Tipos de Filtrado Lineal en Visión Artificial: Guía Completa, Técnicas y Aplicaciones

El filtrado lineal en visión artificial es una técnica de procesamiento de imágenes en la que el valor de cada píxel de salida se obtiene mediante una combinación lineal de los valores de los píxeles situados en su entorno. Se utiliza principalmente para reducir el ruido, suavizar variaciones, mejorar la nitidez y resaltar bordes antes de que el sistema analice la imagen.

En una aplicación industrial, el filtrado lineal forma parte de la etapa de procesamiento y análisis de imagen. La imagen adquirida se preprocesa aplicando algoritmos y una serie de filtros específicos para detectar el producto en la imagen y resaltar las características clave de interés. La calidad de este procesamiento influye directamente en la precisión de tareas posteriores como la detección de defectos, la medición, la clasificación, la segmentación y el control de calidad.

Qué es el filtrado de imágenes

El filtrado es una técnica para modificar o mejorar una imagen. Por ejemplo, se puede filtrar una imagen para realzar ciertas características o eliminar otras. Algunas de las operaciones de procesamiento de imágenes que se implementan con filtros son el suavizado, el realce de la nitidez y la mejora de los bordes.

El filtrado es una operación de entorno, en la que el valor de un píxel particular de la imagen de salida se determina aplicando un algoritmo a los valores de los píxeles del entorno del píxel de entrada correspondiente. El entorno de un píxel es un conjunto de píxeles definido por sus ubicaciones en relación con dicho píxel.

Filtrado: El filtrado se aplica para reducir los niveles de ruido de una imagen suavizando las variaciones y distorsiones. Algunos filtros habituales son los filtros gaussianos para el desenfoque y los filtros de mediana para eliminar el ruido de sal y pimienta, que aparece como píxeles blancos y negros aleatorios.

Qué caracteriza al filtrado lineal

El filtrado lineal consiste en el filtrado en el que el valor de un píxel de salid es una combinación lineal de los valores de los píxeles del entorno del píxel de entrada.

En términos prácticos, el sistema recorre la imagen con una máscara o núcleo, multiplica cada píxel de la vecindad por un peso determinado y suma los productos obtenidos. El resultado de esa operación se asigna al píxel correspondiente de la imagen de salida.

El filtrado lineal es especialmente útil cuando se necesita realizar una transformación uniforme y determinista sobre toda la imagen. Su comportamiento depende del núcleo empleado, del tamaño de la vecindad y de los pesos asignados a cada posición.

Convolución y correlación

Convolución

Para realizar el filtrado lineal de una imagen, se debe llevar a cabo una operación denominada convolución. La convolución es una operación de entorno en la que cada píxel de salida es la suma ponderada de los píxeles de entrada del entorno.

La matriz de las ponderaciones se denomina el núcleo de convolución, también conocido como el filtro. Un núcleo de convolución es un núcleo de correlación que se ha girado 180 grados.

Para calcular un píxel mediante convolución se gira el núcleo 180 grados a partir del elemento central, se coloca el elemento central del núcleo girado sobre el píxel que se quiere calcular, se multiplica cada ponderación por el píxel situado debajo y se suman los productos individuales.

Correlación

La operación denominada correlación está estrechamente relacionada con la convolución. En una correlación, el valor de un píxel de salida también se calcula como la suma ponderada de los píxeles del entorno.

La diferencia es que la matriz de ponderaciones, en este caso denominada núcleo de correlación, no se gira durante el cálculo. Las funciones de diseño del filtro Image Processing Toolbox™ devuelven núcleos de correlación.

La distinción entre convolución y correlación es importante al interpretar un núcleo, sobre todo cuando sus pesos no son simétricos. En filtros simétricos, como muchos filtros de suavizado, el giro del núcleo puede no modificar el resultado visual.

Elementos que intervienen en un filtro lineal

Núcleo o máscara

El núcleo es una matriz de pesos que define cómo contribuyen los píxeles vecinos al cálculo del píxel de salida. Los núcleos pequeños, como los de 3x3, suelen permitir un procesamiento rápido y una modificación moderada de la imagen.

Los núcleos de mayor tamaño abarcan una región más amplia y producen un suavizado más intenso, aunque también pueden eliminar detalles, bordes y pequeñas estructuras relevantes para la inspección.

Vecindad

La vecindad es el conjunto de píxeles que rodea al píxel analizado. La forma más habitual es una región rectangular, aunque el efecto final depende de la distribución de los pesos dentro del núcleo.

Pesos

Los pesos determinan la importancia de cada píxel de la vecindad. Un filtro de media asigna pesos iguales, mientras que un filtro gaussiano asigna mayor peso a los píxeles cercanos al centro y menor peso a los más alejados.

