TN Sto 293 1659 37630

XXXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“Os desafios da engenharia de produção para uma gestão inovadora da Logística e Operações”
Santos, São Paulo, Brasil, 15 a 18 de outubro de 2019.
APLICAÇÃO DE UM BRAÇO
ROBÓTICO E REDES NEURAIS
ARTIFICIAIS PARA A CLASSIFICAÇÃO
E SEPARAÇÃO DE OBJETOS
DEFEITUOSOS NUMA ESTEIRA
TRANSPORTADORA AUTOMATIZADA
Miguel Gonçalves de Freitas (Universidade Federal de Goiás)
[email protected]
Symone Gomes Soares Alcalá (Engenharia de Produção)
[email protected]
Talles Marcelo Gonçalves de Andrade Barbosa (Pontifícia
Universidade Católica de Goiás)
[email protected]
Novas tecnologias, como sistemas de visão e braços robóticos, têm

possibilitado a inspeção e separação automatizada de produtos em
indústrias para reduzir custos operacionais e aumentar a qualidade de
produtos e processos. Sendo assim, este artigo propõe um sistema de
visão para a inspeção de objetos defeituosos numa esteira
transportadora por meio de uma Rede Neural (RN). Além disso, o
sistema integra um braço robótico de baixo custo para a separação de
objetos defeituosos e não defeituosos em recipientes adequados. Testes
experimentais foram realizados para selecionar a RN com melhor
desempenho em diferentes níveis de iluminação. Ademais, foram
realizados testes para avaliar o desempenho da RN e do braço
robótico em tempo real, sendo que os resultados da RN foram
satisfatórios em ambientes com diferentes condições de iluminação, e o
braço robótico demonstrou bom desempenho na realização dos
movimentos e desempenho regular no transporte dos objetos. A
principal contribuição deste artigo é a proposta de um sistema de visão
e robótico para fazer inspeções e separações automatizadas de
produtos, de modo que pode ser facilmente testada em aplicações
industriais reais.
Palavras-chave: Sistema de Visão; Braço Robótico; Inteligência

Artificial; Qualidade de Produtos; Inspeção e Separação de Produtos.
1. Introdução
No contexto fabril, garantir a qualidade dos produtos fabricados é de essencial importância
para não haver custos adicionais com devoluções ou prejudicar a marca da empresa. Dado que
a qualidade possui relação, geralmente, com a presença ou não de defeitos em produtos, a
inspeção e o controle da qualidade se tornam necessários (COSTA; MENDONÇA; ALCALÁ,
2018).
No que tange o ambiente competitivo atual das grandes empresas, o uso de tecnologias para a
inspeção é usado com o intuito de se obter padronização, redução dos custos de produções de
grande volume e confiabilidade. Desse modo, a automatização da inspeção é utilizada como
alternativa tecnológica à inspeção manual. Inspeções automatizadas têm sido amplamente
realizadas por meio desistemas de visão computacional.
Sistemas de visão computacional envolvem o uso de técnicas de reconhecimento de padrões e

processamento de imagens para extração de características com o intuito de se obter dados
para a automatização da inspeção (FELICIANO; SOUZA; LETA, 2010). Assim, utiliza-se
modelos computacionais de Inteligência Artificial, tal como a Rede Neural (RN), um modelo
baseado no sistema nervoso central que permite a extração de características de defeitos em
produtos.
Neste mesmo ambiente, é observado o aumento da necessidade de tarefas que exigem um

nível alto grau de complexidade, precisão e produtividade. Com o intuito de atender esses
objetivos, há o uso de dispositivos automáticos, tal como usados na robótica (MIMOSO;
TORRES; XAVIER, 2012). A separação de objetos em processos finalizados em uma
indústria é uma tarefa que determina todo o ritmo de uma linha produtiva, de forma que a
automatização desta tarefa aumenta o ritmo, tal como a utilização de um braço robótico, em
relação às separações manuais. Para Shah e Pandey (2018), um braço robótico é um robô
manipulador programável que possui funções similares aos braços humanos. Entretanto, por
ser algo programável, possui maior grau de padronização e alta velocidade de movimentos,
permitindo aplicações industriais para muitos fins (SHAH; PANDEY, 2018).
2
Por exemplo, Bato et al (2000) utilizou um sistema totalmente automatizado de classificação,

