En la actualidad, la visión artificial ha ganado la suficiente aceptación en el mundo industrial como para que diversos procesos de inspección, monitorización o predicción de la calidad se lleven a cabo a partir de esta tecnología.
Dentro de las múltiples alternativas a la hora de crear un sistema de control y mejora de la calidad basado en imágenes, las técnicas estadísticas multivariantes basadas en estructuras latentes suponen una potente alternativa a la hora de detectar defectos. monitorizar la evolución de un proceso o cuantificar la calidad final de una pieza.
MIA Code proporciona las herramientas básicas y necesarias para llevar a cabo este tipo de tareas, por medio de código desarrollado en Matlab que lleva a cabo todas las funciones desarrolladas hasta la fecha en el marco del Análisis Multivariante de Imágenes (MIA).
MIA code consta de dos aplicaciones. La primera se refiere a los procesos de vigilancia y procesos de inspección (control y clasificación), mientras que la segunda está más enfocada en la detección local, el aislamiento y la cuantificación de características.
Para la primera aplicación, se han desarrollado tres enfoques diferentes, aunque relacionados: el enfoque de ajuste a un modelo de patrón, que consiste simplemente en la proyección de una imagen sobre un modelo predefinido de PCA o Tucker3 predefinido; el enfoque SIMCA, que utilizan los mismos modelos multidireccionales; y el enfoque PLS-DA, basados en los modelos PLS y NPLS.
La segunda aplicación es un análisis en dos partes. La primera parte se centra en un estudio descriptivo descriptiva de la imagen, con el fin de encontrar las diferentes características existentes en ella; mientras que la segunda orientada al aislamiento y cuantificación de algún rasgo específico que sea de nuestro interés. Esto se lleva a cabo a través de la selección y selección de funciones.
Más información:
