determinado pela caracterização da cor medida. Para este fim, são utilizados dispositivos comercialmente disponíveis como o MA-5 QC【2】, BYK-mac【3】 e Nix Spectro 2【4】. Estes dispositivos medem amostras em várias geometrias por contacto. Este método é conhecido como medição direta【5】. Uma vez que este é um método manual, é impraticável para utilização numa linha de produção (ver Figura 1). Para resolver este problema, é necessária uma “medição indireta”.
Figura 1. Dispositivo comercial de medição de cor
Gómez et al. [5] propuseram uma medição indireta da cor para a análise de tintas automotivas usando um tele-espectroradiômetro PR-650 e um gabinete espectral com iluminação direcional (da BYK-Gardner). No entanto, o método ainda não é adequado para uso na linha de produção, pois foi desenvolvido para a realização de experimentos em laboratório.
No domínio da cor, cada cor espectral é definida pelo comprimento de onda da sua luz, e uma unidade comum de medição é o nanómetro (nm). As cores primárias estão nos seguintes intervalos de comprimento de onda: Violeta (450 nm e abaixo), Azul (450-480 nm), Azul-Verde (480-510 nm), Verde (510-550 nm), Verde-Amarelo (550-570 nm), Amarelo (570-590 nm), Laranja (590-630 nm) e Vermelho (630 nm e acima) [6]. Com base nesta definição, uma cor na superfície de um material pode ser caracterizada pela medição da distribuição espectral da luz (ou seja, a curva de reflectância). Isso pode ser feito com o auxílio de uma câmara hiperespectral.
As técnicas de imagem hiperespectral (HSI) têm mostrado um potencial significativo para uma ampla gama de aplicações em diversos campos, desde a pesquisa ambiental até a agricultura de precisão. Para criar conjuntos de dados com três dimensões, a distribuição de potência espectral (SPD) é medida (ou recuperada) para cada pixel da imagem (também chamada de cubo de dados) [7].
Foster et al. [8] publicaram um artigo introduzindo a imagem hiperespectral terrestre e algumas de suas aplicações na pesquisa da visão de cores humanas. Eles também descrevem transformações de imagem para exibições colorimétricas e renderização de cores. Magnusson et al. [9] forneceram um algoritmo que usa técnicas padronizadas para gerar imagens coloridas realistas a partir de HSI. O algoritmo converte cada banda espectral observável para um sistema de cores XYZ, que é então convertido para o espaço de cores padrão vermelho, verde e azul (sRGB). Dois conjuntos de dados HSI foram usados para validar a metodologia.
Morales et al. [10] descreveram o sistema de varredura hiperespectral da série Specim FX (câmara) (FX10 e FX17), que captura amostras HSI para exame e processamento para obter os dados essenciais sobre as propriedades espectrais das amostras em estudo. Raza et al. [7] compararam e avaliaram três câmaras hiperespectrais em termos da sua precisão colorimétrica. O estudo descreve uma configuração formal para a caracterização de dispositivos de imagem hiperespectral. Eles usam um ColorChecker de 24 patches para avaliar a precisão dos sistemas HSI representando 24 cores naturais.
Neste artigo, propomos usar a câmara de varredura hiperespectral Specim FX10 para medir e analisar as diferenças de cor entre peças automotivas. A contribuição deste artigo é apresentar uma medição de cor sem contato que pode ser usada na linha de produção para inspeção.
2. Materiais e Métodos
2.1 Sistema de imagem hiperespectral
O sistema HSI utilizado neste artigo foi a câmara de varredura FX10. Num único disparo, o sensor pode capturar todas as informações espectrais numa dimensão e informações espaciais na outra. Um mecanismo adicional móvel proporciona a varredura mecânica de todo o campo de visão dado e a capacidade de preencher a terceira dimensão do cubo de dados, permitindo a reconstrução da cena original [7]. Para mais informações sobre a FX10, consulte o manual do utilizador [11].
Coberturas de antenas GPS de veículos motorizados foram usadas para os experimentos. A Figura 2 ilustra a configuração experimental. Em (a), a câmara, a iluminação e a linha de varredura são representadas por um desenho. Em (b), a configuração real desenvolvida para o experimento pode ser vista. A esteira transportadora azul é usada para transportar as amostras de teste.
Figura 2. Configuração experimental: (a) Representação da câmara, iluminação e linha de varredura; (b) Configuração real do experimento com a esteira transportadora azul para as amostras de teste.
