1
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
RNPS 2487 • ISSN 2708-3411
Vol. 5 • Nro. 1 • ene-mar 2024 • e245
ARTÍCULO ORIGINAL
Módulo de captura de imágenes para
monitoreo de procesos industriales basado
en tecnologías de Industria 4.0
Image capture module for monitoring industrial processes based on
Industry 4.0 technologies
Onell Hernández Ramírez
onell.hernandez@umcc.cu • https://orcid.org/0000-0002-6252-6564
Ramón Quiza
ramon.quiza@umcc.cu • https://orcid.org/0000-0003-1293-6044
Yanelys Cuba Arana
yanelys.cuba@umcc.cu • https://orcid.org/0000-0002-9535-8253
Marcelino Rivas Santana
marcelino.rivas@umcc.cu • https://orcid.org/0000-0002-0305-515X
Recibido: 2024-01-11 • Aceptado: 2024-02-29
RESUMEN
Este artículo está dirigido a la implementación de un módulo de captura y preprocesamiento
de imágenes para monitoreo de procesos industriales. El módulo forma parte de una
arquitectura de monitoreo ligera, abierta e inteligente, basada en tecnologías de Industria 4.0.
Para la implementación del módulo se utilizaron componentes de hardware y herramientas
de software abiertos. La trasmisión se implementó sobre protocolo MQTT. Se incluyeron
diversas técnicas de preprocesamiento, como: filtrado gaussiano, transformación a espacio
HVS, segmentación por color, extracción de la región de interés, rotación y escalado. En el caso
de estudio utilizado para comprobar el funcionamiento del módulo, este mostró eficacia y
eficiencia para la realización de las tareas correspondientes.
Palabras clave:
procesamiento digital de imágenes, Industria 4.0, monitoreo industrial.
ABSTRACT
This work is aimed at the implementation of an image capture and preprocessing module for
industrial process monitoring. This module is part of a lightweight, open and intelligent
monitoring architecture based on Industry 4.0 technologies. Both open hardware components
and software tools were used to implement the module. The transmission was implemented
over MQTT protocol. Various preprocessing techniques were included, such as Gaussian
2
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Módulo de captura de imágenes para monitoreo de
procesos industriales basado en tecnologías de Industria 4.0
Hernández Ramírez, O., Quiza, R.,
Cuba Arana, Y., Rivas Santana, M.
filtering, transformation to HVS space, color segmentation, region of interest extraction,
rotation and scaling. In the case study used to test the performance of the module, it showed
effectiveness and efficiency in performing the corresponding tasks.
Keywords:
digital image processing, Industry 4.0, industrial monitoring.
INTRODUCCIÓN
La Industria 4.0, también conocida como la cuarta revolución industrial, es un término utilizado para describir
la automatización y digitalización en curso de la fabricación y otras industrias. Implica la integración de tecnologías
avanzadas como el Internet de las Cosas (Internet of Things, IoT), la computación en la nube, la inteligencia artificial
(IA) y el aprendizaje automático para crear fábricas y cadenas de suministro «inteligentes» (Rahman et al., 2023).
La Industria 4.0 se caracteriza por el uso de sensores, máquinas y sistemas interconectados que se comunican
entre sí y con los seres humanos en tiempo real, lo que permite una mayor transparencia, eficiencia y flexibilidad en
los procesos de fabricación (Lemstra & De Mesquita, 2023). También implica el uso de análisis de datos y
mantenimiento predictivo para optimizar la producción y reducir el tiempo de inactividad (Cannavacciuolo, Ferraro,
Ponsiglione, Primario, & Quinto, 2023).
En el contexto de la Industria 4.0, los sistemas de monitoreo pueden utilizarse para recopilar datos de sensores
y otros dispositivos desplegados en una fábrica o instalación industrial (Contini, Peruzzini, Bulgarelli, & Bosi, 2023). A
continuación, estos datos pueden analizarse en tiempo real utilizando IA y otras herramientas de análisis avanzado
para identificar patrones, tendencias y anomalías. Al supervisar las máquinas y los procesos de este modo, es posible
comprender mejor el funcionamiento de sus sistemas y tomar decisiones más informadas sobre cómo optimizar el
rendimiento y reducir el tiempo de inactividad (Mohapatra et al., 2023).