Tratamiento de los bordes

Cuando el núcleo se desplaza por los extremos de la imagen, parte de la vecindad queda fuera de los límites. El sistema debe aplicar una estrategia de tratamiento de bordes para completar o interpretar esas posiciones antes de calcular el valor de salida.

La elección de esta estrategia puede afectar a los contornos, a las mediciones y a la detección de defectos situados cerca del borde de la imagen.

Por qué se utilizan filtros en visión artificial

Las imágenes sin procesar a menudo contienen ruido, iluminación inconsistente o dimensiones variables que pueden dificultar un análisis preciso. Para abordar esto, el preprocesamiento prepara los datos visuales para una interpretación confiable.

El proceso de la visión artificial comienza con la adquisición de imágenes, en la que una cámara o un sensor captura una escena visual. A continuación, esta imagen se convierte a formato digital, representada como una cuadrícula de píxeles.

Cada píxel contiene valores numéricos correspondientes al color y la intensidad, y forma una matriz que las computadoras pueden procesar matemáticamente. A partir de esta información sin procesar, un sistema de visión artificial aplica una serie de pasos computacionales.

El filtrado puede utilizarse para preparar una imagen antes de aplicar umbralización, detección de bordes, extracción de características, comparación con patrones, clasificación o detección de defectos.

Ruido en una imagen digital

El ruido es información no deseada en una imagen que causa una contaminación. Podemos notarla en una imagen como pixeles aislados con un nivel de gris distinto a los pixeles que lo rodeen, también llamados “Vecinos”.

Todas las imágenes tienen cierto grado de ruido, porque la acción de convertir una imagen óptica a una señal eléctrica continua que posteriormente es muestreada siempre nos generará un ruido en la imagen digital.

Podemos identificar dos puntos clave que causan ruido en una imagen: La fuente que genera la imagen, como la cámara o los sensores ópticos, y el medio en que se transmite la señal eléctrica generada.

Ruido gaussiano

Podemos identificarlo como ligeras variaciones en una imagen. El pixel toma el valor deseado pero se le agrega una cantidad de error, conocido como “variable aleatoria gaussiana”.

Este error normalmente es generado por perturbaciones al momento de transmitir las señales electicas o errores de ganancias en la cámara.

Ruido de sal y pimienta

El ruido “Sal y pimienta” o impulsional puede identificarse como una gran variación en el pixel respecto a su valor ideal. No tiene una relación alguna con el valor deseado ni con sus pixeles vecindarios.

El valor del pixel es únicamente el valor del ruido, y regularmente este valor está en los extremos altos o bajos, generando por lo tanto puntos blancos y negros, de ahí el nombre “Sal y pimienta”.

Este ruido es generado cuando el valor del pixel tomado por el sensor es mínimo, pierde la señal y no logra captarlo o cuando el sensor se satura, regularmente causado por trabajar con la cámara en altas temperaturas.

Principales tipos de filtrado lineal

Filtro de media

El filtro de media ayuda a suavizar la imagen disminuyendo la variación que hay entre los pixeles de un vecindario. Consiste en revisar pixel por pixel y calcular el valor de la media de los pixeles vecinos.

El resultado obtenido será el nuevo valor del pixel analizado. Como todos los píxeles de la vecindad reciben la misma importancia, las variaciones locales se reducen y la imagen adquiere un aspecto más uniforme.

El filtro de media puede ser útil para reducir variaciones suaves y ruido distribuido, pero también puede producir borrosidad. Al sustituir cada píxel por un promedio, los bordes y los detalles pequeños pueden perder definición.

En una máscara de 3x3, el valor de salida se obtiene a partir de los nueve píxeles de la vecindad. Una máscara de 9x9 utiliza una región mucho mayor y genera un suavizado más fuerte.

Aplicación del filtro de media en MATLAB

La sintaxis para crear el filtro de la media 3x3 en MATLAB es la siguiente:

Nombre_filtro=fspecial('average');

Si quisiéramos crear un filtro 9x9 de media la sintaxis sería la siguiente:

Nombre_filtro=fspecial('average',[9,9]);

Y para aplicarle el filtro a la imagen, la sintaxis en MATLAB sería la siguiente:

Nueva_imagen=imfilter(Imagen_con_ruido,Nombre_filtro);

Donde Nueva_imagen es el nombre que queramos darle a la imagen ya filtrada, Imagen_con_ruido es el nombre de la imagen que tiene ruido y Nombre_filtro es el nombre que le dimos al filtro creado previamente.

