Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
SEP SES TNM INSTITUTO TECNOLÓGICO DE CHIHUAHUA II “Determinación del mapa de deformaciones en probetas planas mediante el método de correlación digital de imágenes” TESIS PARA OBTENER EL GRADO DE MAESTRO EN SISTEMAS COMPUTACIONALES PRESENTA ING. RUBÉN CASTAÑEDA BALDERAS DIRECTOR DE TESIS DR. HERNÁN DE LA GARZA GUTIÉRREZ CO-DIRECTOR DE TESIS DR. ALBERTO DÍAZ DÍAZ CHIHUAHUA, CHIH. A 17 DÍAS DEL MES DE JUNIO DEL AÑO 2016 POSGRADO/MSC Página 1 CONTENIDO CONTENIDO ....................................................................................................................................... 1 ÍNDICE DE FIGURAS ....................................................................................................................... 3 ÍNDICE DE TABLAS ......................................................................................................................... 8 CAPÍTULO I. INTRODUCCIÓN ....................................................................................................... 9 1.1 Introducción. ....................................................................................................................................... 9 1.2 Planteamiento del problema. ............................................................................................................15 1.3 Alcances y Limitaciones .....................................................................................................................16 1.3.1 Alcances .....................................................................................................................................16 1.3.2 Limitaciones ...............................................................................................................................16 1.4 Justificación .......................................................................................................................................17 1.5 Objetivos ...........................................................................................................................................18 1.5.1 Objetivo General .......................................................................................................................18 1.5.2 Objetivos específicos .................................................................................................................18 CAPÍTULO II. ESTADO DEL ARTE. ............................................................................................. 20 CAPÍTULO III. MARCO TEÓRICO ................................................................................................ 23 3.1 Transformación de un cuerpo ...........................................................................................................23 3.2 Campo de desplazamiento ................................................................................................................24 3.3 Campo de deformación. ....................................................................................................................25 3.4 Deformaciones principales. ...............................................................................................................27 3.5 Método de Correlación Digital de Imágenes (DIC) ............................................................................28 3.5.1 Preparación de las probetas ......................................................................................................28 3.5.2 Región de Interés y mallado ......................................................................................................30 3.5.3 Facetas y área de búsqueda ......................................................................................................31 3.5.4 Criterio de correlación y cálculo del desplazamiento a nivel Pixel ...........................................33 3.5.5 Cálculo del desplazamiento a nivel Sub-Pixel ............................................................................37 3.5.6 Algoritmo rápido y guiado para la determinación de movimiento a nivel pixel y parámetros iniciales de nivel Sub-Pixel .........................................................................................................................39 3.5.7 Cálculo de resultados ................................................................................................................40 POSGRADO/MSC Página 2 CAPÍTULO IV. DESARROLLO ...................................................................................................... 41 4.1 Modelo de negocio ............................................................................................................................41 4.2 Determinación de requerimientos ....................................................................................................42 4.3 Análisis y diseño ................................................................................................................................47 4.4 Interfaz gráfica ...................................................................................................................................49 4.5 Implementación ................................................................................................................................61 4.5.1 Procedimiento de captura de imagen base desde dispositivo de almacenamiento ................61 4.5.2 Procedimiento de captura de imágenes deformadas desde dispositivo de almacenamiento .64 4.5.3 Procedimiento de captura de imagen base desde dispositivo cámara .....................................65 4.5.4 Procedimiento selección de área de interés o ROI ...................................................................70 4.5.5 Procedimiento de mallado ........................................................................................................73 4.5.6 Procedimiento de correlación digital de imágenes ...................................................................74 4.5.7 Procedimiento de graficación de resultados. ............................................................................81 CAPÍTULO V. RESULTADOS Y DISCUSIÓN .............................................................................. 83 5.1 Pruebas de validación del sistema. ...................................................................................................83 5.2 Esquema de pruebas de validación. ..................................................................................................85 5.3 Resultados y discusión.......................................................................................................................88 CAPÍTULO VI. CONCLUSIONES ................................................................................................ 112 VII.BIBLIOGRAFÍA ....................................................................................................................... 114 ANEXO A ........................................................................................................................................ 117 ANEXO B ........................................................................................................................................ 119 POSGRADO/MSC Página 3 ÍNDICE DE FIGURAS Figura No. 1. Cálculo de la deformación utilizando la lectura de la máquina universal. .................. 10 Figura No. 2. Probeta instrumentada con una galga extensiométrica. ............................................... 11 Figura No. 3. Gráfica de la variación del factor de galga con respecto al cambio de temperatura. ... 12 Figura No. 4. Zona útil de una galga extensiométrica. ...................................................................... 12 Figura No. 5. a) Campos de desplazamientoen las direcciones x, y, b) Campos de deformación en el sentido x, y (x,y). ............................................................................................................................ 14 Figura No. 6. a) Fotografía de la viga de concreto reforzado b) Esquema de la distribución de fracturas en la probeta. c) Esfuerzo de Von Mises durante la prueba de flexión. .............................. 14 Figura No. 7. Ejemplo de mapa de deformaciones utilizando el método de correlación digital de imágenes presentada en (Jérémie Dautriat, 2011). ............................................................................. 21 Figura No. 8. Transformación de un cuerpo. ..................................................................................... 