por meio de um sistema de visão, e separação, utilizando um manipulador robótico, em uma
esteira transportadora para o manuseio de morangos de diferentes tamanhos e formatos
enquadrados em três classes. Além disso, Giannoccaro, Spedicato e Lay-Ekuakille (2014)
aplicaram um sistema de visão e um braço robótico inteligente para a classificação e
separação de rolamentos de diferentes tamanhos. Entretanto, esses dispositivos automatizados
possuem alto custo, necessitam de operadores experientes para a regulagem e manutenção e
alto investimento, se tornando inviáveis para aplicações industriais (DE BIASI; SUZUKI;
SANTOS, 2017).
Sendo assim, este artigo propõe um sistema automatizado de baixo custo e de fácil operação
para classificação e separação de caixas com defeitos de pintura, por meio da utilização de um
sistema de visão, que utiliza uma RN para classificação de caixas defeituosas, e um braço
robótico, para separação de caixas defeituosas. Assim sendo, são integrados uma câmera para
a obtenção de imagens, um software para o processamento e a extração de características que
possibilitem a classificação por meio de uma RN entre uma caixa com ou sem defeito, e um
braço robótico para manipular o objeto ao local desejado. Ademais, os resultados da RN
foram satisfatórios, de forma que em ambientes com iluminação controlada possui alta
eficiência. Além disso, o braço robótico demonstrou bom desempenho na realização dos
movimentos e desempenho regular no transporte das caixas. Cumpre ressaltar, que o sistema
construído em escala reduzida permite avaliar a metodologia proposta, possibilitando que a
planta opere de forma autônoma, em ambiente real. Ainda, a partir deste sistema proposto é
possível obter novas variáveis e dados para o aprimoramento dos modelos desenvolvidos em
simulador.
Este trabalho é dividido em quatro seções: a primeira que introduz o tema e a

contextualização, bem como apresenta o trabalho proposto. A Seção 2, que exibe a
metodologia do trabalho, para melhor compreensão. A Seção 3, a qual demonstra os
resultados obtidos pela classificação e a movimentação do robô utilizado. A Seção 4, que
aborda as considerações finais do trabalho e trabalhos futuros para melhorias do sistema
desenvolvido.
3
2. Metodologia
O sistema proposto realiza a aquisição de imagens de objetos dispostos numa esteira
transportadora, e em seguida, as processa e as classifica em defeituosos e não defeituosos.
Após a classificação, caso o objeto não esteja defeituoso, ele é transportado para um
recipiente ao final da esteira, e caso o objeto esteja defeituoso, ele é transportado pelo braço
robótico para outro recipiente na lateral da esteira.
Para a classificação e separação de objetos, o hardware utilizado é similar ao usado no

trabalho (MENDONÇA; COSTA; ALCALÁ, 2018): Notebook DELL com processador i3
2,4GHz e 3GB RAM embutido com o software MATLABR2018a integrado a uma
câmeraLogitech HD Webcam C270 e a um microcontrolador Arduino Mega 2560. Este último
é responsável por um motor de Corrente Contínua (CC) que controla a esteira transportadora e
um sensor infravermelho para a detecção de objetos. Para o sistema proposto neste artigo,
foram incluídos ao microcontrolador 4 servo motores, os quais em conjunto, são responsáveis
pelo controle do braço robótico. A Figura 1 mostra um diagrama que exibe o sistema
proposto.
4
Figura 1 – Componentes do sistema utilizado
Fonte: Elaborado pelos autores
As subseções a seguir abordam cada componente de hardware e software utilizado no sistema

proposto.
O objeto utilizado na classificação e separação é uma caixa no formato de cubo de arestas de

2,5cm, pintado de vermelho. Além disso, a caixa defeituosa possui um risco na pintura de um
dos lados de sua superfície. A Figura 2 mostra uma caixa sem defeitos e uma caixa com
defeito em sua pintura.
5
Figura 2 – Imagens de uma caixa sem defeito e uma caixa com defeito
2.1. MATLAB: classificação de objetos utilizando Rede Neural Artificial

Para a classificação das caixas em defeituosas e não defeituosas é utilizado um modelo de
Inteligência Artificial (IA). Para isso, escolheu-se o modelo de Redes Neurais (RNs), o qual
se destaca por sua maior eficiência no reconhecimento de padrões dos dados, tolerância a
falhas, capacidade de obtenção de respostas em tempo real e flexibilidade no reconhecimento
de dados (KASABOV, 1998).
Assim, este artigo cria modelos de RN como proposto pelo trabalho Costa, Mendonça e
Alcalá (2018). Para isso, a RN é desenvolvida utilizando um conjunto de imagens digitais de
caixas com e sem defeitos, sendo que 65% das imagens são utilizadas para treino da RN, 20%
das imagens para teste da RN e 15% das imagens para validação da RN. Ademais, após a
aquisição do conjunto de imagens, é realizado um pré-processamento de todas as imagens.
Este pré-processamento consiste na conversão da imagem no formato RGB para YCbCr, um
sistema que destaca a iluminação e níveis de colorização.Em seguida, é realizada a
segmentação da imagem, extraindo o objeto do fundo da imagem, de forma que é utilizado o
método Otsu’s. Após isso, a imagem passa por um melhoramento, utilizando filtragem
mediana, para o aumento de sua qualidade. Ao final, é feita a extração de 15 características da
imagem, utilizando matriz de coocorrência, as quais serão utilizadas para criação e teste da
RN. A Figura 3 mostra os passos utilizados para o desenvolvimento da RN responsável pela
classificação dos objetos.
6
Figura 3 – Metodologia para extração de características das imagens
Fonte: Adaptado de Costa, Mendonça e Alcalá (2018).
Desse modo, com o intuito de auxiliar no desenvolvimento do modelo de RN proposto,

utilizou-se o software MATLAB R2018a. Este software auxilia tanto no desenvolvimento da
RNA com funções pré-estabelecidas, quanto na integração da câmera e Arduino ao Notebook.
Além disso, a utilização do software MATLAB possibilita a escolha mais adequada do
modelo de RN, bem como seu desenvolvimento e teste, por meio de funções existentes na
toolboxNeural Network (Redes Neurais).
Para isto, é necessária a instalação de ferramentas de integração de ambos componentes, os

quais são encontrados nas toolboxs do programa, são eles: Arduino Support from MATLAB e
MATLAB Support Package for USB Webcams.
2.2. Arduino
É um ambiente de prototipagem eletrônica de hardware livre, projetado com

microcontrolador Atmel AVR e com o intuito de ser utilizado de forma didática, de modo que
possui um custo menor que os demais tipos de microcontrolador. Além disso, seu ambiente de
programação é em uma linguagem especifica baseada na linguagem C/C++, de forma que até
mesmo pessoas não habituadas com programação consigam desenvolver seus projetos de
forma eficaz (SILVA, 2016).
7
O Arduino utilizado no sistema proposto é o Arduino Mega 2560. Este modelo, possui maior
capacidade de memória e maior número de portas digitais quando comparado aos demais
modelos e é baseado no microcontrolador ATmega 2560 (MENDONÇA; ALCALÁ; COSTA,
2018).
No sistema proposto, o Arduino é conectado ao notebook, com o intuito de se integrar ao

software MATLAB para o envio de dados do estado do sensor infravermelho e a coleta de
variáveis para o controle do motor CC e os servo motores que movimentam o braço robótico.
2.3. Esteira transportadora