Filtro gaussiano

El filtro gaussiano, como su nombre lo indica, es mejor utilizarlo cuando se presenta el ruido gaussiano. Tiene la capacidad de suavizar la imagen, eliminando el ruido, pero como consecuencia también provoca un efecto de borrosidad y pérdida de nitidez.

Al igual que el filtro de la media, se utiliza una máscara basada en una función gaussiana. Sin embargo, sus pesos no son uniformes: los píxeles próximos al centro tienen una influencia mayor que los píxeles alejados.

Esta distribución produce un suavizado progresivo y suele ofrecer un comportamiento más natural que el filtro de media. Aun así, un suavizado excesivo puede eliminar bordes, texturas y pequeñas anomalías que resulten importantes para la inspección.

Aplicación del filtro gaussiano en MATLAB

La sintaxis para crear el filtro gaussiano en MATLAB es la siguiente:

Nombre_filtro=fspecial('gaussian');

Y para aplicarle el filtro a la imagen, la sintaxis en MATLAB sería la siguiente:

Nueva_imagen=imfilter(Imagen_con_ruido,Nombre_filtro);

Filtros lineales de realce y detección de bordes

El filtrado lineal también puede utilizarse para realzar la nitidez y mejorar los bordes. En estos casos, el núcleo se diseña para responder a cambios bruscos de intensidad en lugar de promediar los valores de la vecindad.

La detección de bordes se utiliza para identificar los límites de los objetos en una imagen detectando cambios bruscos en la intensidad de los píxeles. Aplicaciones como las de imágenes médicas utilizan la detección de bordes para delimitar la estructura de órganos y tumores.

Los filtros de realce pueden hacer más visibles los contornos y las pequeñas variaciones de intensidad, pero también pueden amplificar el ruido. Por este motivo, suele ser necesario controlar el suavizado previo y ajustar los parámetros a las características de la imagen.

Filtro de media frente a filtro gaussiano

Característica	Filtro de media	Filtro gaussiano
Distribución de pesos	Pesos iguales dentro de la vecindad	Mayor peso en el centro y menor en los extremos
Aplicación habitual	Suavizado general y reducción de variaciones	Reducción de ruido gaussiano
Efecto principal	Uniformiza los valores de los píxeles	Suaviza de forma progresiva
Riesgo principal	Pérdida de bordes y detalles	Borrosidad y pérdida de nitidez
Tamaño mencionado	3x3 y 9x9	Máscara basada en una función gaussiana

Filtro de mediana: diferencia frente al filtrado lineal

El filtro de mediana es recomendado cuando tenemos ruido tipo “Sal y pimienta”, consiste en calcular la mediana utilizando el conjunto de pixeles vecinos al pixel que queremos analizar.

Por lo tanto, si tenemos un pixel muy distinto al del entorno, como ocurre con el ruido “Sal y pimienta”, este tomará el valor de la mediana con respecto a sus pixeles vecinos.

Por ejemplo, si tenemos la siguiente vecindad de pixeles:

Vecindad = {2 , 17 , 17 , 17 , 18 , 18 , 19 , 19 , 19}

Mediana = 18

El pixel que antes tenía el valor de “2” ahora valdrá “18”. Como pueden ver, el valor de 2 es muy bajo con respecto al de sus vecinos, lo que indica que probablemente es ruido, por lo tanto, este quedaría eliminado al tomar un valor muy parecido al del vecindario, en este caso “18”.

La mediana no calcula una combinación lineal de los valores de la vecindad, sino que ordena los valores y selecciona el situado en la posición central. Por ello, técnicamente es un filtro no lineal, aunque suele estudiarse junto con los filtros lineales como técnica básica de reducción de ruido.

La sintaxis para aplicar este filtro en MATLAB es algo distinta a la de la media. En la de la media primero creábamos un filtro y luego lo aplicábamos en la imagen. En este ambos procesos se hacen con una sola línea de código:

Nueva_imagen=medfilt2(Imagen_con_ruido);

Comparación entre filtros lineales y no lineales

Tipo de filtro	Principio de funcionamiento	Ruido o finalidad habitual	Limitación principal
Media	Promedio de los valores de la vecindad	Suavizado general	Puede difuminar bordes y detalles
Gaussiano	Suma ponderada con distribución gaussiana	Ruido gaussiano y suavizado	Puede provocar borrosidad y pérdida de nitidez
Mediana	Selección del valor central tras ordenar la vecindad	Ruido de sal y pimienta	No es un filtro lineal
Realce de bordes	Combinación ponderada que responde a cambios de intensidad	Nitidez y contornos	Puede amplificar el ruido

Filtrado lineal dentro del sistema de visión artificial

La inspección basada en visión artificial se lleva a cabo mediante un sistema de visión artificial. Un Sistema de Inspección por Visión Artificial consta de componentes de hardware, el cuerpo del sistema, y software de visión artificial, que puede considerarse como el cerebro del sistema.