24 Figura No. 9. Transformación rígida de un cuerpo. ........................................................................... 25 Figura No. 10. Deformación de un cuerpo. ........................................................................................ 26 Figura No. 11. Problema de identificación del desplazamiento considerando únicamente el pixel sin su entorno. .......................................................................................................................................... 28 Figura No. 12. Ejemplos de patrones de moteados ideales (Michael A. Sutton, 2009). .................... 29 Figura No. 13. Mallado virtual de la región de interés. ..................................................................... 31 Figura No. 14. Faceta centrada en un punto P cualquiera de la malla. .............................................. 32 Figura No. 15. En a) se puede observar la imagen original, en b) se puede observar el área de búsqueda en la imagen deformada. .................................................................................................... 33 Figura No. 16. Cálculo del valor de escala de grises en cada faceta. ................................................. 36 Figura No. 17. Cálculo de desplazamiento a nivel pixel. ................................................................... 37 Figura No. 18. Diagrama de flujo de la búsqueda a nivel sub-pixel. ................................................. 38 Figura No. 19 Fundamento del algoritmo rápido y guiado. ............................................................... 40 Figura No. 20 Diagrama de objetivos del sistema de mapas de deformaciones a través del uso de método de correlación digital de imágenes. ....................................................................................... 42 Figura No. 21 Diagrama de casos de uso de funciones del sistema. .................................................. 44 Figura No. 22 Menú de opciones estilo Microsoft Office .................................................................. 45 POSGRADO/MSC Página 4 Figura No. 23 Diagrama de actividades del sistema .......................................................................... 46 Figura No. 24 Diagrama de clases del sistema. .................................................................................. 47 Figura No. 25 Diagrama de clases TMatriz, TMalla. ......................................................................... 48 Figura No. 26 Pantalla principal del software. ................................................................................... 51 Figura No. 27 Ventana de configuración, opción de captura desde dispositivo de almacenamiento. 52 Figura No. 28 Ventana de configuración, opción de captura desde cámara. ..................................... 52 Figura No. 29 Sistema utilizando la opción de captura con cámara. ................................................. 53 Figura No. 30 Carga de archivo base. ................................................................................................ 54 Figura No. 31 Visualización de la imagen base en la interfaz gráfica. .............................................. 55 Figura No. 32 Barra de imágenes deformadas. .................................................................................. 56 Figura No. 33 Zona de trabajo. .......................................................................................................... 57 Figura No. 34 Dimensionamiento real del área de interés. ................................................................ 58 Figura No. 35 Mallado Fino. .............................................................................................................. 58 Figura No. 36 Mallado Normal. ......................................................................................................... 59 Figura No. 37 Mallado Burdo. ........................................................................................................... 60 Figura No. 38 Mallado Personalizado. ............................................................................................... 60 Figura No. 39 Opción de correlacionar. ............................................................................................. 61 Figura No. 40 Código del TRadioButton de la opción captura desde dispositivo de almacenamiento. ............................................................................................................................................................ 62 Figura No. 41 Código para la carga de archivo base. ........................................................................ 63 Figura No. 42 Método interno de conversión de la clase TIMatriz. .................................................. 63 Figura No. 43 Evento execute de la opción Deformadas. .................................................................. 64 Figura No. 44 Directivas de compilación. .......................................................................................... 65 Figura No. 45 Creación de la estructura de datos para la imagen base. ............................................. 66 Figura No. 46 Método para la creación de una imagen tipo BMP a partir de una estructura antes creada. ................................................................................................................................................ 67 Figura No. 47 Evento OnClick para visualizar la cámara. ................................................................. 68 Figura No. 48 Procedimiento de captura de instantánea. ................................................................... 69 Figura No. 49 Procedimiento de dimensionamiento real. .................................................................. 70 POSGRADO/MSC Página 5 Figura No. 50 Procedimiento de captura y procesamiento del evento OnClick del mouse. .............. 71 Figura No. 51 Evento MouseMove. ................................................................................................... 72 Figura No. 52 Procedimiento en el evento MouseUp. ....................................................................... 73 Figura No. 53 Procedimiento de mallado. .......................................................................................... 74 Figura No. 54 Función principal del método de correlación. ............................................................. 76 Figura No. 55 Función para el cálculo a nivel pixel. ......................................................................... 79 Figura No. 56 Búsqueda a nivel sub-pixel. ........................................................................................ 80 Figura No. 57 Cálculo de la matriz Hessiana. .................................................................................... 81 Figura No. 58 Cálculo desplazamiento o deformación pixel a pixel. ................................................ 82 Figura No. 59 Imagen con señal senoidal. ......................................................................................... 85 Figura No. 60 Imagen con moteado aleatorio.................................................................................... 86 Figura No. 61 Resultado de error relativo máximo en la medición de la deformación du/dx con valor nominal de 0.001 (imagen con fuente senoidal). ............................................................................... 89 Figura No. 62 Resultado de error relativo máximo en la medición de la deformación du/dy con valor nominal de 0.003 (imagen con fuente senoidal). ............................................................................... 89 Figura No. 63 Resultado de error relativo máximo en la medición de la deformación dv/dx con valor nominal de -0.001 (imagen con fuente senoidal). .............................................................................. 90 Figura No. 64 Resultado de error relativo máximo en la medición de la deformación dv/dy con valor nominal de -0.002 (imagen con fuente senoidal) ............................................................................... 90 Figura No. 65 Mapa de desplazamientos u obtenidos con la proporción T/M que presenta menores errores (imagen con fuente senoidal, primera configuración de deformaciones). ............................. 91 Figura No. 66 Mapa de desplazamientos v obtenidos con la proporción T/M que presenta menores errores (imagen con fuente senoidal, primera configuración de deformaciones). ............................. 