La Industria 4.0 mejora la eficiencia de los sistemas de supervisión de varias maneras, en comparación con
revoluciones industriales anteriores. En primer lugar, permite recopilar datos de sensores en tiempo real y otros
dispositivos desplegados por una fábrica o instalación industrial. Esto permite a los operarios supervisar el
rendimiento de las máquinas y los sistemas en tiempo real y tomar medidas inmediatas si surge algún problema
(Justus & G. R., 2022).
En segundo lugar, la Industria 4.0 permite el uso de herramientas analíticas avanzadas, como la IA y los
algoritmos de aprendizaje automático, para analizar los datos recogidos por los sistemas de supervisión. Estas
herramientas pueden identificar patrones, tendencias y anomalías, que serían difíciles o imposibles de detectar con
los sistemas de supervisión tradicionales (Jan et al., 2023).
En tercer lugar, la Industria 4.0 facilita el desarrollo de sistemas de mantenimiento predictivo, que utilizan
algoritmos de aprendizaje automático para predecir cuándo es probable que fallen las máquinas, basándose en datos
históricos. Al identificar posibles problemas antes de que se produzcan, los sistemas de mantenimiento predictivo
pueden ayudar a los operadores a minimizar el tiempo de inactividad y reducir los costes de mantenimiento (Lambán,
Morella, Royo, & Sánchez, 2022).
3
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Módulo de captura de imágenes para monitoreo de
procesos industriales basado en tecnologías de Industria 4.0
Hernández Ramírez, O., Quiza, R.,
Cuba Arana, Y., Rivas Santana, M.
Por último, la Industria 4.0 permite la supervisión remota de máquinas y sistemas, lo que significa que los
operadores pueden supervisar el rendimiento de los procesos industriales, desde cualquier lugar del mundo. Esto
puede ayudar a reducir la necesidad de personal in situ y mejorar la eficiencia general del sistema de supervisión (Di
Capaci, Scali, Vallati, & Anastasi, 2020).
Dentro del monitoreo industrial, el procesamiento digital de imágenes desempeña un papel clave, al permitir
el análisis de datos visuales procedentes de cámaras y otros dispositivos de captura de imágenes. Al analizar las
imágenes en tiempo real, el procesamiento digital de estas puede proporcionar información valiosa sobre el
rendimiento de máquinas, productos y procesos (Ren, Fang, Yan, & Wu, 2022).
Los pasos comunes en el procesamiento digital de imágenes pueden variar en función de la aplicación
específica y las técnicas que se utilicen. Sin embargo, hay algunos pasos comunes que suelen incluirse en muchos
flujos de trabajo de procesamiento digital de imágenes. Estos pasos incluyen:
•
Adquisición de imágenes: el primer paso en el procesamiento digital de imágenes es adquirir la imagen
utilizando una cámara u otro dispositivo de imagen. Esto puede implicar ajustar la configuración de la
cámara, como la exposición y el enfoque, para capturar la imagen con la calidad deseada (Aydemir &
Paynabar, 2020).
•
Preprocesamiento: la imagen adquirida puede someterse a preprocesamiento para eliminar ruido, ajustar el
brillo y el contraste o corregir distorsiones. El preprocesamiento puede mejorar la calidad de la imagen y
facilitar su análisis (Al-Ghaili et al., 2023).
•
Segmentación: la segmentación es el proceso de dividir la imagen en regiones u objetos más pequeños, en
función de sus características, como: el color, la textura o la forma. La segmentación puede utilizarse para
separar objetos de interés del fondo o para identificar diferentes regiones dentro de una imagen (Cheng &
Li, 2021).
•
Extracción de características: la extracción de características consiste en identificar y cuantificar las
características específicas de los objetos o las regiones segmentados. Las características pueden incluir el
tamaño, la forma, la textura, el color y otras características relevantes para la aplicación (Cruz, Rivas, Quiza,
Beruvides, & Haber, 2020)
•
Clasificación: la clasificación consiste en asignar objetos o regiones de la imagen a diferentes categorías, en
función de sus características. Esto puede hacerse utilizando algoritmos de aprendizaje automático u otras
técnicas que se entrenan en un conjunto de imágenes etiquetadas (Vladimir, Evgen, & Aung, 2019).