Los componentes básicos de un Sistema de Visión Artificial incluyen sensores que identifican la presencia de objetos entrantes, cámaras utilizadas para adquirir imágenes de los objetos que se van a inspeccionar, luces y, a menudo, una carcasa para asegurar una iluminación óptima para la adquisición de imágenes.

También pueden incluir un PLC para controlar la lógica del sistema, una computadora industrial que ejecuta el software de visión artificial que analiza las imágenes adquiridas y proporciona una HMI, y un panel de operador que visualiza datos y permite a los operadores controlar el sistema.

El filtrado se aplica después de la adquisición de imagen y antes de que el sistema extraiga características o evalúe el producto. Nada sucede sin una adquisición de imagen exitosa. Usar la óptica y la técnica de iluminación adecuadas es clave para asegurar una alta calidad de imagen, lo cual es fundamental para llevar a cabo un análisis preciso y confiable y, por lo tanto, un control de calidad.

Etapas del procesamiento

Primero, cuando el objeto entrante se acerca al sistema, es detectado por un sensor. Las fuentes de luz y las cámaras actúan sobre la entrada del sensor iluminando el área y capturando una imagen del objeto en el momento exacto.

La imagen adquirida se preprocesa aplicando algoritmos y una serie de filtros específicos para detectar el producto en la imagen y resaltar las características clave de interés. Basado en la imagen filtrada, se utilizan algoritmos para generar un objeto de datos, datos que contienen las características de las características destacadas del objeto inspeccionado.

El diseño de un algoritmo impacta la eficiencia del procesamiento y análisis de imágenes. Algoritmos potentes facilitan una inspección visual precisa y de alta velocidad, y por lo tanto maximizan la calidad del producto y el rendimiento.

El software del sistema compara el objeto de datos extraído, es decir, las características de las características clave destacadas del objeto con un conjunto de tolerancias predefinidas, que define el nivel de calidad objetivo de un productor.

Finalmente, basado en la comparación entre los resultados del procesamiento y las tolerancias establecidas, el sistema toma decisiones. El objeto inspeccionado recibirá una clasificación, por ejemplo, aprobado o rechazado.

Filtrado lineal y extracción de características

Como se señaló anteriormente, las características son atributos o patrones medibles dentro de una imagen, como bordes, esquinas, texturas o formas, que capturan información esencial sobre su contenido.

Los algoritmos o las redes neuronales identifican y extraen estas características mediante la detección de regularidades estadísticas o estructuras espaciales. Esto convierte los datos de píxeles en representaciones estructuradas, lo que permite a los sistemas reconocer objetos, clasificar escenas y obtener información significativa a partir de la información visual.

El preprocesamiento puede centrarse en mejorar la calidad de la imagen o normalizar los datos, mientras que la extracción de características identifica patrones como bordes, texturas o formas.

Estos patrones se introducen en modelos de aprendizaje automático o redes neuronales profundas que clasifican, detectan o segmentan objetos basándose en patrones aprendidos previamente.

Relación con otros métodos de procesamiento

Normalización

La normalización escala los valores de los píxeles a un rango consistente. Esta operación ayuda a que las imágenes presenten una escala comparable antes de ser procesadas por algoritmos posteriores.

Redimensionamiento

El redimensionamiento garantiza que las imágenes compartan dimensiones uniformes para la entrada del modelo. Puede utilizarse antes o después de determinadas operaciones de filtrado, según el objetivo del sistema.

Aumento de datos

El aumento genera variaciones, como rotaciones, giros y cambios de color, para mejorar la robustez y reducir el sobreajuste. No es un filtro lineal aplicado directamente para limpiar una imagen, pero puede complementar el procesamiento utilizado durante el entrenamiento de modelos.

Umbralización

La umbralización en el procesamiento de imágenes consiste en convertir una imagen en escala de grises en una imagen binaria estableciendo un valor umbral. Los píxeles que están por encima del umbral se vuelven blancos y los que están por debajo se vuelven negros.

El filtrado lineal puede aplicarse antes de la umbralización para reducir pequeñas variaciones y conseguir una separación más estable entre el objeto y el fondo.

Filtrado lineal y redes neuronales convolucionales

Una gran parte de lo que ha impulsado el progreso en el campo de la visión artificial han sido los avances en el aprendizaje profundo y las redes neuronales convolucionales, CNN.

A diferencia de los algoritmos tradicionales que se basan en reglas que se definen manualmente, las CNN procesan las imágenes de forma jerárquica, y aprenden características de bajo nivel, como bordes y texturas, antes de pasar a conceptos de alto nivel, como objetos o escenas.