91 Figura No. 67 Mapa de deformación du/dx obtenida con la proporción T/M que presenta menores errores (imagen con fuente senoidal, primera configuración de deformaciones). ............................. 92 Figura No. 68 Mapa de deformación du/dy obtenida con la proporción T/M que presenta menores errores (imagen con fuente senoidal, primera configuración de deformaciones). ............................. 92 Figura No. 69 Mapa de deformación dv/dx obtenida con la proporción T/M que presenta menores errores (imagen con fuente senoidal, primera configuración de deformaciones). ............................. 93 POSGRADO/MSC Página 6 Figura No. 70 Mapa de deformación dv/dy obtenida con la proporción T/M que presenta menores errores (imagen con fuente senoidal, primera configuración de deformaciones). ............................. 93 Figura No. 71 Resultado de error relativo máximo en la medición de la deformación du/dx con valor nominal de 0.01 (imagen con fuente senoidal). ................................................................................. 94 Figura No. 72 Resultado de error relativo máximo en la medición de la deformación du/dy con valor nominal de 0.03 (imagen con fuente senoidal). ................................................................................. 94 Figura No. 73 Resultado de error relativo máximo en la medición de la deformación dv/dx con valor nominal de -0.01 (imagen con fuente senoidal). ................................................................................ 95 Figura No. 74 Resultado de error relativo máximo en la medición de la deformación dv/dy con valor nominal de -0.02 (imagen con fuente senoidal). ................................................................................ 95 Figura No. 75 Mapa de desplazamientos de u obtenidos con la proporción T/M que presenta menores errores (imagen con fuente senoidal, segunda configuración de deformaciones). .............. 96 Figura No. 76 Mapa de desplazamientos de v obtenidos con la proporción T/M que presenta menores errores (imagen con fuente senoidal, segunda configuración de deformaciones). .............. 96 Figura No. 77 Mapa de deformaciones de du/dx obtenidas con la proporción T/M que presenta menores errores (imagen con fuente senoidal, segunda configuración de deformaciones). .............. 97 Figura No. 78 Mapa de deformaciones de du/dy obtenidas con la proporción T/M que presenta menores errores (imagen con fuente senoidal, segunda configuración de deformaciones). .............. 97 Figura No. 79 Mapa de deformaciones de dv/dx obtenidas con la proporción T/M que presenta menores errores (imagen con fuente senoidal, segunda configuración de deformaciones). .............. 98 Figura No. 80 Mapa de deformaciones de dv/dy obtenidas con la proporción T/M que presenta menores errores (imagen con fuente senoidal, segunda configuración de deformaciones). .............. 98 Figura No. 81 Resultado de error relativo máximo en la medición de la deformación du/dx con valor nominal de 0.001 (imagen con moteado aleatorio). .......................................................................... 99 Figura No. 82 Resultado de error relativo máximo en la medición de la deformación du/dy con valor nominal de 0.003 (imagen con moteado aleatorio). ........................................................................... 99 Figura No. 83 Resultado de error relativo máximo en la medición de la deformación dv/dx con valor nominal de -0.001 (imagen con moteado aleatorio). ........................................................................ 100 POSGRADO/MSC Página 7 Figura No. 84 Resultado de error relativo máximo en la medición de la deformación dv/dy con valor nominal de -0.002 (imagen con moteado aleatorio). ........................................................................ 100 Figura No. 85 Mapa de desplazamientos de u obtenidos con la proporción T/M que presenta menores errores (imagen con moteado aleatorio, primera configuración de deformaciones). ........ 101 Figura No. 86 Mapa de desplazamientos de v obtenidos con la proporción T/M que presenta menores errores (imagen con moteado aleatorio, primera configuración de deformaciones). ........ 101 Figura No. 87 Mapa de deformación du/dx obtenida con la proporción T/M que presenta menores errores (imagen con moteado aleatorio, primera configuración de deformaciones). ....................... 102 Figura No. 88 Mapa de deformación du/dy obtenida con la proporción T/M que presenta menores errores (imagen con moteado aleatorio, primera configuración de deformaciones). ....................... 102 Figura No. 89 Mapa de deformación dv/dx obtenida con la proporción T/M que presenta menores errores (imagen con moteado aleatorio, primera configuración de deformaciones). ....................... 103 Figura No. 90 Mapa de deformación dv/dy obtenida con la proporción T/M que presenta menores errores (imagen con moteado aleatorio, primera configuración de deformaciones). ....................... 103 Figura No. 91 Resultado de error relativo máximo en la medición de la deformación du/dx con valor nominal de 0.01 (imagen con moteado aleatorio). ........................................................................... 104 Figura No. 92 Resultado de error relativo máximo en la medición de la deformación du/dy con valor nominal de 0.02 (imagen con moteado aleatorio). ........................................................................... 104 Figura No. 93 Resultado de error relativo máximo en la medición de la deformación dv/dx con valor nominal de -0.01 (imagen con moteado aleatorio). .......................................................................... 105 Figura No. 94 Resultado de error relativo máximo en la medición de la deformación dv/dy con valor nominal de -0.02 (imagen con moteado aleatorio). .......................................................................... 105 Figura No. 95 Mapa de desplazamientos de u obtenidos con la proporción T/M que presenta menores errores (imagen con moteado aleatorio, segunda configuración de deformaciones). ........ 106 Figura No. 96 Mapa de desplazamientos de v obtenidos con la proporción T/M que presenta menores errores (imagen con moteado aleatorio, segunda configuración de deformaciones). ........ 106 Figura No. 97 Mapa de deformación du/dx obtenida con la proporción T/M que presenta menores errores (imagen con moteado aleatorio, segunda configuración de deformaciones)....................... 107 POSGRADO/MSC Página 8 Figura No. 98 Mapa de deformación du/dy obtenida con la proporción T/M que presenta menores errores (imagen con moteado aleatorio, segunda configuración de deformaciones). ...................... 107 Figura No. 99 Mapa de deformación dv/dx obtenida con la proporción T/M que presenta menores errores (imagen con moteado aleatorio, segunda configuración de deformaciones). ...................... 108 Figura No. 100 Mapa de deformación dv/dy obtenida con la proporción T/M que presenta menores errores (imagen con moteado aleatorio, segunda configuración de deformaciones). ...................... 108 Figura No. 101 Explicación gráfica de la minimización de errores conforme aumenta la resolución de las imágenes (resultado de du/dy con valor nominal de 0.02 en imagen con moteado aleatorio). .......................................................................................................................................................... 109 Figura No. 102 Porcentajes de errores máximos en la medición de las deformaciones con imágenes con fuente senoidal, en función de la resolución de la imagen ( a) primera configuración de deformaciones, b) segunda configuración de deformaciones). ........................................................ 110 Figura No. 103 Porcentajes de errores máximos en la medición de las deformaciones con imágenes con moteado aleatorio, en función de la resolución de la imagen ( a) primera configuración de deformaciones, b) segunda configuración de deformaciones). ........................................................ 111 ÍNDICE DE TABLAS Tabla 1 Criterios comúnmente utilizados de correlación cruzada o CC. ........................................... 34 Tabla 2 Criterios comúnmente utilizados de sumatoria de diferencias cuadradas o SSD. ................ 35 Tabla 4. Tamaño de las imágenes generadas. .................................................................................... 86 Tabla 5. Valores de deformación aplicada a las imágenes artificiales. .............................................. 87 Tabla 6. Valores que tomaran las variables propias del método de correlación. ............................... 