•
Posprocesado: el posprocesado puede implicar un filtrado o suavizado adicional, para eliminar ruido o
artefactos de la imagen. También puede implicar la visualización de los resultados, como mostrar objetos
clasificados en un color diferente o superponerlos sobre la imagen original (Steffens, Messias, Drews-Jr, &
Botelho, 2020).
La aplicación del procesamiento digital de imágenes a la detección de defectos en los sistemas de monitoreo
industrial, puede presentar, sin embargo, algunas limitaciones y dificultades. Entre ellos están la mala calidad de las
imágenes, la variabilidad de los productos, la escalabilidad, los falsos positivos y la integración. Las malas condiciones
de iluminación o las cámaras de baja calidad pueden dar lugar a imágenes borrosas o con poco contraste, lo que
dificulta la detección de defectos por parte de los algoritmos (Coady, Riordan, Dooly, Newe, & Toal, 2019). La
variabilidad de los productos que se mueven a lo largo de una línea de producción puede dificultar el desarrollo de
4
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Módulo de captura de imágenes para monitoreo de
procesos industriales basado en tecnologías de Industria 4.0
Hernández Ramírez, O., Quiza, R.,
Cuba Arana, Y., Rivas Santana, M.
algoritmos capaces de detectar defectos con precisión en todos los productos. A medida que aumenta el volumen
de productos, las exigencias informáticas del procesamiento digital de imágenes pueden convertirse en un factor
limitante (Shukla, Merugu, & Jain, 2020). Los falsos positivos pueden dar lugar a un despilfarro de recursos y a una
menor confianza del operario en el sistema, y la integración puede ser un reto, ya que requiere la coordinación entre
múltiples sistemas y partes interesadas (Shi et al., 2019). Hacer frente a estos retos requiere planificación cuidadosa,
inversión en hardware y software de tratamiento de imágenes de alta calidad, y supervisión y mantenimiento
continuos, para garantizar que el sistema funciona eficazmente.
En este trabajo se expone la implementación de un módulo de captura y preprocesamiento de imágenes para
monitoreo de procesos industriales, basado en tecnologías de Industria 4.0.
METODOLOGÍA
El módulo implementado forma parte de una arquitectura para monitoreo de procesos industriales,
denominada LOIA I4.0 (Light Open Intelligent Arquitecture for Industry 4.0) (Quiza, Hernández, Cuba Arana, & Rivas,
2023), la cual se basa en el protocolo MQTT y tiene un diseño modular que se muestra en la figura 1.
Figura 1. Representación gráfica de la arquitectura LOIA-I4.0 (Quiza et al., 2023).
En esta, el módulo de captura de imágenes es un nodo de captura de datos. El módulo, desde el punto de vista
de hardware, está compuesto por una computadora de placa reducida Raspberry 4 Model B (figura 2a) y una
Raspberry Pi Camera Rev. 1.3 (figura 2b), que se conecta a la anterior a través de la Interfaz en Serie de Cámara
(Camera Serial Interface). El sistema operativo utilizado fue Debian 11.
5
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Módulo de captura de imágenes para monitoreo de
procesos industriales basado en tecnologías de Industria 4.0
Hernández Ramírez, O., Quiza, R.,
Cuba Arana, Y., Rivas Santana, M.
Figura 2. Hardware del módulo de captura de datos.
La implementación del software de captura se realizó en Python 3.9.15. El algoritmo de la solución propuesta
se muestra en la figura 3. Como se puede observar, se comienza cargando el archivo de configuración del programa,
el cual tiene formato JSON y almacena la siguiente información (figura 4): (i) identificador del cliente, dirección IP del
agente y tópico utilizado para la comunicación en el protocolo MQTT; (ii) resolución (ancho y altura) de la cámara y
tiempo de muestreo; y (iii) parámetros de las técnicas de preprocesamiento.