Las capas convolucionales aplican filtros a la imagen para detectar patrones locales, mientras que las capas de agrupamiento reducen la dimensionalidad al resumir regiones, lo que hace que el modelo sea más eficiente y robusto al encontrarse con imágenes diferentes pero relacionadas.

En un filtro lineal tradicional, el núcleo se define explícitamente y permanece fijo durante la aplicación. En una red neuronal convolucional, los pesos de las capas convolucionales se ajustan durante el entrenamiento para aprender patrones relevantes a partir de los datos.

Por último, las capas totalmente conectadas integran las características extraídas para producir resultados tales como clasificaciones o predicciones. Este enfoque refleja aspectos de la percepción humana, pero está optimizado para la eficiencia computacional.

Aplicaciones industriales del filtrado lineal

Los sistemas de visión artificial se han convertido en una herramienta fundamental para el control de calidad dentro de diferentes tipos de industria. Una de las misiones de estos sistemas es la detección de defectos con visión artificial, clave en cualquier línea de producción.

Cuando hablamos de los sistemas de detección de defectos con visión artificial, nos referimos a un proceso por el cual, mediante el uso de algoritmos y técnicas de procesamiento de imágenes, se detectan automáticamente defectos en los productos o materiales de una industria.

Todo ello lo consigue mediante el análisis de imágenes o vídeos capturados de los objetos en tiempo real o en una etapa de la producción. El filtrado lineal puede ayudar a que las características relevantes sean más visibles antes de la clasificación o de la decisión de rechazo.

Inspección de piezas metálicas

Es en la detección de defectos en piezas metálicas donde más se está haciendo uso de esta tecnología. Para ello, se combinan diferentes sistemas de iluminación y técnicas de procesamiento de imágenes capaces de detectar defectos no visibles a simple vista.

Entre estos defectos destacan las grietas, los poros o los agujeros, que pueden afectar a la calidad y la durabilidad del producto final. Además, la detección de estas imperfecciones puede realizarse de forma más rápida y precisa que por medio de la inspección visual humana.

Un filtro de suavizado puede reducir variaciones producidas por el sensor, mientras que un filtro de realce puede ayudar a destacar cambios de intensidad asociados a bordes o discontinuidades. La elección debe hacerse de acuerdo con el tamaño, el contraste y la forma del defecto.

Industria alimentaria

Dentro del sector dedicado a los alimentos, también está creciendo el uso de sistema de detección de defectos con visión artificial. Estos son muy útiles en el control de calidad y seguridad en la producción en masa de alimentos.

Estos sistemas permiten detectar partículas extrañas en alimentos líquidos o envasados, detectar pelos en las carnes o detectar huevos rotos en una caja. También pueden detectar el nivel correcto de líquido o producto en un envase y comprobar el etiquetado.

Los productores de alimentos pueden utilizar la inspección por visión artificial para realizar inspección de la apariencia de alimentos y empaques, verificación de presencia o ausencia, verificación de orientación, verificación de cantidad y forma e inspección de color.

También pueden realizar detección de objetos extraños, inspección y validación de sellos, verificación y control de etiquetas, lectura y verificación de marcas de fecha impresas y lectura y verificación de códigos de barras y códigos QR.

Electrónica

La detección de defectos con visión artificial está siendo empleada en la producción electrónica, para la detección de componentes y para la inspección del montaje de placas.

El filtrado puede utilizarse para reducir ruido, resaltar pistas, separar componentes del fondo y mejorar el contraste de pequeñas estructuras antes de aplicar herramientas de medición o clasificación.

Textiles, neumáticos, vidrio, plásticos y cerámica

También vemos que estos sistemas se emplean en el control de calidad de productos como textiles, neumáticos, vidrio, plásticos y cerámica.

En estos sectores, las variaciones de textura, color, forma y reflectividad pueden dificultar la inspección. El filtrado debe configurarse para mejorar la característica que se desea medir sin eliminar el defecto que se intenta detectar.

Filtrado en sistemas de alineado

Los sistemas de visión artificial para alineado son tecnologías que utilizan cámaras, sensores y algoritmos de procesamiento de imagen para detectar, medir y corregir la posición de piezas o materiales dentro de un proceso industrial.

Su objetivo principal es garantizar que los elementos estén correctamente alineados antes o durante operaciones críticas como el corte, ensamblaje o mecanizado. Estos sistemas capturan imágenes en tiempo real y las comparan con patrones predefinidos o referencias geométricas.