87 Tabla 7. Valores de la zona de interés y la separación en el mallado. ............................................... 88 POSGRADO/MSC Página 9 CAPÍTULO I. INTRODUCCIÓN 1.1 Introducción. Los diseñadores de estructuras y los estudiosos del área de los materiales tienen como meta común predecir el comportamiento de sus productos para garantizar la calidad de los mismos. Para ello es importante caracterizar el material y determinar sus propiedades mecánicas. Entre las propiedades más significativas desde el punto de vista mecánico se encuentran el Módulo de Young (módulo elástico ) y el Coeficiente de Poisson (relación que existe entre la deformación longitudinal y la deformación transversal de un material ). La importancia de este trabajo de caracterización radica en que en toda construcción de ingeniería, las partes conocidas como componentes de una estructura o máquina se le deben de asignar tamaños físicos definidos. Estas partes deben de ser adecuadamente proporcionadas para que tengan la rigidez o flexibilidad adecuadas. Así por ejemplo, entre otros, las paredes de un recipiente a presión deben sostener la presión interior sin presentar deformaciones considerables, los pisos de un edificio deben ser suficientemente rígidos para el fin a que están destinados, la flecha o árbol en una máquina debe ser de tamaño adecuado para poder transmitir el par de torsión requerido con poca deformación angular, la deflexión del ala de un avión debe ser calculada cuando está sometida a cargas aerodinámicas que se presentan durante el despegue, el vuelo y el aterrizaje, etc. (Egor P. Popov, 2000). El trabajo normal de caracterización mecánica se lleva a cabo a través de máquinas denominadas universales. Estos equipos adoptan su nombre a la capacidad de realizar distintas pruebas, las más comunes son: tensión, compresión y flexión. Cuentan entre sus características más importantes la regulación de la fuerza, el control de desplazamientos, además de contener con un software que en todo momento está adquiriendo los datos de desplazamiento y fuerza. Con los datos adquiridos se puede calcular el esfuerzo y deducir de forma indirecta la deformación sufrida por la muestra de material (por convención se le conoce a dicha muestra como probeta). La gráfica más importante en la caracterización mecánica es la gráfica de esfuerzo contra deformación, con ella se puede POSGRADO/MSC Página 10 determinar el módulo de Young por medio de la pendiente de la zona elástica del material y el coeficiente de Poisson, utilizando la proporción entre la deformación transversal y la deformación axial. El software de la máquina universal tiene la capacidad de estimar las deformaciones de las probetas, mediante la fórmula: 0L D ( 1 ) donde D es el desplazamiento del cabezal y L0 la longitud inicial de la probeta. (ver Figura No. 1). La fórmula supone que los componentes de la máquina son indeformables en todo momento (cabezal, mordazas, celda de carga, etc.) y que todo el desplazamiento proviene de la deformación de la probeta. No obstante, la realidad es muy diferente a lo esperado, en algunas ocasiones la máquina llega a contribuir en los resultados, de tal manera que la deformación estimada es la suma de los desplazamientos de la probeta, más la contribución de los desplazamientos propios de los componentes del equipo, razón por lo cual la estimación se puede considerar de muy mala calidad. Figura No. 1. Cálculo de la deformación utilizando la lectura de la máquina universal. POSGRADO/MSC Página 11 Para evitar este tipo de problemas, se tiene por alternativa el uso de “strain gages” o galgas extensiométricas. Este último es un dispositivo que se utiliza para la medición electrónica de deformación (Sosa). La galga es un sensor que se coloca directamente en el cuerpo de la probeta y que conforme se van deformando la pieza y la galga, la resistencia eléctrica de esta última varía proporcionalmente a la deformación. Mediante un puente de Wheatstone se puede transformar esta variación de resistencia en un voltaje proporcional y así deducir la deformación de la probeta en la dirección en que fue colocada la galga. En la Figura No. 2 se puede observar una galga instrumentada en el cuerpo de la probeta. Figura No. 2. Probeta instrumentada con una galga extensiométrica. Las galgas cuentan con virtudes y defectos, no resuelven todos los problemas de caracterización de los materiales. En condiciones ideales, el sensor puede dar buenos resultados (microdeformaciones), no obstante estos dispositivos deben trabajar bajo ciertos rangos de temperatura controlada. Fuera de rangos óptimos, la deformación propia del material con el que están construidas las galgas, interfiere directamente con los valores de deformación que se pueden deducir para la probeta además de que este material puede degradarse a altas temperaturas. En la Figura No. 3 se puede observar un gráfico que muestra la variación del factor de galga a diferentes temperaturas (el gráfico proviene de los reportes de prueba de uno de los más reconocidos proveedores de sensores de este tipo a nivel mundial (VISHAY, s.f.)). POSGRADO/MSC Página 12 Figura No. 3. Gráfica de la variación del factor de galga con respecto al cambio de temperatura. Las mediciones obtenidas con galgas son consideradas como puntuales, ver Figura No. 4. Una más de las características de los sensores, es el hecho de que son desechables, al deformarse la probeta también lo hace el dispositivo, lo cual invalida su uso para posteriores trabajos de caracterización.Figura No. 4. Zona útil de una galga extensiométrica. POSGRADO/MSC Página 13 Existen en el mercado dos tipos principales de galgas en relación a su costo y uso. El primero es el tipo académico, el segundo es el tipo industrial. El primer tipo, como su nombre lo indica, está limitado para fines académicos y sólo se venden a instituciones educativas, las cuales presentan entre sus programas de estudio, materias relacionadas con la caracterización de materiales. La segunda opción es el tipo industrial, las cuales se vende a cualquier empresa que lo requiera. Su adquisición va directamente relacionada al tipo de estudio y material a caracterizar. Existen galgas especializadas en concretos, polímeros, metales, “altas temperaturas” (por lo general son rangos de temperatura no muy elevados, debido a que finalmente se trata de un componente electrónico), etc. (VISHAY). Cuando se presentan medios poco favorables para el uso de galgas, se buscan nuevos métodos de caracterización. Uno de los más efectivos es el método de correlación digital de imágenes, comúnmente conocido como DIC, por sus siglas en inglés (digital image correlation). Este método aparece en múltiples publicaciones como la solución para determinar el campo de desplazamiento y deformaciones en la superficie de una probeta. Se le considera no invasivo, preciso y con uso en múltiples campos, entre ellos la microscopía, la medicina, etc. El método de correlación digital de imágenes tiene grandes aplicaciones en el área de los materiales, tiene la capacidad de determinar el campo de desplazamientos y deformaciones en la superficie de una probeta (ver Figura No. 5). En algunos casos, si el equipo (máquina universal) lo permite, se pueden crear curvas de esfuerzo contra deformación para determinar las propiedades mecánicas de un material. El método también tiene impacto en el área de la mecánica de la fractura, puesto que permite dar seguimiento puntual a las deformaciones presentadas en el borde de la grieta. En el año 2013 en la revista Indian Academy of Sciences se presentó un artículo titulado “Application of digital image correlation method for analysing crack variation of reinforced concrete beams”, en el que se utiliza el método de correlación de imágenes para observar la propagación de grietas en vigas de concreto reforzado (Ming-Hsiang Shih, August 2013). En la Figura No. 6 se pueden observar los resultados de la deformación de Von Mises (criterio de falla) en una probeta de concreto utilizando el método de correlación de imágenes. POSGRADO/MSC Página 14 Figura No. 5. a) Campos de desplazamiento en las direcciones x, y, b) Campos de deformación en el sentido x, y (x,y). Figura No. 6. a) Fotografía de la viga de concreto reforzado b) Esquema de la distribución de fracturas en la probeta. c) Esfuerzo de Von Mises durante la prueba de flexión. POSGRADO/MSC Página 15 El método de correlación digital de imágenes puede ser empleado en aquellos laboratorios donde se requiera la caracterización de materiales, ya sea en pruebas donde los medios sean poco favorables para el uso de las galgas extensiométricas o simplemente donde se desee conocer el mapa de deformaciones del material. El Centro de Investigación en Materiales Avanzados S.C. (CIMAV), cuenta con múltiples laboratorios con esas características. Está por demás decir que estos laboratorios se verían beneficiados con la implementación de un software de este estilo. 1.2 Planteamiento del problema. Las propiedades mecánicas de un material permiten predecir su comportamiento, ya sea que forme parte de una estructura o que trabaje de forma aislada. Para determinar sus propiedades es necesario realizar una caracterización mecánica, sometiendo el material a pruebas de tensión, compresión, flexión, torsión o cualquier combinación de éstas. El tipo de prueba depende directamente de las condiciones bajo las cuales el material trabaja normalmente. Las pruebas permiten obtener y analizar gráficas de esfuerzo contra deformación para determinar propiedades mecánicas. Una solución confiable para obtener datos de deformación, es el uso de sensores llamados galgas extensiométricas. Sin embargo, en ambientes poco favorables, por ejemplo con altas y bajas temperaturas, las galgas no arrojan un resultado de buena calidad, por ello es necesario encontrar una solución que muestre las virtudes del uso de estos sensores, es decir que tengan buena precisión y que vaya más allá presentando la deformación en un mapa representativo del cuerpo de la probeta. Después de analizar las técnicas existentes en el área de visión computacional, se ha optado por desarrollar un software capaz de crear el mapa de deformaciones basado en la captura y análisis de información, en una serie de imágenes, mediante el uso del método de correlación digital de imágenes en dos dimensiones 2D-DIC. POSGRADO/MSC Página 16 1.3 Alcances y Limitaciones 1.3.1 Alcances El sistema es capaz de controlar el dispositivo de adquisición de imágenes (cámara digital), para extraer las fotografías en tiempos establecidos dentro del software. Por ejemplo: una imagen por segundo, tres imágenes por minuto, etc. El programa tiene la capacidad de aplicar el método de correlación digital de imágenes en fotografías cargadas directamente al sistema, sin el uso del dispositivo de adquisición. El software permite determinar el área de interés y el mallado de puntos donde el usuario desea implementar el mapa de deformaciones. El sistema presenta los resultados mediante el uso de mapas de colores para las deformaciones y desplazamientos sufrida por la probeta en el momento del ensayo. 1.3.2 Limitaciones El programa sólo está habilitado para utilizar el método de 2D-DIC, es decir está limitado a manejar las deformaciones y desplazamientos en superficies planas, es por ello que solamente será útil para probetas planas. El método de correlación digital de imágenes consume recursos computacionales, por lo que el tiempo de respuesta dependerá directamente del equipo donde sea instalado. El software no podrá determinar el módulo de Young, debido a que la curva de esfuerzo contra deformación no puede ser construida sin los datos directos de la lectura de fuerza de la máquina universal. POSGRADO/MSC Página 17 1.4 Justificación Se ha demostrado que los materiales deben probarse en las condiciones reales. Incluso, si las condiciones permiten el uso de metodología tradicional para la caracterización de un material, como lo son las strain gages, los extensómetros, el desplazamiento propio del equipo de prueba, etc., la caracterización no debería de ser un problema. Sin embargo cuando las condiciones ambientales para los sensores están fuera del rango de trabajo (altas, bajas temperaturas, pruebas en medios corrosivos, pruebas de propagación de grietas etc.), o cuando se busca que la información de censado no se centre en un solo punto, sino en una zona específica, se debe buscar una alternativa o simplemente desistir en la caracterización del material. Una alternativa de solución es el uso de sensores especializados, útiles en condiciones extremas. Otra posible opción es utilizar sensores comunes, aumentando su número sobre la probeta. La solución es útil cuando es necesario censar una zona y no un punto en particular. Aun así las posibles soluciones no siempre son viables, ya sea por costo o simplemente porque no es posible abarcar una zona del material. En estos casos, una solución viable es la aplicación del método de correlación digital de imágenes (DIC por sus siglas en inglés). Este método se aplica sobre fotografías obtenidas por medio de una cámara digital, permitiendo la estimación del mapa de deformaciones, de aquí que DIC se presentecomo una técnica no invasiva y poco influenciable por el entorno de prueba. Con la información de carga que proviene de la celda incorporada en la máquina universal Instron y los mapas de deformación calculados a través del método de correlación, fácilmente se pueden construir las curvas de esfuerzo contra deformación para el cálculo del módulo de Young, con las deformaciones longitudinal y transversal el coeficiente de Poisson, propiedades importantes en todo material. Además implementar el método ampliaría el rango de pruebas de caracterización mecánica que puede ofrecer el Centro de Investigación en Materiales Avanzados S.C a clientes y alumnos. POSGRADO/MSC Página 18 1.5 Objetivos 1.5.1 Objetivo General Desarrollar un software capaz de leer una serie de imágenes (a través de dispositivo de almacenamiento o cámara digital). Realizar el cálculo de desplazamiento y deformación utilizando el método de correlación digital de imágenes 2D. Presentar los resultados en gráficas estilo mapa de colores. 1.5.2 Objetivos específicos Desarrollo del módulo de captura de imágenes automáticas: El sistema cuenta con una cámara capaz de ser controlada por medio de USB, de aquí la importancia de contar con un módulo que se especialice en el control de los disparos de la cámara y la captura de la imagen de forma automática. Así mismo, el módulo se encargará de cargar aquellas imágenes conducidas desde un dispositivo de almacenamiento. Implementación del método de correlación digital de imágenes y todos sus subprocesos. El tema central de la tesis es la aplicación del método. En este caso 2D-DIC es aplicado en cada punto de la malla de trabajo y en cada imagen que entre al sistema de comparación. Programación del módulo de resultados. Con los resultados obtenidos en la etapa de correlación digital de imágenes, se presentan las gráficas del mapa de desplazamientos y deformación en cada uno de los instantes (imágenes que representan el paso del tiempo). Esto último se realiza mediante el uso de gráficas de colores, donde cada color representa un valor de desplazamiento o deformación, todo esto dentro de una escala de colores de mínimos y máximos locales representativos de la prueba. POSGRADO/MSC Página 19 Validación del sistema realizando pruebas comparativas entre los resultados que este último arroja y las imágenes creadas con deformaciones predefinidas. Utilizando fórmulas matemáticas es posible crear imágenes con deformaciones conocidas, para así realizar comparaciones y evaluar sus diferencias numéricas. Desarrollo de una interfaz gráfica amigable donde todos los módulos y procesos se presentan al usuario de manera sencilla. Un software de calidad siempre está provisto de una interfaz gráfica amigable e intuitiva, esto último ayudará a que un gran número de usuarios utilicen la herramienta en sus estudios de caracterización de manera cotidiana, tanto dentro como fuera del Centro de Investigación en Materiales Avanzados S.C. POSGRADO/MSC Página 20 CAPÍTULO II. ESTADO DEL ARTE. Los primeros artículos que aparecieron sobre el tema van relacionados con la posibilidad del uso de la correlación digital de imágenes dentro del campo de la caracterización de materiales. Los principales trabajos se enfocan en el área de mecánica de materiales y mecánica de la fractura. En el año de 1984 Friedrich Ackermann (Ackermann, Octuber 1984), presentó una publicación donde daba a conocer los posibles usos de la correlación digital de imágenes dentro de la fotogrametría. Posteriormente en el año de 1985 (T.C. Chu, September 1985) se presenta el método utilizado directamente para realizar experimentación en el área mecánica. Dentro del área de la mecánica de la fractura, el método ha tenido gran aceptación, permitiendo observar el crecimiento de grietas, determinar sus desplazamientos, así como trabajar con los parámetros que permiten determinar los diferentes valores de propagación (G. La Rosa, Luglio 2013). La mayoría de las investigaciones en esta área se centran en estudios de concreto (Jorge Abanto-Bueno, 2002) (Loukili, 2010) (Ming-Hsiang Shih, August 2013) (Wafa, 2013), pero existen también trabajos relacionados con la madera y los adhesivos (Sandhya Samarasinghe, 1997) (R. Fedele, 2012). Existe un buen número de publicaciones relacionadas con la caracterización de materiales mediante la técnica DIC. Todos los trabajos tienen como fin común determinar las propiedades mecánicas y presentar los mapas de desplazamientos y deformaciones (ver Figura No. 7), (E. López-Alba, 2010) (H.J.K. Lemmen, 2008) (Hild, 2006) (Hung, 2003) (Jinlong Chen, 2005) (Jun Zhang, 2011) (Jérémie Dautriat, 2011) (L. P. Canal, 2010) (Metwalli, 1987) (R. Roncella, 2012) (Yaofeng Sun, 2006) (Zili Sun, 1997). POSGRADO/MSC Página 21 Figura No. 7. Ejemplo de mapa de deformaciones utilizando el método de correlación digital de imágenes presentada en (Jérémie Dautriat, 2011). Hoy en día, existen ramas de investigación enfocadas en mejorar el método de correlación digital de imágenes. Ejemplo de ello es la investigación de modelos centrados en encontrar algoritmos cada vez más rápidos, pero sin pérdida de precisión, utilizando esquemas de ventanas gaussianas auto- adaptativas para la búsqueda a nivel sub-pixel (Yuan Yuan, 2014) (J. Huang, 2013), permitiendo con esto una disminución en el área de búsqueda, iteración tras iteración. Otras investigaciones apuntan a la eliminación de cálculos repetitivos en los algoritmos de búsqueda, como lo puede ser la construcción continua de coeficientes de interpolación y la búsqueda a nivel pixel. Este tipo de investigación está presente en la publicación titulada A fast digital image correlation method for deformation measurement (Bing Pang, 2011), en la que se proponen dos esquemas de optimización de cálculo. En el primero se propone generar la interpolación bicúbica en una sola ocasión por zona de búsqueda y no por iteración. En el segundo se considera el concepto de deformaciones continuas, donde dos pixeles de interés comparten una faceta común, por lo tanto se puede hacer una primera estimación de desplazamientos y deformación, para uno de estos puntos, utilizando información de cálculo del otro, con ello se puede evitar la búsqueda a nivel pixel y se inicializan los valores de búsqueda a nivel sub-pixel. En el año 2009 la editorial científica Springer presentó un libro titulado “Image Correlation for Shape, Motion and Deformation Measurements” (Michael A. Sutton, 2009), en la cual los autores POSGRADO/MSC Página 22 hicieron una búsqueda exhaustiva en Science Citation Index sobre el tema de 2D-DIC (Correlación digital de imágenes para 2D) y encontraron más de 400 artículos sobre el tema, todos ellos dentro del periodo comprendido entre el año 2000 al 2007. Esto deja ver que existe una gran aceptación del método para múltiples disciplinas y que se trabaja constantemente en su mejora. Finalmente, en los últimos años las propuestas se centran en resolver el método de correlación de imágenes en 3D. Este tipo de método permite generar mapas de deformación en tres dimensiones a través de dos equipos de captura simultánea. El algoritmo se deriva directamente del cálculo realizado para el mapeo 2D. POSGRADO/MSC Página 23 CAPÍTULO III. MARCO TEÓRICO 3 [ADD1]Transformación de un cuerpo Para el estudio de la transformación de un sólido S en el espacio tridimensional, partimos de que éste tiene un estado inicial. Dicho sólido está constituido por un conjunto de puntos geométricos en el espacio, dentro de un sistema de ejes (0,𝑒𝑥, 𝑒𝑦 ,𝑒𝑧), que forman un volumen denominado Ω0. Debido a que la transformación de dicho cuerpo ocurre a través del tiempo, el estado inicial,también conocido como configuración de referencia, ocurre en el instante de tiempo 𝑡0. Por tanto la transformación del sólido S ocurre en un instante 𝑡 modificando el volumen de Ω0 a Ω. Consideremos un punto material que ocupaba un punto geométrico 𝑀0 de coordenadas (𝑋, 𝑌, 𝑍) perteneciente al sólido 𝑆 en el instante 𝑡0 y que en el instante 𝑡 ocupa el punto geométrico 𝑀 de coordenadas (𝑥, 𝑦, 𝑧) tal y como lo muestra la Figura No. 8. Entonces podemos definir el campo vectorial de transformación 𝑇 en el instante de tiempo 𝑡, que a todo punto 𝑀0 perteneciente al volumen Ω0 le asocia el vector 𝑂𝑀. Esto se puede expresar de la siguiente manera: 𝑇(𝑀0) = 𝑂𝑀 ( 2 ) Es decir, 𝑇(𝑋, 𝑌, 𝑍) = ( 𝑥 = 𝑇𝑥(𝑋, 𝑌, 𝑍) 𝑦 = 𝑇𝑦(𝑋, 𝑌, 𝑍) 𝑧 = 𝑇𝑧(𝑋, 𝑌, 𝑍) ) ( 3 ) donde 𝑇𝑥, 𝑇𝑦 y 𝑇𝑧 son tres campos escalares. POSGRADO/MSC Página 24 Figura No. 8. Transformación de un cuerpo. 3.2 Campo de desplazamiento El desplazamiento del punto material que ocupaba el punto geométrico 𝑀0 de coordenadas iniciales (𝑋, 𝑌, 𝑍) y que ahora se encuentra en el punto geométrico 𝑀 de coordenadas (𝑥, 𝑦, 𝑧), está dado por el vector 𝑀0𝑀 = 𝑂𝑀 − 𝑂𝑀0. De esto se desprende el campo de desplazamiento 𝑈, que asocia a cualquier punto 𝑀0 perteneciente al volumen Ω0 el vector 𝑀0𝑀, a través de las siguientes fórmulas: 𝑈(𝑀0) = 𝑈 (𝑂𝑀0) = 𝑈(𝑋, 𝑌, 𝑍) = 𝑀0𝑀 = 𝑂𝑀 − 𝑂𝑀0 = 𝑇 (𝑂𝑀0) − 𝑂𝑀0 ( 4 ) Por lo tanto 𝑈(𝑋, 𝑌, 𝑍) = ( 𝑈𝑥(𝑋, 𝑌, 𝑍) = 𝑇𝑥(𝑋, 𝑌, 𝑍) − 𝑋 𝑈𝑦(𝑋, 𝑌, 𝑍) = 𝑇𝑦(𝑋, 𝑌, 𝑍) − 𝑌 𝑈𝑧(𝑋, 𝑌, 𝑍) = 𝑇𝑧(𝑋, 𝑌, 𝑍) − 𝑍 ) ( 5 ) POSGRADO/MSC Página 25 3.3 Campo de deformación. Si la distancia entre dos puntos materiales y/o los ángulos entre dos vectores materiales, que pertenecen al sólido S, varían entre los instantes 𝑡0 y 𝑡, se puede deducir que el sólido S ha sufrido una deformación. Si cualquier distancia y ángulo no sufren cambios a través de la transformación, se dice entonces que se tiene una transformación rígida o movimiento rígido. Los movimientos rígidos son translaciones y rotaciones. Si consideramos los puntos 𝑀0, 𝑁0 y 𝑃0, que pertenecen al volumen Ω0, y sus correspondientes puntos 𝑀, 𝑁 y 𝑃 de Ω, una forma de detectar alguna deformación es calcular la diferencia entre productos puntos en la configuración de referencia y en la configuración actual: 𝑀𝑁 ∙ 𝑀𝑃 − 𝑀0𝑁0 ∙ 𝑀0𝑃0 ( 6 ) Para una transformación rígida o la no deformación en el volumen Ω0 se tiene un valor cero (ver Figura No. 9). Por lo tanto cualquier resultado diferente a cero denota una deformación en el volumen Ω0 (ver Figura No. 10). Figura No. 9. Transformación rígida de un cuerpo. POSGRADO/MSC Página 26 Figura No. 10. Deformación de un cuerpo. Consideremos dos vectores de materiales de tamaño infinitesimal 𝑑𝑀0 y 𝑑𝑀0 ´ que pertenecen al volumen Ω0 y sus correspondientes 𝑑𝑀 y 𝑑𝑀 ´ pertenecientes al volumen Ω, se puede obtener que : 𝑑𝑀 ∙ 𝑑𝑀´ − 𝑑𝑀0 ∙ 𝑑𝑀0 ´ = 2𝑑𝑀0 ∙ (�̿� ∙ 𝑑𝑀0 ´ ) ( 7 ) donde �̿� es el tensor de Green-Lagrange y está definido por: �̿� = 1 2 (𝑔𝑟𝑎𝑑𝑡̿̿ ̿̿ ̿̿ ̿̿ 𝑇 ∙ 𝑔𝑟𝑎𝑑̿̿ ̿̿ ̿̿ ̿𝑇 − 1̿) ( 8 ) Cuando el movimiento es rígido dicho tensor es igual a 0 ̿ , caso contrario, si el tensor de Green- Lagrange presenta valores no nulos en algún punto de coordenada (𝑋, 𝑌, 𝑍) perteneciente a Ω0, existen deformaciones. El tensor de Green-Lagrange se puede simplificar bajo la hipótesis de pequeñas perturbaciones o de transformaciones infinitesimales, es decir transformaciones en las cuales la magnitud de desplazamientos es despreciable delante de las dimensiones del cuerpo. Esto se hace principalmente POSGRADO/MSC Página 27 para evitar la aparición de términos no lineales en la expresión del tensor de deformación. Bajo esta hipótesis, el tensor de Green-Lagrange es aproximado por el tensor de deformaciones de Green- Cauchy definido por: 𝜀̿ = 1 2 (𝑔𝑟𝑎𝑑̿̿ ̿̿ ̿̿ ̿𝑈 + 𝑔𝑟𝑎𝑑𝑡̿̿ ̿̿ ̿̿ ̿̿ 𝑈) ( 9 ) Es pertinente resaltar que la matriz de deformaciones es una matriz simétrica. 𝜀̿ = ( 𝜀𝑥𝑥 𝜀𝑥𝑦 𝜀𝑥𝑧 𝜀𝑥𝑦 𝜀𝑦𝑦 𝜀𝑦𝑧 𝜀𝑥𝑧 𝜀𝑦𝑧 𝜀𝑧𝑧 ) ( 10 ) donde los coeficientes son campos escalares. Las deformaciones 𝜀𝑥𝑥, 𝜀𝑦𝑦, y 𝜀𝑧𝑧 indican si hay una dilatación o contracción en las direcciones 𝑒𝑥, 𝑒𝑦 y 𝑒𝑧 respectivamente y las deformaciones 𝜀𝑥𝑦, 𝜀𝑥𝑧, y 𝜀𝑦𝑧 indican si hay deformaciones angulares. 