Figura 3. Algoritmo de la solución propuesta.
6
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Módulo de captura de imágenes para monitoreo de
procesos industriales basado en tecnologías de Industria 4.0
Hernández Ramírez, O., Quiza, R.,
Cuba Arana, Y., Rivas Santana, M.
Figura 4. Ejemplo de archivo de configuración.
Seguidamente, se inicializa la cámara (para lo cual se utiliza la librería PiCamera 1.13) y se establece la
configuración de esta, a partir de los valores tomados del archivo de configuración. A continuación, se crea el cliente
de MQTT, mediante la librería paho-mqtt 1.6.1. Al igual que para la cámara, el cliente de MQTT se configura con los
parámetros previamente cargados y se conecta al agente MQTT. El siguiente paso es la asignación de las rutinas para
los eventos de recepción y envío de mensajes MQTT, para lo cual se implementan las funciones correspondientes.
En el primer caso, como el nodo es solamente emisor, la función carece de contenido. En el segundo, se implementa
realizar una entrada en el archivo de logs del programa. Inmediatamente después se lanza el bucle de eventos de
MQTT, que permite recibir y enviar mensajes al agente, sobre este protocolo. A esto sigue el lanzamiento de un bucle
infinito (solo se detiene cuando lo hace el programa), para la captura, el preprocesamiento y el envío de la imagen.
RESULTADOS Y DISCUSIÓN
Como caso de estudio para probar el funcionamiento del módulo desarrollado, se utilizó en la captura de
imágenes de uniones soldadas en recipientes de gas, iluminadas con un láser de línea rojo (650 nm de longitud de
onda). Estas imágenes serán utilizadas para determinar las dimensiones del cordón y, consecuentemente, controlar
la calidad de la costura.
La captura de las imágenes se realiza cada 2,5 s, lo que corresponde a 9° de rotación del recipiente, dando
veinticuatro imágenes a lo largo de toda la costura. Cada una de las imágenes es sometida a un preprocesamiento
de seis pasos (Menéndez, 2019).
En primer lugar, la imagen tomada (de 2 592 × 1 944 pixeles) (figura 5a) es sometida a un filtrado Gaussiano
para eliminar ruidos no deseados y aleatorios en la imagen, procedentes del proceso de captura y debido a
perturbaciones repentinas (figura 5b).
7
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Módulo de captura de imágenes para monitoreo de
procesos industriales basado en tecnologías de Industria 4.0
Hernández Ramírez, O., Quiza, R.,
Cuba Arana, Y., Rivas Santana, M.
En segundo lugar, la imagen se convierte al modelo de colores HSL (Hue, Saturation, Lightness), a través de
una transformación no lineal del espacio de color RGB, lo cual mejora la robustez del algoritmo, pues hace menos
sensible el dispositivo a cambios de iluminación en la escena (figura 5c).
El tercer paso consiste en la segmentación de la imagen transformada en el espacio HSL. Esta técnica permite
separar en la imagen, el objeto que se desea analizar del resto de la escena. La segmentación se realiza atendiendo
a los parámetros del color rojo (650 nm), correspondiente al láser proyectado, transformando al espacio HSL sus
valores (H = 220, S = 0, L = 80) (figura 5d).
A continuación, se extrae la región de interés, para lo cual se eliminan todas las columnas de la imagen, donde
todos los pixeles sean negros, dejando, únicamente, aquellos donde está la huella del láser (figura 5e).
Luego se procede a adelgazar la imagen, lo que se realiza de fila en fila, dejando solo un número de pixeles
blancos centrales (figura 5f).
Finalmente, la imagen se rota a 90° y se remuestrea a 500 × 250 pixeles (figura 5f). Todo este preprocesamiento
tomó un tiempo de (0,876 ± 0.092) s, por lo que resulta significativamente menor que el tiempo de muestreo y es
factible realizarlo sobre el propio nodo.
Figura 5. Preprocesamiento de las imágenes.