El filtrado lineal puede ayudar a mejorar el contraste de las referencias, suavizar variaciones de la superficie y facilitar la localización de contornos o marcas. A partir de este análisis, se generan señales de control que permiten ajustar automáticamente la posición del material o de la herramienta.

En procesos como el corte láser, estos sistemas permiten alinear con precisión chapas o piezas previamente procesadas, optimizando el aprovechamiento del material y garantizando cortes exactos incluso en geometrías complejas.

Visión 2D

La visión 2D utiliza imágenes bidimensionales para detectar contornos, marcas o referencias en superficies planas. Es común en procesos de corte y posicionamiento de chapa.

Visión 3D

La visión 3D permite obtener información de profundidad y volumen, ideal para piezas con geometrías complejas o superficies irregulares.

Cámaras lineales

Los sistemas con cámaras lineales, line scan, capturan imágenes de alta resolución en movimiento continuo, útiles en procesos de producción en línea.

Sistemas basados en inteligencia artificial

Los sistemas basados en inteligencia artificial incorporan aprendizaje automático para mejorar la detección de patrones y adaptarse a variaciones en las piezas.

Factores que condicionan el resultado del filtrado

Iluminación

El sistema de iluminación es clave en el funcionamiento de un sistema de detección de defectos con visión artificial. Una buena iluminación permite que la cámara capture imágenes claras y nítidas, lo que resulta en una mayor precisión en la detección de defectos.

Es importante que la iluminación se adapte a las condiciones específicas de cada caso, ya que puede haber factores externos que afecten la calidad de las imágenes captadas.

La iluminación deficiente puede generar sombras, reflejos y zonas saturadas que ningún filtro puede corregir completamente. Por ello, la mejora del filtrado debe comenzar con una adquisición estable y repetible.

Cámara y óptica

La elección de la cámara de visionado adecuada es fundamental para asegurar un correcto funcionamiento del sistema de detección de defectos. Debe elegirse una cámara con la resolución y velocidad de captura necesarias para la correcta identificación de los defectos.

Además, se deben tomar en cuenta otros factores como el tamaño de la lente, la distancia focal y la orientación para que el sistema sea más efectivo.

Resolución

La resolución de la cámara determina el nivel de detalle de la imagen. Si el defecto ocupa muy pocos píxeles, el filtrado puede suavizarlo o eliminarlo en lugar de hacerlo más visible.

Tiempo de respuesta

El tiempo de respuesta es importante en procesos de alta velocidad. Los filtros lineales suelen ser adecuados para aplicaciones en tiempo real porque pueden aplicarse de manera eficiente mediante operaciones de convolución.

Calibración

La calibración del sistema asegura la correspondencia entre la imagen y las coordenadas reales. Una imagen correctamente filtrada no compensa una calibración incorrecta cuando se necesitan mediciones o posicionamientos precisos.

Cómo elegir un filtro lineal

La elección del filtro depende del tipo de ruido, de la característica que se quiere destacar, de la velocidad de producción y del grado de detalle que debe conservarse.

Para reducir variaciones generales puede utilizarse un filtro de media.
Para suavizar ruido gaussiano puede utilizarse un filtro gaussiano.
Para eliminar ruido de sal y pimienta se recomienda el filtro de mediana, aunque no sea lineal.
Para realzar contornos se utilizan núcleos diseñados para responder a cambios de intensidad.
Para conservar detalles pequeños debe evitarse un suavizado excesivo.
Para aplicaciones de alta velocidad deben considerarse el tamaño del núcleo y el tiempo de procesamiento.

El tamaño del núcleo también debe relacionarse con el tamaño del defecto. Un núcleo demasiado grande puede borrar una grieta, un poro, un borde o una marca pequeña, mientras que un núcleo demasiado pequeño puede no reducir suficientemente el ruido.

Ejemplos de aplicación en MATLAB

Agregar ruido a una imagen

Podemos agregarle ruido a una imagen en MATLAB. El ruido que se le puede introducir es variado, por ejemplo gaussiano, sal y pimienta, etc.

La sintaxis para agregar ruido es la siguiente:

Nueva_imagen = imnoise(imagen_original,'tipo_ruido',densidad);

Ruido de sal y pimienta con filtros de media

El siguiente ejercicio introduce ruido “Sal y pimienta” a una imagen y trata de eliminarlo mediante un filtro de la media 3x3 y 9x9.

original= imread('cameraman.tif');

ruido=imnoise(original,'salt & pepper',0.05);

media3x3=fspecial('average');

media9x9=fspecial('average',[9,9]);

im_filtrada_3x3=imfilter(ruido,media3x3);

im_filtrada_9x9=imfilter(ruido,media9x9);

En este caso se comparan dos tamaños de núcleo. El filtro de media 3x3 realiza un suavizado más moderado, mientras que el filtro de media 9x9 actúa sobre una vecindad más amplia.

Ruido gaussiano con filtros gaussiano y de media

El siguiente ejercicio introduce ruido gaussiano a una imagen y trata de eliminarlo mediante filtros de la media y filtro gaussiano.

original=imread('cameraman.tif');

ruido=imnoise(original,'gaussian');

gauss=fspecial('gaussian');

media=fspecial('average');

filtrado_gauss=imfilter(ruido,gauss);

filtrado_media=imfilter(ruido,media);

La comparación permite observar la diferencia entre un núcleo con pesos uniformes y un núcleo con distribución gaussiana.

Comparación de filtros con distintos ruidos

También se pueden crear distintos tipos de ruidos y probar con distintos tipos de filtros.

original=imread('cameraman.tif');

ruido_gauss= imnoise(original,'gaussian');

ruido_sp= imnoise(original,'salt & pepper',0.1);

media= fspecial('average');

filtrado_media1=imfilter(ruido_gauss,media);

filtrado_media2=imfilter(ruido_sp,media);

filtrado_mediana1=medfilt2(ruido_gauss);

filtrado_mediana2=medfilt2(ruido_sp);

La comparación muestra que el filtro más adecuado depende de la naturaleza del ruido. El filtro de media puede suavizar tanto el ruido gaussiano como el impulsional, pero el filtro de mediana está especialmente indicado para valores aislados muy diferentes de sus vecinos.

Ventajas del filtrado lineal en inspección industrial

Los algoritmos de detección de defectos con visión artificial están diseñados para ser altamente precisos en la detección de defectos. Son capaces de identificar incluso los defectos más pequeños o sutiles que podrían pasarse por alto en inspecciones manuales.

La visión artificial permite realizar inspecciones rápidas y automáticas de los productos. Los sistemas de visión pueden analizar imágenes o vídeos en tiempo real, lo que acelera el proceso de inspección en comparación con los métodos manuales, que pueden ser más lentos y propensos a errores.

La visión artificial permite realizar inspecciones en tiempo real durante el proceso de producción. Esto significa que los defectos se podrán detectar y corregir de inmediato, lo que minimiza el tiempo de inactividad y los desperdicios.

Los sistemas de visión artificial pueden capturar y almacenar imágenes o vídeos de los productos inspeccionados. Esto proporciona un registro visual de la calidad del producto y facilita la trazabilidad en caso de reclamaciones o problemas de calidad posteriores.

La visión artificial permite inspeccionar los productos sin dañarlos. Esto es especialmente importante en sectores como la electrónica o la medicina, donde los productos son sensibles y cualquier daño podría ser costoso o comprometer su funcionamiento.

Limitaciones y precauciones

El filtrado no puede compensar una imagen mal adquirida, una iluminación inestable, una óptica inadecuada o una resolución insuficiente. La iluminación, los ángulos de la cámara y la posición del producto deben mantenerse altamente consistentes cuando se utilizan métodos basados en reglas.

Un filtro demasiado intenso puede eliminar precisamente la característica que se desea detectar. Esto puede ocurrir con grietas finas, poros pequeños, arañazos, bordes estrechos, textos o cambios sutiles de color.

Los sistemas de visión industrial suelen necesitar unas condiciones de iluminación excelentes para iluminar los productos en entornos industriales. También se necesitan cámaras, procesadores y aceleradores de hardware de alta calidad para capturar datos y acelerar el proceso de análisis.

Una consecuencia directa de que estos sistemas estén diseñados específicamente para tareas prácticas en entornos industriales es que su instalación puede resultar cara.

Filtrado lineal y algoritmos basados en reglas

Los sistemas basados en reglas analizan características específicas de un objeto, como el color, la forma o los valores en escala de grises, y los comparan con umbrales o patrones establecidos.

Una hoja de papel blanca con manchas puede ser marcada como defectuosa porque las manchas muestran un valor en escala de grises distinto del fondo. Un producto que carece de un logotipo estándar puede considerarse no conforme a través del emparejamiento de plantillas.

Estos sistemas ofrecen facilidad de implementación porque las reglas son sencillas de programar una vez que los patrones de características están bien definidos. También presentan un bajo costo computacional debido a sus requisitos mínimos de hardware y a sus cálculos deterministas.

Sin embargo, tienen demandas ambientales rígidas: la iluminación, los ángulos de la cámara y la posición del producto deben mantenerse altamente consistentes. Su adaptabilidad también es limitada ante variaciones en la apariencia del producto o defectos irregulares.