3.4 Deformaciones principales. Puesto que la matriz 𝜀 ̿ es simétrica, existe un sistema de ejes ortonormal en el cual la matriz de deformación es una matriz diagonal: 𝜀̿ = ( 𝜀𝑝1 0 0 0 𝜀𝑝2 0 0 0 𝜀𝑝3 ) ( 11 ) donde los elementos diagonales son llamados las deformaciones principales. POSGRADO/MSC Página 28 3.5 Método de Correlación Digital de Imágenes (DIC) El método de correlación digital de imágenes requiere de una sucesión de pasos para obtener resultados confiables. Estos van desde la preparación del material hasta la configuración de parámetros y cálculo de desplazamiento y deformación. A continuación se presentan uno a uno los pasos y las razones por las cuales son importantes: 3.5.1 Preparación de las probetas La preparación de las probetas nace como consecuencia de una serie de problemas presentes dentro del método de correlación, el primero de ellos se deriva principalmente del hecho de que es poco probable no encontrar repetido el valor de un pixel en escala de gris (valores que van desde 0 a 255) entre imágenes (el tamaño de una imagen fácilmente supera los 256 pixeles, por lo tanto es casi seguro que algún valor de escala de gris se repita en varias posiciones en la matriz de pixeles, ver Figura No. 11). Figura No. 11. Problema de identificación del desplazamiento considerando únicamente el pixel sin su entorno. La solución a este problema es el uso de una vecindad, es decir se toman una serie de pixeles alrededor del pixel de interés, esto aporta mejor y mayor información con la cual trabajar (E. López- POSGRADO/MSC Página 29 Alba, 2010) (Michael A. Sutton, 2009). Con el uso de la vecindad de pixeles se soluciona el problema de correspondencia única, siempre y cuando no exista otra vecindad idéntica dentro de la imagen. Este nuevo problema se resuelve contando con una superficie anisotrópica, es decir, sin orientación predefinida, con texturizados aleatorios que no provoquen errores de registros idénticos. Lo ideal es contar con materiales que tengan superficies que cumplan con dicha descripción, de no ser así, una solución consistiría en aplicar un texturizado sobre la superficie conocido comúnmente como moteado. El moteado se adhiere directamente en la probeta y como consecuencia de ello éste se trasforma y deforma a la par del objeto, por lo tanto no existe pérdida de correspondencia. Una de las características clave de los buenos patrones de moteado es su alto contenido de información. Dado que toda la superficie está texturizada, la información para el patrón está disponible en todas partes de la superficie y no sólo en una pequeña zona. Esto último permite el uso de una ventana de búsqueda relativamente pequeña alrededor de la posición original del pixel a buscar para encontrar coincidencias. En la Figura No. 12 se pueden observar imágenes de patrones de moteados ideales en el uso del método de la correlación digital de imágenes. Figura No. 12. Ejemplos de patrones de moteados ideales (Michael A. Sutton, 2009). POSGRADO/MSC Página 30 3.5.2 Región de Interés y mallado La segunda etapa del método se basa en el trabajo que se realiza sobre las imágenes que son obtenidas desde la cámara digital o de un dispositivo dealmacenamiento. En esta parte del trabajo, se tiene una secuencia de imágenes que van desde el estado inicial de la probeta hasta el estado final de deformación de la misma. La técnica de correlación de imágenes permite calcular el movimiento de cada uno de los pixeles que forman el patrón de moteado, este proceso se realiza comparando la imagen en el instante cero 0t , contra la imagen de un tiempo en particular de la prueba. El primer paso para calcular el movimiento consiste en seleccionar una región de interés (en inglés se le conoce a esta zona como ROI o region of interest), esta selección se debe principalmente a dos problemas presentes en el método DIC. A continuación se detallan cada uno de estos problemas en particular: 1. Eliminar zonas ajenas a la prueba: No siempre se puede evitar captar ciertas porciones de imagen ajenas a la probeta (fondo, pequeñas porciones de la máquina universal, etc.), puesto que delimitar una zona permite dejar fuera dichos espacios innecesarios para el cálculo. 2. Impedir cálculos innecesarios: Aún y cuando el total de la imagen fuese únicamente la probeta, no siempre es necesario conocer el mapa de desplazamientos y deformaciones en su totalidad, por ello es importante delimitar una zona que evite cálculos innecesarios ya que el método en sí requiere de bastante tiempo de cómputo. Una vez que la zona ha sido elegida, el área que la compone es dividida uniformemente mediante una malla o grid, en cuyos puntos de intersección de cada línea horizontal y vertical se hará el análisis de correlación (ver Figura No. 13). Se recomienda que estas subdivisiones sean de forma POSGRADO/MSC Página 31 cuadrada y con un espacio pequeño entre pixeles, algunas publicaciones como (Bing Pang, 2011) refuerzan este concepto. Figura No. 13. Mallado virtual de la región de interés. 3.5.3 Facetas y área de búsqueda Para evitar problemas de correspondencia única se utilizan vecindades de pixeles (facetas) y no un valor de pixel por separado, debido a esto, en el proceso de correlación digital de imágenes, cada faceta de la imagen no deformada es comparada una a una contra las facetas de la imagen deformada, calculando un criterio de correlación. Dicho de otro modo, para un punto P cualquiera que forma la malla, se selecciona una faceta cuadrada de dimensiones 1212 MM de pixeles centrada en el punto 00 , yxP de la imagen inicial (ver Figura No. 14). Posteriormente se toma un punto '' , yxP en la imagen deformada y se crea una faceta de la misma dimensión de la utilizada en el punto de la imagen original, con estas dos facetas se calcula un criterio de correlación para determinar su similitud. Hay que tomar en cuenta que el área de búsqueda que se establece en la imagen deformada tiene un tamaño de LMLM 1212 centrada en las coordenadas del punto P , esto permite restringir la búsqueda en una pequeña área y no en la totalidad de la imagen (ver Figura No. 15). Expliquemos qué son 𝑀 y 𝐿: POSGRADO/MSC Página 32 Dentro de los cálculos, la variable M provee el tamaño de la faceta. Un valor de M pequeño permite cálculos muy rápidos, implicando un posible riesgo en la tarea de hacer únicas a las facetas y obteniendo posiciones erróneas. Por otro lado un M grande garantiza facetas únicas, su parte negativa radica en costos computacionales elevados. Por lo general el tamaño de esta variable se define en base a la experiencia del usuario respecto al método y al moteado utilizado. En algunos trabajos como en (V. Álvarez, 2010) se busca generar algoritmos capaces de encontrar el tamaño óptimo de esta variable M . Por otra parte, la variable L permite delimitar una zona de búsqueda alrededor de la faceta, evitando con esto procesar la totalidad de pixeles de las imágenes. Una L pequeña permite hacer cálculos relativamente rápidos, sin embargo se puede dar el caso que el punto desplazado quede por fuera de la zona delimitada por el valor de dicha variable. Una L muy grande garantiza que la búsqueda no deje fuera al punto desplazado, su contraparte es que origina un alto costo computacional. Figura No. 14. Faceta centrada en un punto P cualquiera de la malla. POSGRADO/MSC Página 33 Figura No. 15. En a) se puede observar la imagen original, en b) se puede observar el área de búsqueda en la imagen deformada. 3.5.4 Criterio de correlación y cálculo del desplazamiento a nivel Pixel El cálculo del desplazamiento a nivel pixel trata del proceso y la optimización del cálculo del vector de desplazamientos a nivel discreto, para ello se pueden emplear diversos criterios de correlación que permiten determinar la similitud entre una faceta de la imagen base y otra de la imagen deformada; de las más comunes se pueden mencionar la correlación cruzada (Cross-Correlation CC) y la sumatoria de diferencias cuadradas (Sum of Squared Differences SSD). Estos criterios y sus variantes están escritos en la Tabla 1 y en la Tabla 2. Los criterios de CC en realidad están relacionados con los criterios de SSD. Ejemplo de ello es el criterio correlación cruzada cero normalizada (ZNCC) que se puede deducir a partir de la sumatoria de diferencias cuadradas cero normalizada (ZNSSD), la deducción detallada se puede encontrar en (Bing Pang, 2011) y la relación siguiente se presenta como pCpC ZNCCZNSSD 12 . POSGRADO/MSC Página 34 Los criterios de correlación cruzada (CC) y la suma de diferencias cuadradas (SSD) son sensibles a los todas las fluctuaciones de iluminación. Por esto, si se desea utilizar este par de criterios es necesario contar con equipos que controlen en todo momento la iluminación de la prueba. Por encima de este par de criterios se sitúan la correlación cruzada normalizada (NCC) y la sumatoria de diferencias cuadradas normalizada (NSSD), este par de criterios son insensibles a la escala lineal de equipo de iluminación pero sensibles al desfase luminoso. De los criterios comúnmente utilizados, la correlación cruzada cero normalizada (ZNCC) y la sumatoria de diferencias cuadradas cero normalizada (ZNSSD) son los más robustos ante situaciones de ruido de prueba e insensibles ante