Resumen de Control estadístico de procesos mediante análisis multivariante de imágenes
1, Introducción El abaratamiento de la adquisición de imágenes en color en los procesos industriales ha llevado a la posibilidad de controlar los mismos a partir de la inspección visual automatizada de las primeras.
Así, tomando una imagen en color que caracteriza el proceso en condiciones normales de operación, es posible crear un módelo que acumule la mayor cantidad de información relevante posible, y a partir del mismo determinar si nuevas imágenes se adecuan al mismo, o no.
Una manera de enriquecer la información proporcionada por estas imágenes es incluir información de tipo textual, ya que ésta puede ayudar a caracterizar la imagen utilizada para crear el modelo, así como determinar la existencia de nuevas características o defectos presentes en las nuevas imágenes.
2. Estructura de los datos Las matrices de dimensión 4 que forman este tipo de imágenes tienen en realidad tres tipos diferentes de modos o direcciones de variación natural:
la información muestral, definida por la estructura bidimensional de los píxeles, que constituyen los objetos que se van a analizar, y que se despliegan a lo largo de la primera dirección; la información de carácter textual, formada por los píxeles adyacentes al que constituye la muestra y que forman la ventana de vecindad; y la información de carácter espectral, formada por los distintos canales de color a través de los cuales se recoge la información de este tipo. De esta manera se obiene una estructura interna 3-way del tipo OVV (Objeto, Variable, Variable).
3. Análisis multivariante de imágenes.
El análisis multivariante de estas imágenes 3-way puede llevarse a cabo utilizando metodologías de desplegado de la matriz del tipo Unfold-PCA o Unfold-PLS, o bien directamente a partir de los modelos N-way, tales como PARAFAC, Tucker 3 o N-PLS.
4. Enfoque de clasificación y detección de defectos.
Una vez caracterizadas la/a imagen/es "patrón", se pu