Los filtros lineales pueden formar parte de este enfoque como etapa de preprocesamiento. Por ejemplo, pueden suavizar una imagen antes de aplicar un umbral o realzar un borde antes de comparar una dimensión con una tolerancia.

Filtrado lineal y aprendizaje profundo

El aprendizaje profundo imita los procesos cognitivos humanos entrenando redes neuronales con grandes conjuntos de datos. A diferencia de los sistemas basados en reglas, estos algoritmos extraen características de las imágenes de manera autónoma.

El entrenamiento requiere cientos a miles de imágenes etiquetadas, con una fuerte dependencia de muestras defectuosas. En la fabricación, los defectos suelen ser raros, lo que exige fases prolongadas de recolección de datos.

Los filtros basados en reglas pueden preprocesar imágenes para reducir las cargas de trabajo de aprendizaje profundo, mientras que las herramientas de generación de datos sintéticos alivian las carencias de muestras de entrenamiento.

La elección entre algoritmos basados en reglas y de aprendizaje profundo depende de casos de uso específicos. Los sistemas basados en reglas se destacan en la producción en alto volumen y estandarizada, mientras que el aprendizaje profundo brilla en escenarios de bajo volumen y alta variabilidad o cuando los defectos no tienen patrones predecibles.

Evaluación del resultado del filtrado

La evaluación no debe basarse únicamente en si la imagen parece más limpia. El resultado debe medirse según la capacidad del sistema para detectar, medir o clasificar correctamente el objeto inspeccionado.

El sistema compara el objeto de datos extraído con un conjunto de tolerancias predefinidas. En función de la comparación entre los resultados del procesamiento y las tolerancias establecidas, el objeto inspeccionado recibirá una clasificación, por ejemplo, aprobado o rechazado.

Algunos sistemas de visión artificial podrán rechazar el producto o iniciar advertencias, alarmas, etc. También pueden utilizar los datos de inspección recopilados para detectar tendencias en la producción y dar recomendaciones a los operadores de máquinas para la optimización de la producción.

Un resumen de los datos de producción puede ayudar a los fabricantes a entender por qué ocurren productos defectuosos y errores y apoyarlos en la identificación de causas raíz. Además, el ajuste de los parámetros del proceso puede ser monitoreado y evaluado para optimizar la producción general.

Buenas prácticas para aplicar filtros lineales

Comenzar con una adquisición de imagen estable y una iluminación adecuada.
Identificar si el ruido es gaussiano, impulsional o consecuencia de una variación de iluminación.
Elegir el filtro según la característica que se necesita conservar o resaltar.
Probar varios tamaños de núcleo, como 3x3 y 9x9, cuando sea necesario comparar niveles de suavizado.
Comprobar que el filtrado no elimine defectos pequeños o bordes relevantes.
Evaluar el tiempo de procesamiento cuando la inspección se realiza en una línea de alta velocidad.
Validar el resultado con imágenes normales y defectuosas.
Comparar la imagen filtrada con las tolerancias y decisiones reales del sistema.
Registrar los resultados para detectar cambios en el proceso de producción.

La efectividad de la visión por computadora depende de alinear las capacidades algorítmicas con las realidades operativas. La estabilidad de cualquier sistema se centra en tres factores: la uniformidad del producto, el control ambiental y la diversidad de muestras.

La CONVOLUCIÓN en las REDES CONVOLUCIONALES

El papel del filtrado en la visión artificial moderna

La visión artificial es un campo de estudio dentro de la informática que se centra en permitir que las máquinas analicen y comprendan la información visual lo más fielmente posible a como lo hacen los seres humanos mediante el poder de la vista.

En esencia, la visión artificial consiste en generar información significativa a partir de imágenes o videos sin procesar, para que los sistemas tecnológicos puedan reconocer objetos, detectar patrones y tomar decisiones basadas en la información visual.

El procesamiento de imágenes se centra en manipular y mejorar imágenes y fotogramas de vídeo, mientras que la visión artificial va un paso más allá al utilizar estas imágenes procesadas para ayudar a los ordenadores a interpretar y comprender su contenido.

La visión industrial, por otro lado, aplica técnicas de visión artificial específicamente en entornos industriales, por ejemplo, para tareas de inspección y control de calidad. El filtrado lineal pertenece principalmente al procesamiento de imágenes, pero sus resultados sirven de base para muchas tareas de visión artificial y visión industrial.

La capacidad de transformar datos de píxeles sin procesar en resultados significativos es lo que hace que las capacidades de visión artificial sean útiles y valiosas. En este proceso, los filtros lineales aportan una herramienta matemática sencilla, rápida y adaptable para preparar la imagen antes de la interpretación visual.

tags: #tipos #de #filtrado #lineal #vision #artificial