Para a movimentação e a detecção da caixa utilizada no projeto, é utilizada uma esteira
transportadora estruturada por MDF e com suporte para uma câmera, um motor CC e um
sensor infravermelho. A Figura 4 a seguir mostra a parte estrutural da esteira transportadora já
com seus componentes, o sensor de obstáculo infravermelho e motor CC,circulados com
cores vermelho e roxo, respectivamente.
Figura 4 – Estrutura da esteira transportadora
2.3.1. Sensor infravermelho

Para a detecção de objetos na esteira, é utilizado um módulo de sensor de obstáculos reflexivo
infravermelho, com LM393 regulável, para Arduino. O sensor é colocado em um vão de
8
suporte localizado ao lado direito da estrutura da esteira. Assim sendo, quando um objeto
passa em frente ao sensor, esse a detectará e o Arduino acionará o MATLAB para a captura
de uma imagem e a classificação do objeto.
2.3.2. Motor de corrente contínua

Para movimentar a esteira, é utilizado um motor CC 3-6V com caixa de redução e eixo duplo
de velocidade média, em condições normais, de até 140 rotações por minuto. Entretanto, a
fonte de alimentação padrão do Arduino via USB não é capaz de fornecer a corrente
necessária ao motor. Assim sendo, o motor possui um circuito independente baseado numa
fonte de alimentação externa com 9V.
2.4. Braço robótico

Em um ambiente industrial, a escolha de um braço robótico adequado é essencial para a
eficiência e eficácia do processo industrial. Além disso, a escolha de forma errônea acarreta
grandes prejuízos devido ao alto custo desse tipo de equipamento. As características dos
braços robóticos incluem: graus de liberdade, velocidade de rotações do eixo, torque máximo
admissível, tipos de eixos, e modelo.
Graus de liberdade é a quantidade de juntas que um braço robótico possui, podendo ou não
contar com a junta do manipulador na ponta responsável pelo movimento dos objetos. Além
disso, um braço robótico pode possuir diversos modelos, os quais são responsáveis pelo
movimento e tipo do robô, e são divididos em cinco categorias: robô cartesiano, robô
cilíndrico, robô esférico, robô articulado e, Selective Compliance Assembly Robotic Arm –
Robô de montagem de conformidade seletiva (SCARA) (SHAH; PANDEY, 2018).
Neste sistema foi utilizado um robô articulado, o qual segundo Shah e Pandey (2018), possui
uma maior complexidade de movimentos devido ao seu número de eixos. Assim sendo, o
robô escolhido foi o Braço Robótico em MDF de baixo custo com quatro juntas para o
encaixe de servo motores que possibilitam a movimentação, como mostra a Figura 5.
9
Figura 5 – Braço robótico em MDF com quatro servo motores
Fonte: (Eletrogate, 2019)
Este braço robô é desenvolvido para situações acadêmicas e de prototipagem, e possui como
especificações (Eletrogate, 2019):
 altura total: 18cm;
 largura média do braço: 40mm;
 abertura máxima da garra: 55mm; e
 espessura do MDF: 3mm.
2.4.1. Servo motores

Para realizar o movimento de cada junta do braço robótico, foram utilizados quatro servo
motores do tipo Micro Servo 9g SG90 TowerPro, que possui como características: fácil
acoplagem e funcionamento com o tipo de robô escolhido, e baixo custo.
As especificações do servo motor são (FilipeFlop, 2019):

 voltagem de Operação: 3,0 – 7,2V;
 ângulo de rotação: 180 graus;
 velocidade: 0,12 seg/60graus sem carga;
 torque máximo: 1,6 kg.cm;
 dimensões: 32 x 30 x 12mm; e
 peso: 9g.
10
Para o pleno funcionamento da estrutura do braço robótico, são utilizados quatro servos em
articulações distintas: um na base, para girar o braço para diferentes lados; dois acima da base,
para controlar a altura e a profundidade; um para movimentar a garra. Desta forma, o braço
robótico é projetado para o movimento de sua garra em três dimensões para executar as
tarefas propostas.
2.5. Câmera
Com o intuito de adquirir imagens das caixas na esteira, é utilizada uma câmera Logitech HD
Webcam C270 conectada ao notebook e integrada ao MATLAB. Assim sendo, é definido
como resolução de captura de imagem 1280x720, ou seja, 1280 pixels na vertical e 720 pixels
na horizontal. Essa resolução é considerada de boa qualidade para o propósito do sistema.
2.6. Integração dos componentes

Cada componente do sistema exerce um papel essencial para a classificação e separação da
caixa. A Figura 6 exibe o funcionamento do sistema proposto utilizando um diagrama de
sequência.
Como observado, o sistema se inicia com o MATLAB configurando e acionando a conexão

com o Arduino. Em sequência, o MATLAB configura a velocidade do motor CC para
movimentar esteira transportadora a partir do envio de uma variável controladora da
velocidade para o Arduino. Após isso, a esteira transportadora é ativada, de modo que o
Arduino aguarda que o sensor infravermelho detecte um objeto.
Caso detectado um objeto seja detectado, o Arduino repassa o comando de ativação da

captura de imagem para o MATLAB, o qual obterá uma imagem e em seguida, a processará
para a extração de características e classificação em defeituosa ou não defeituosa, utilizando a
RN descrita anteriormente.
Em seguida, se a RN classificar a caixa como defeituosa, o braço robótico retirará a caixa da

esteira e a moverá para um recipiente na lateral da esteira; e se a RN classificar como a caixa
como não defeituosa, não há movimento do braço robótico, permitindo que a caixa chegue ao
final da esteira e caia, em seguida, dentro de um recipiente. Entretanto, independendo da
11
classificação, após esses passos, o Arduino aguarda novamente que o sensor infravermelho
detecte algum objeto para iniciar o ciclo novamente.
Figura 6 – Diagrama de sequência do sistema proposto
3. Resultados
As subseções a seguir descrevem os testes realizados para a escolha do melhor modelo de RN
tendo em conta diferentes padrões de luminosidade, e o resultado final do sistema proposto
que utiliza um braço robótico para a separação das caixas com e sem defeito.
12
3.1. Escolha do modelo de RN utilizando diferentes padrões de luminosidade

Para avaliar a iluminação adequada para maior eficiência na classificação de objetos, foram
produzidas três RNs, cada uma treinada com um conjunto de imagens com diferente condição
luminosidade: iluminação baixa a média (Tipo 1), iluminação média a alta (Tipo 2) e
iluminação baixa a alta (Tipo 3). Além disso, para avaliar o desempenho de cada RN em
imagens não utilizadas para treino, são realizados testes com imagens com diferentes
iluminações obtidas e classificadas em tempo real.
Foram obtidos um conjunto de 400 imagens do Tipo 1, um conjunto de 400 imagens do Tipo
2 e um conjunto que é a junção de todas as 800 imagens obtidas, a Tipo 3. As Figuras 7 e 8
apresentam imagens obtidas respectivamente na iluminação baixa a media, e média a alta. A
configuração e o treino das RNs foram feitos como proposto pelo trabalho (COSTA;
MENDONÇA; ALCALÁ, 2018).
Figura 7 - Imagens de caixas com iluminação baixa a média (Tipo 1)
Figura 8 - Imagens de caixas com iluminação média a alta (Tipo 2)
13
A Tabela 1 mostra os resultados de classificações corretas de cada RN, sendo que 65% das
imagens foram utilizadas para treinar a RN (treino), 15% das imagens para auxiliar na
validação e convergência da RN (validação), e 20% das imagens para avaliação da RN (teste).
Os resultados mostram que a RN com maior desempenho no teste é a RN Tipo 1.
Tabela 1 – Porcentagem das classificações corretas das RNs em cada conjunto de dados
RN Treino Validação Teste
RN Tipo 1 100,00% 100,00% 100,00%
RN Tipo 2 92,31% 95,00% 96,26%
RN Tipo 3 97,70% 98,33% 98,13%