Para comprobar el funcionamiento del sistema se muestrearon diez cilindros; a cada uno se les tomaron
veinticuatro imágenes. Se comprobó que tanto el preprocesamiento como el transporte hasta un nodo MQTT
receptor no presentaron ningún error. Se comprobó que el tiempo de transporte fue de (0,087 ± 0,027) s, lo cual
garantiza el correcto funcionamiento del módulo y la trasmisión eficaz de las imágenes capturadas.
CONCLUSIONES
A través del trabajo, se pudo diseñar, validar e implementar un módulo para la captura de imágenes y su
trasmisión, utilizando el protocolo MQTT. Ese módulo forma parte de una arquitectura orientada a Industria 4.0, que
8
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Módulo de captura de imágenes para monitoreo de
procesos industriales basado en tecnologías de Industria 4.0
Hernández Ramírez, O., Quiza, R.,
Cuba Arana, Y., Rivas Santana, M.
será empleada para monitoreo industrial. El módulo mostró un comportamiento fiable y fue capaz tanto de capturar
las imágenes como de preprocesarlas y trasmitirlas eficaz y eficientemente. El módulo implementado será un
componente importante para aplicaciones futuras, no solo en el campo del control de calidad de la soldadura, sino
también en aplicaciones previstas en el campo de la robótica colaborativa. Queda, como futuro desarrollo del trabajo,
el incremento de las técnicas de preprocesamiento que se van a aplicar.
AGRADECIMIENTOS
La investigación que da origen a los resultados mostrados en estas líneas, recibió fondos de la Oficina de
Gestión de Fondos y Proyectos Internacionales bajo el código PN223LH004-024.
REFERENCIAS
Al-Ghaili, A. M., Kasim, H., Hassan, Z., Al-Hada, N. M., Othman, M., Kasmani, R. M., & Shayea, I. (2023). A
Review: Image Processing Techniques’ Roles towards Energy-Efficient and Secure IoT. Applied Sciences, 13(4).
doi:10.3390/app13042098
Aydemir, G., & Paynabar, K. (2020). Image-Based Prognostics Using Deep Learning Approach. IEEE
Transactions on Industrial Informatics, 16(9): 5956-5964. doi:10.1109/TII.2019.2956220
Cannavacciuolo, L., Ferraro, G., Ponsiglione, C., Primario, S., & Quinto, I. (2023). Technological innovation-
enabling industry 4.0 paradigm: A systematic literature review. Technovation, 124, 102733.
doi:10.1016/j.technovation.2023.102733
Cheng, Y., & Li, B. (2021, 14-16 April 2021). Image Segmentation Technology and Its Application in Digital
Image Processing. Paper presented at the 2021 IEEE Asia-Pacific Conference on Image Processing, Electronics and
Computers (IPEC).
Coady, J., Riordan, A. O., Dooly, G., Newe, T., & Toal, D. (2019, 2-4 Dec. 2019). An Overview of Popular Digital
Image Processing Filtering Operations. Paper presented at the 2019 13th International Conference on Sensing
Technology (ICST).
Contini, G., Peruzzini, M., Bulgarelli, S., & Bosi, G. (2023). Developing key performance indicators for
monitoring sustainability in the ceramic industry: The role of digitalization and industry 4.0 technologies. Journal of
Cleaner Production, 414, 137664. doi:10.1016/j.jclepro.2023.137664
Cruz, Y. J., Rivas, M., Quiza, R., Beruvides, G., & Haber, R. E. (2020). Computer Vision System for Welding
Inspection of Liquefied Petroleum Gas Pressure Vessels Based on Combined Digital Image Processing and Deep
Learning Techniques. Sensors, 20(16). doi:10.3390/s20164505
Di Capaci, R. B., Scali, C., Vallati, C., & Anastasi, G. (2020). A technological demonstrator for cloud-based
performance monitoring and assessment of industrial plants: present architecture and future developments. IFAC-
PapersOnLine, 53(2): 11656-11661. doi:10.1016/j.ifacol.2020.12.653
Jan, Z., Ahamed, F., Mayer, W., Patel, N., Grossmann, G., Stumptner, M., & Kuusk, A. (2023). Artificial
intelligence for industry 4.0: Systematic review of applications, challenges, and opportunities. Expert Systems with
Applications, 216, 119456. doi:10.1016/j.eswa.2022.119456
9
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Módulo de captura de imágenes para monitoreo de
procesos industriales basado en tecnologías de Industria 4.0
Hernández Ramírez, O., Quiza, R.,
Cuba Arana, Y., Rivas Santana, M.