2.2 Recursos Computacionais
Foi utilizado um computador desktop com um processador Intel® Core™ i3-3220 CPU @ 3.30GHz, memória RAM de 16.0 GB, operando com o sistema operacional Windows 10 Professional para realizar os experimentos. Além disso, foi utilizado o interpretador Python com as bibliotecas Harvesters para acessar e controlar a câmara e Color-science para os algoritmos de cor.
2.3 Processamento de Dados
A câmara e as amostras (antenas) estão no centro da esteira transportadora. Isso significa que o centro da linha digitalizada coincide com o centro da amostra a ser testada. Portanto, após uma aquisição de linha, os dados de reflectância espectral associados aos 10 pixels centrais foram extraídos para análise.
A abordagem da ciência da cor foi utilizada para realizar a análise de cor com base na reflectância espectral adquirida. A reflectância espectral foi convertida em valores tristímulos CIE-XYZ (ou seja, as porções de luz primária vermelho-verde-azul que alcançam a correspondência de cor) usando as funções de correspondência de cor do observador fundamental CIE 2° (CMFs) [12]. Além disso, os valores de XYZ foram utilizados para derivar os valores de cor CIE Lab*, onde L* representa a luminosidade e varia de 0 a 100, e a* e b* representam os componentes cromáticos vermelho-verde e amarelo-azul, respectivamente, e variam de -128 a 127. Lab* é um espaço de cor uniforme, ou seja, um espaço no qual as diferenças de cor percebidas são proporcionais aos pontos uniformemente distribuídos [8]. Em resumo, os valores Lab* são representações numéricas das cores.
2.4 Diferença de Cor
Para a comparação de cores (avaliação), a diferença de cor Delta E (ΔE) é usada e dada como um único valor. Para este propósito, dois valores de cor (𝐿1∗𝑎1∗𝑏1 e 𝐿2∗𝑎2∗𝑏2) são utilizados como entrada para o cálculo do ΔE [8]. A fórmula de diferença de cor CIE76 é definida como:
De acordo com a literatura [13], um observador padrão percebe a diferença de cor conforme mostrado na Tabela 1.
Tabela 1: Como um observador padrão perceciona a diferença de cor
3. Resultados e Discussão
Dez amostras de coberturas de antenas de carros foram usadas para os experimentos (ver Figura 3). As amostras estão em pares (ou seja, duas amostras têm a mesma cor). Isso permite a avaliação do método proposto em termos de precisão. A razão é que amostras que têm a mesma cor perceptual também têm diferenças de cor ΔE muito pequenas. Além disso, há amostras que diferem ligeiramente na percepção. Nesse caso, o ΔE não deve ser muito pequeno. Finalmente, cores que são muito diferentes na percepção (por exemplo, amarelo e vermelho; vermelho e azul) devem ter um ΔE elevado.
Figura 3. Amostras de coberturas de antenas usadas para a experimentação
Na Tabela 2, são apresentados os resultados da análise de cor entre pares de amostras sem diferenças de cor perceptíveis. Os pares de valores Lab* (medidos) são usados para calcular o ΔE. As amostras brancas produzem o menor ΔE (0.11), seguidas das amostras cinzas com um ΔE de 0.28. As amostras amarelas apresentaram a maior diferença de cor com um ΔE de 0.9. Neste experimento, todos os valores de ΔE foram inferiores a um. De acordo com a literatura, os seres humanos não conseguem perceber uma diferença de cor cujo valor de ΔE seja inferior a um (ver Tabela 1). Estes resultados são esperados uma vez que as análises de cor foram realizadas em amostras da mesma cor (por exemplo, branco versus branco, cinza versus cinza, etc.).
Tabela 2: Resultados da análise de cor entre pares de amostras sem diferenças de cor perceptíveis
Na Tabela 3, são apresentados os resultados da análise de cor entre pares de amostras com diferenças de cor perceptíveis. A referência é feita à Tabela 1 para alguma explicação. A diferença de cor (ΔE) para as amostras branco versus cinza é de 5.22. As cores são muito próximas na percepção. Portanto, espera-se um valor pequeno de ΔE, mas deve ser maior que 5 (uma vez que uma diferença de cor significativa é observada). Valores de ΔE semelhantes (próximos a 45) são obtidos para as amostras amarelo versus vermelho e vermelho versus azul. São esperados grandes valores de ΔE para estas amostras, uma vez que as cores são muito diferentes. As amostras azul e branco são cores opostas. Portanto, o ΔE é o maior (71.91).