Posteriormente foram realizados testes em tempo real, que consistem em classificações de

imagens de forma instantânea pelo sistema, ou seja, quando a imagem da caixa é capturada
com a esteira transportadora em movimento. Nestes testes, cada RN classificou 40 objetos de
cada característica de iluminação em tempo real (com a esteira em movimento sem o braço
robótico). A Tabela 2 apresenta as porcentagens de classificações corretas das RNs com os
testes em tempo real.
Tabela 2 – Porcentagem das classificações corretas das RNs em cada tipo de teste
RN/Conjunto de dados Teste Tipo 1 Teste Tipo 2 Teste Tipo 3 Média Geral
RN Tipo 1 52,50% 100,00% 72,50% 94,23%
RN Tipo 2 67,50% 100,00% 95,00% 90,58%
RN Tipo 3 80,00% 100,00% 90,00% 96,06%

Observa-se que todas as RNs obtiveram eficiência máxima no teste de imagens Tipo 2.
Entretanto, a RN Tipo 3 obteve maior média de porcentagem de classificações corretas. Isto
posto, a RN utilizada no sistema proposto será a RN Tipo 3.
3.2. Testes do sistema proposto em tempo real com o braço robótico

Realizaram-se ainda 40 testes para a classificação das caixas com a esteira em movimento (20
14
testes com a caixa com defeito e 20 testes com a caixa sem defeito) e o braço robótico
proposto pelo trabalho para a separação e caixas. Desse modo, a Tabela 3 exibe os resultados
obtidos nessas três sequências, em porcentagem de acerto, para cada tipo de classificação,
onde “Movimento do servo”descreve como cada um dos servos se movimenta em relação ao
ângulo previamente programado, “Sequência de movimentos” é a ordem em queos servos
motores são acionados em relação ao programado, e “Movimentos com caixa” é o transporte
da caixa para o recipiente ao lado da esteira, quando classificada como defeituosa.
Tabela 3 – Porcentagem de movimentos corretos com o braço robótico em tempo real

Movimento do Sequência de Movimentos com
servo movimentos caixa
Sem defeito 100% 100% -
Com defeito 95% 100% 60%
Como observado, as sequências dos movimentos em ambos os tipos de classificação são

corretas em todos os testes realizados. Entretanto, ocorreram 5% de erros na movimentação
do servo motorcom caixas com defeito, de modo que os servos, mesmos com a indicação
correta dos movimentos a se fazer, realizavam movimentos não planejados e de maneira
aleatória. Além disso, os movimentos errados do braço com a caixa com defeito ocorreram
devido à queda da caixa, que escorregava entre a garra durante o percurso.
4. Considerações finais
Este artigo propôs um sistema de visão, com braço robótico, para a classificação e a separação
de caixas com defeitos numa esteira transportadora utilizando uma RN.O sistema proposto se
demonstrou eficiente na classificação de caixas com a RN Tipo 3, classificando corretamente
96,06% de caixasnos dados de testes. Além disso, a RN Tipo 3 obteve 100% de classificação
correta em ambientes com alta luminosidade.
Ademais, foram realizados testes de movimentos do braço robótico com uma sequência
definida, exibindo 5% de erros nos movimentos. Entretanto, mesmo sendo uma taxa de erros
baixa, erros podem impactar numa linha de produção, com seus movimentos aleatórios e de
15
alto risco. Não obstante a isso, quedas de caixas em 40% durante o transporte delas para o
recipiente são também significantes.
Para minimizar as quedas durante o transporte uma solução é forçar a garra de modo a gerar
uma força atrito maior. Entretanto, com o aumento de força na garra, há maiores indícios de
erros na movimentação. Logo, a solução alternativa é a trocas dos servos por um modelo mais
eficiente.
REFERÊNCIAS
BATO, Pepito Menguito et al. Study on sorting system for strawberry using machine vision (Part 2). Journal of
the Japanese Society of Agricultural Machinery, v. 62, n. 2, p. 101-110, 2000.
COSTA, Ingrid Martins Valente; MENDONÇA, Lorena Cândida; ALCALÁ, Symone Gomes Soares. Um
Estudo de Caso de Redes Neurais Artificiais para a Detecção de Objetos Defeituosos Numa Esteira de Produção
Automatizada. In: ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO, 38, 2018, Maceió. Anais
eletrônicos... Maceió: ABEPRO, 2018. Disponível em:
<http://www.abepro.org.br/biblioteca/TN_WIC_259_490_35920.pdf>. Acesso em: 08 abril 2019.
DE BIASI, Herculano; SUZUKI, Nilton Kazuo Gomes; SANTOS, Rudinei. Desenvolvimento de uma Bancada
Integrada de Robótica, Inteligência Artificial e Visão Computacional. Anais do Computer on the Beach, p.
347-356, 2017.
ELETROGATE. Kit Braço Robótico em MDF. Disponível em: <http://blog.eletrogate.com/kit-braco-robotico-

mdf-com-arduino/>. Acesso em: 08 abril 2019.
FELICIANO, Flávio F.; DE SOUZA, Igor L.; LETA, Fabiana Rodrigues. Visão computacional aplicacada à
metrologia dimensional automatizada: considerações sobre sua exatidão. Engevista, v. 7, n. 2, 2005.
FilipeFlop. Micro Servo 9g SG90 TowerPro. Disponível em: <https://www.filipeflop.com/produto/micro-

servo-9g-sg90-towerpro/>. Acesso em: 08 abril 2019.
GIANNOCCARO, Nicola Ivan; SPEDICATO, Luigi; LAY-EKUAKILLE, Aimè. A robotic arm to sort different
types of ball bearings from the knowledge discovered by size measurements of image regions and RFID
support. International Journal on Smart Sensing and Intelligent Systems, v. 7, n. 2, p. 674-700, 2014.
KASABOV, Nikola K. Foundantios of Neural Networks, Fuzzy Systems, and Knowledge Engineering.
Second Printing, Massachusetts Institue of Technology: A Bradford book, 1998.
16
MENDONÇA, Lorena Cândida; COSTA, Ingrid Martins Valente; ALCALÁ, Symone Gomes Soares. Proposta
de um Sistema de Visão de Baixo Custo com Microcontrolador Arduino para a Aquisição Automática de
Imagens Digitais de Objetos numa Esteira Transportadora Automatizada. In: ENCONTRO NACIONAL DE
ENGENHARIA DE PRODUÇÃO, 38, 2018, Maceió. Anais eletrônicos... Maceió: ABEPRO, 2018. Disponível
em: <http://www.abepro.org.br/biblioteca/TN_WIC_259_490_35901.pdf>. Acesso em: 08 abril 2019.
MIMOSO SOUZA, Geovane; TORRES DELGADO, Martha Ximena; XAVIER CRUZ, Tiago. CONSTRUÇÃO
DE UM BRAÇO ROBÓTICO CONTROLADO A PARTIR DE UM FPGA. In: Colloquium Exactarum. 2012.
SILVA, Artejose Revoredo da. Sistema Inteligente de Controle e Monitoramento de Ambiente de Laboratórios de
Análises Químicas. 2016. 72 f. Dissertação (Mestrado em Engenharia de Software) – Instituto Metrópole Digital, Universidade
Federal do Rio Grande do Norte, Natal, 2016.
SHAH, R.; PANDEY, A. B. Concept for automated sorting robotic arm. Procedia Manufacturing, v. 20, p.
400-405, 2018.
17

TN Sto 293 1659 37630

Enviado por

Direitos autorais:

Formatos disponíveis

TN Sto 293 1659 37630

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

TN Sto 293 1659 37630

Enviado por

Direitos autorais:

Formatos disponíveis

XXXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Novas tecnologias, como sistemas de visão e braços robóticos, têm

Palavras-chave: Sistema de Visão; Braço Robótico; Inteligência

Sistemas de visão computacional envolvem o uso de técnicas de reconhecimento de padrões e

Neste mesmo ambiente, é observado o aumento da necessidade de tarefas que exigem um

Por exemplo, Bato et al (2000) utilizou um sistema totalmente automatizado de classificação,

Este trabalho é dividido em quatro seções: a primeira que introduz o tema e a

Para a classificação e separação de objetos, o hardware utilizado é similar ao usado no

Figura 1 – Componentes do sistema utilizado

Fonte: Elaborado pelos autores

As subseções a seguir abordam cada componente de hardware e software utilizado no sistema

O objeto utilizado na classificação e separação é uma caixa no formato de cubo de arestas de

Fonte: Elaborado pelos autores

2.1. MATLAB: classificação de objetos utilizando Rede Neural Artificial

Figura 3 – Metodologia para extração de características das imagens

Fonte: Adaptado de Costa, Mendonça e Alcalá (2018).

Desse modo, com o intuito de auxiliar no desenvolvimento do modelo de RN proposto,

Para isto, é necessária a instalação de ferramentas de integração de ambos componentes, os

É um ambiente de prototipagem eletrônica de hardware livre, projetado com

No sistema proposto, o Arduino é conectado ao notebook, com o intuito de se integrar ao

2.3. Esteira transportadora

Figura 4 – Estrutura da esteira transportadora

Fonte: Elaborado pelos autores

2.3.1. Sensor infravermelho

2.3.2. Motor de corrente contínua

2.4. Braço robótico

Figura 5 – Braço robótico em MDF com quatro servo motores

Fonte: (Eletrogate, 2019)

2.4.1. Servo motores

As especificações do servo motor são (FilipeFlop, 2019):

2.6. Integração dos componentes

Como observado, o sistema se inicia com o MATLAB configurando e acionando a conexão

Caso detectado um objeto seja detectado, o Arduino repassa o comando de ativação da

Em seguida, se a RN classificar a caixa como defeituosa, o braço robótico retirará a caixa da

Figura 6 – Diagrama de sequência do sistema proposto

Fonte: Elaborado pelos autores

3.1. Escolha do modelo de RN utilizando diferentes padrões de luminosidade

Figura 7 - Imagens de caixas com iluminação baixa a média (Tipo 1)

Fonte: Elaborado pelos autores

Figura 8 - Imagens de caixas com iluminação média a alta (Tipo 2)

Fonte: Elaborado pelos autores

RN Tipo 1 100,00% 100,00% 100,00%

RN Tipo 2 92,31% 95,00% 96,26%

RN Tipo 3 97,70% 98,33% 98,13%

Posteriormente foram realizados testes em tempo real, que consistem em classificações de

RN Tipo 1 52,50% 100,00% 72,50% 94,23%

RN Tipo 2 67,50% 100,00% 95,00% 90,58%

RN Tipo 3 80,00% 100,00% 90,00% 96,06%

3.2. Testes do sistema proposto em tempo real com o braço robótico

Tabela 3 – Porcentagem de movimentos corretos com o braço robótico em tempo real

Com defeito 95% 100% 60%

Fonte: Elaborado pelos autores

Como observado, as sequências dos movimentos em ambos os tipos de classificação são

ELETROGATE. Kit Braço Robótico em MDF. Disponível em: <http://blog.eletrogate.com/kit-braco-robotico-

FilipeFlop. Micro Servo 9g SG90 TowerPro. Disponível em: <https://www.filipeflop.com/produto/micro-

Você também pode gostar