Justus, V., & G R, K. (2022). Intelligent Single-Board Computer for Industry 4.0: Efficient Real-Time
Monitoring System for Anomaly Detection in CNC Machines. Microprocessors and Microsystems, 93, 104629.
doi:10.1016/j.micpro.2022.104629
Lambán, M. P., Morella, P., Royo, J., & Sánchez, J. C. (2022). Using industry 4.0 to face the challenges of
predictive maintenance: A key performance indicators development in a cyber physical system. Computers &
Industrial Engineering, 171, 108400. doi:10.1016/j.cie.2022.108400
Lemstra, M. A. M. S., & de Mesquita, M. A. (2023). Industry 4.0: a tertiary literature review. Technological
Forecasting and Social Change, 186, 122204. doi:10.1016/j.techfore.2022.122204
Menéndez, D. (2019). Monitoreo de las dimensiones del cordón de soldadura mediante procesamiento de
imágenes digitales, Maestría en Ingeniería Asistida por Computadora, Universidad de Matanzas, Matanzas, Cuba.
Mohapatra, A. G., Mohanty, A., Pradhan, N. R., Mohanty, S. N., Gupta, D., Alharbi, M., . . . Khanna, A. (2023).
An Industry 4.0 implementation of a condition monitoring system and IoT-enabled predictive maintenance scheme
for diesel generators. Alexandria Engineering Journal, 76, 525-541. doi:10.1016/j.aej.2023.06.026
Quiza, R., Hernández, O., Cuba Arana, Y., & Rivas, M. (2023). Propuesta de una arquitectura de monitoreo
industrial orientada a Industria 4.0. Revista Cubana de Transformación Digital, 4(3): e222.
Rahman, M. S., Ghosh, T., Aurna, N. F., Kaiser, M. S., Anannya, M., & Hosen, A. S. M. S. (2023). Machine
learning and internet of things in industry 4.0: A review. Measurement: Sensors, 28, 100822.
doi:10.1016/j.measen.2023.100822
Ren, Z., Fang, F., Yan, N., & Wu, Y. (2022). State of the Art in Defect Detection Based on Machine Vision.
International Journal of Precision Engineering and Manufacturing-Green Technology, 9(2): 661-691.
doi:10.1007/s40684-021-00343-6
Shi, Z., Hao, H., Zhao, M., Feng, Y., He, L., Wang, Y., & Suzuki, K. (2019). A deep CNN based transfer learning
method for false positive reduction. Multimedia Tools and Applications, 78(1): 1017-1033. doi:10.1007/s11042-018-
6082-6
Shukla, A., Merugu, S., & Jain, K. (2020). A Technical Review on Image Super-Resolution Techniques. In V. K.
Gunjan, S. Senatore, A. Kumar, X.-Z. Gao, & S. Merugu (Eds.), Advances in Cybernetics, Cognition, and Machine
Learning for Communication Technologies, 543-565. Singapore: Springer Singapore.
Steffens, C. R., Messias, L. R. V., Drews-Jr, P. J. L., & Botelho, S. S. d. C. (2020). CNN Based Image Restoration.
Journal of Intelligent & Robotic Systems, 99(3): 609-627. doi:10.1007/s10846-019-01124-9
Vladimir, G., Evgen, I., & Aung, N. L. (2019, 28-31 Jan. 2019). Automatic Detection and Classification of
Weaving Fabric Defects Based on Digital Image Processing. Paper presented at the 2019 IEEE Conference of Russian
Young Researchers in Electrical and Electronic Engineering (EIConRus).
Copyright © 2024, Hernández Ramírez, O., Quiza, R.,
Cuba Arana, Y., Rivas Santana, M.
Este obra está bajo una licencia de Creative Commons Atribución-No Comercial 4.0 Internacional