Tabela 3: Resultados da análise de cor entre pares de amostras com diferenças de cor perceptíveis
4. Conclusões
Neste estudo, foi proposto e descrito um método não invasivo projetado para automatizar a análise qualitativa de cor de peças automotivas usando uma câmara hiperespectral. As diferenças de cor entre as amostras foram analisadas, e os resultados são bastante promissores para a aplicação do método proposto na inspeção de peças automotivas na linha de montagem. Os resultados das diferenças de cor confirmam que o método pode distinguir cores ligeiramente diferentes e fortemente diferentes.
Um aspecto prático importante é que, para analisar a amostra como um todo, a câmara deve ser movida de acordo com a forma da amostra, uma vez que as peças de automóveis geralmente não são planas. Para esse fim, propomos fixar a câmara a um braço robótico.
Agradecimentos
A investigação que levou a estes resultados recebeu financiamento do Programa de Inovação e Desenvolvimento Portugal 2020 PO CI do Governo Português, sob o acordo de subvenção nº 45077, projeto CheckMate (Desenvolvimento de uma estação de verificação móvel para análise de características e testes estruturais após a montagem final de veículos automóveis).
[1] X-rite, “Color Measurement for Automotive Part Suppliers,” 2022. https://www.xrite.com/industry-solutions/automotive/automotive-part-suppliers (accessed Aug. 18, 2022).
[2] X-rite, “MA-5 QC: Actionable Color Measurement Tool for Effect Finishes,” 2022. https://www.xrite.com/categories/portable-spectrophotometers/mafamily/ma-5_qc (accessed Oct. 27, 2022).
[3] BYK, “Multi-angle color measurement,” 2022. https://www.bykinstruments.com/en/Multi-angle-color-measurement/c/p-32719 (accessed Oct. 27, 2022).
[4] Nix, “Nix Spectro 2 Spectrophotometer.” https://www.nixsensor.com/nix-spectro/ (accessed Nov. 15, 2022).
[5] O. Gómez et al., “Visual and instrumental assessments of color differences in automotive coatings,” Color Res. Appl., vol. 41, no. 4, pp. 384–391, Aug. 2016, doi: 10.1002/col.21964.
[6] “Spectral Color Reproduction,” in The Reproduction of Color, Chichester, UK: John Wiley & Sons, Ltd, 2005, pp. 1–8. doi: 10.1002/0470024275.ch1.
[7] A. Raza, D. Dumortier, S. Jost-Boissard, C. Cauwerts, and M. Dubail, “Accuracy of Hyperspectral Imaging Systems for Color and Lighting Research,” LEUKOS, pp. 1–19, Jun. 2022, doi: 10.1080/15502724.2022.2067866.
[8] D. H. Foster and K. Amano, “Hyperspectral imaging in color vision research: tutorial,” J. Opt. Soc. Am. A, vol. 36, no. 4, p. 606, Apr. 2019, doi: 10.1364/JOSAA.36.000606.
[9] M. Magnusson, J. Sigurdsson, S. E. Armansson, M. O. Ulfarsson, H. Deborah, and J. R. Sveinsson, “Creating RGB Images from Hyperspectral Images Using a Color Matching Function,” in IGARSS 2020 – 2020 IEEE International Geoscience and Remote Sensing Symposium, Sep. 2020, pp. 2045–2048. doi: 10.1109/IGARSS39084.2020.9323397.
[10] A. Morales et al., “Laboratory Hyperspectral Image Acquisition System Setup and Validation,” Sensors, vol. 22, no. 6, p. 2159, Mar. 2022, doi: 10.3390/s22062159.
[11] Specim, “Specim FX10 – User Manual,” 2022. https://www.stemmerimaging.com/media/uploads/cameras/specim-spectral-imaging/16/161584-Specim-FX10-Reference-Manual.pdf (accessed Nov. 15, 2022).
[12] “Colorimetry,” in Color Appearance Models, Chichester, UK: John Wiley & Sons, Ltd, 2013, pp. 56–84. doi: 10.1002/9781118653128.ch3.
[13] W. S. Mokrzycki and M. Tatol, “Color difference∆ E-A survey,” Mach. Graph. Vis, vol. 20, no. 4, pp. 383–411, 2011.
Encontre a solução certa para a sua empresa
Preencha o formulário e entraremos em contacto consigo o mais breve possível.