cualquier situación de iluminación, con lo que se vuelven los mejores criterios a implementar en todo momento. Tabla 1 Criterios comúnmente utilizados de correlación cruzada o CC. Correlación Cruzada (Cross-Correlation CC) M Mi M Mj jijiCC yxgyxfC '' ,, ( 12 ) Correlación Cruzada Normalizada (Normalized Cross-Correlation NCC) M Mi M Mj jiji NCC gf yxgyxf C '' ,, ( 13 ) M Mi M Mj ji yxff 2 , M Mi M Mj ji yxgg 2'' , Correlación Cruzada Cero Normalizada (Zero-Normalized Cross-Correlation ZNCC) M Mi M Mj mjimji ZNCC gf gyxgfyxf C '' ,, ( 14 ) M Mi M Mj jim yxf M f , 12 1 2 POSGRADO/MSC Página 35 M Mi M Mj jim yxg M g '' 2 , 12 1 M Mi M Mj mji fyxff 2 , M Mi M Mj mji gyxgg 2'' , Tabla 2 Criterios comúnmente utilizados de sumatoria de diferencias cuadradas o SSD. Sumatoria de Diferencias Cuadradas (Sum of Squared Differences SSD) M Mi M Mj jijiSSD yxgyxfC 2'' ,, ( 15 ) Sumatoria de Diferencias Cuadradas Normalizada (Normalized Sum of Squared Differences NSSD) M Mi M Mj jiji NSSD g yxg f yxf C '' ,, ( 16 ) M Mi M Mj ji yxff 2 , M Mi M Mj ji yxgg 2'' , Sumatoria de Diferencias Cuadradas Cero Normalizada (Zero-NormalizedSum of Squared Differences ZNSSD) M Mi M Mj mjimji ZNSSD g gyxg f fyxf C '' ,, ( 17 ) M Mi M Mj jim yxf M f , 12 1 2 M Mi M Mj jim yxg M g '' 2 , 12 1 POSGRADO/MSC Página 36 M Mi M Mj mji fyxff 2 , M Mi M Mj mji gyxgg 2'' , En todos los criterios expuestos se emplean las funciones ji yxf , y '' , ji yxg , dichas funciones corresponden al cálculo del valor en la escala de grises de los pixeles contenidos en cada faceta de estudio tanto en la imagen de referencia como en la imagen deformada, realizando una evaluación en cada pixel de la fila i y columna j en la faceta cuadrada de lado M (ver Figura No. 16). Figura No. 16. Cálculo del valor de escala de grises en cada faceta. El criterio de correlación elegido se calcula pixel a pixel en el área de búsqueda determinada por la fórmula presentada en la sección anterior. Posteriormente se busca el pixel cuyo criterio de correlación tenga el valor máximo dentro de la región, la ubicación de este pixel en la imagen deformada se le conoce como el cálculo de desplazamiento a nivel pixel (ver Figura No. 17), donde se puede determinar a 0u y 0v (desplazamiento en x y y respectivamente) donde xxu 0 y yyv 0 . POSGRADO/MSC Página 37 Figura No. 17. Cálculo de desplazamiento a nivel pixel. 3.5.5 Cálculo del desplazamiento a nivel Sub-Pixel La etapa anterior permite obtener los desplazamientos del pixel en un nivel discreto, es decir con números enteros, sin embargo en la realidad la deformación que sufre la probeta no está coordinada con el instante en que es tomada la imagen, por consecuencia es natural que la ubicación real del punto buscado haya quedado entre un par de pixeles, es decir a nivel sub-pixel. Para este cálculo se requiere utilizar un método iterativo que permita encontrar la solución de un sistema de ecuaciones no lineales. En este caso se utiliza el método de Newton–Raphson, en donde se tiene que encontrar la solución TyvxvvyuxuuP /,/,,/,/, de la ecuación siguiente (Bing Pan K. Q., 2009) (Michael A. Sutton, 2009): kckckk pCpCpp 11 kckk pCpHp 1 ( 18 ) POSGRADO/MSC Página 38 donde Tvup 0,0,,0,0, 00 0 , 0u es el desplazamiento en X a nivel pixel, 0v es el desplazamiento en Y a nivel pixel, cC es el criterio de correlación elegido y H es conocida como la matriz Hessiana. Esta solución minimiza el criterio de correlación empleado cC . En el cálculo a nivel pixel el valor de yxg , era tomado directamente del valor en escala de gris de la imagen deformada, en el nivel sub-pixel tanto la posición como el valor deben de ser calculados. Para la posición se utiliza una función de transformación ( 19 ) y para el valor en escala de gris se utiliza la interpolación bicúbica formada a partir de una faceta de la imagen deformada ( 20 ). 0 0 1 // // YY XX yvxvv yuxuu Y X y x ( 19 ) 3 0 3 0 , m n nm mn yxyxg ( 20 ) En la Figura No. 18 se puede observar de manera gráfica la manera en que funciona el método de correlación digital de imágenes a nivel sub-pixel. Figura No. 18. Diagrama de flujo de la búsqueda a nivel sub-pixel. POSGRADO/MSC Página 39 Una vez terminado el cálculo a nivel sub-pixel se puede contar con el desplazamiento y deformación en el punto P , para la dirección x y y . Sin embargo el método tiene inconvenientes relativos al uso de método de Newton-Raphson, donde iteración a iteración se tiene que cuidar la convergencia, introduciendo límites entre los valores que pueden tener cada una de las seis incógnitas. 3.5.6 Algoritmo rápido y guiado para la determinación de movimiento a nivel pixel y parámetros iniciales de nivel Sub-Pixel En el subcapítulo que habla específicamente de la búsqueda de desplazamientos a nivel pixel se menciona que es necesario repetir la acción de búsqueda a través de una región o vecindad y que en cada pixel se realiza un cálculo comparativo mediante el uso de un criterio de correlación, sin embargo, en el año 2011 Bing Pan y Kai Li presentaron un novedoso método que permite predecir de manera rápida dicho desplazamiento con un cálculo a través de los resultados del pixel de interés anterior (Bing Pang, 2011). Dichos cálculos se basan en el modelo de aproximación gaussiana (ver Figura No. 19). Dado que el punto Q se encuentra dentro de la faceta de referencia y asumiendo que los desplazamientos entre la imagen base y deformada no han tenido un cambio considerable (quiere decir que este método tiene validez con imágenes con desplazamientos pequeños y controlados), se puede predecir el valor de desplazamiento a nivel pixel de Q con los valores resultantes del cálculo de 'P mediante la siguiente fórmula: jiii y y u x x u uxxx 0 ' ( 21 ) jijj y y v x x v vyyy 0 ' ( 22 ) donde 0x y 0y son las coordenadas del punto P , ix es la distancia entre las coordenadas x de los puntos P y Q , jy es la distancia entre las coordenadas y de los puntos P y Q , u , v , x u , y u , POSGRADO/MSC Página 40 x v y y v son los resultados de desplazamientos y deformaciones calculados en el punto P . Con el uso de la fórmula anterior se puede prescindir de realizar la búsqueda a nivel pixel del punto Q inyectando los resultados en el vector p de la siguiente manera: Tji yxp 0,0,,0,0, ''0 , además se puede dejar de lado la suposición de que los valores de deformación inician en un valor 0 utilizando como punto de partida los valores de deformación del punto anterior de la siguiente manera: Tji yvxvyyuxuxp /,/,,/,/, ''0 , ello basta para hacer más rápido el método sin perder precisión. Figura No. 19. Fundamento del algoritmo rápido y guiado. 3.5.7 Cálculo de resultados Una vez que se tienen todos los puntos del grid o malla, se cuenta con suficiente información para determinar los desplazamientos y deformaciones en los puntos intermedios de la misma. Éstos se pueden realizar simplemente empleando la interpolación bicúbica, utilizando como base la información de los puntos calculados. Con ello es posible generar una serie de coeficientes capaces de predecir el valor intermedio de cualquier pixel que se encuentre dentro del rango de valores de la región de interés. POSGRADO/MSC Página 41 CAPÍTULO IV. DESARROLLO 4.1 Modelo de negocio El objetivo principal del desarrollo de esta tesis de maestría, es dotar al laboratorio de pruebas mecánicas e integridad estructural del Centro de Investigaciones en Materiales Avanzados S.C. (CIMAV por sus siglas) de una herramienta capaz de estimar el mapa de desplazamientos y deformaciones de probetas planas. El laboratorio de pruebas mecánicas e integridad estructural está dotado de una máquina universal electromecánica Instron, con una celda de carga de 10 toneladas de capacidad la cual es capaz de efectuar pruebas de tensión, compresión, flexión de tipo monotónico o cíclico, así como pruebas compuestas agregando factores externos como pueden ser la temperatura o inclusive la inducción de corriente o voltaje en las probetas de ensayo. Dicho equipo se utiliza regularmente en las pruebas que realizan los alumnos de maestría y doctorado en ciencia de los materiales del centro de investigación, así como en pruebas de caracterización mecánica de proyectos con la industria. Las normativas indican quelas pruebas de caracterización se deben hacer bajo las condiciones de trabajo normal de los materiales, es decir si los materiales están sometidos a altas o bajas temperaturas es necesario acondicionar el equipo con dispositivos de manejo y control de temperatura. Debido a esto, es que el software de mapeo de deformaciones en probetas planas toma una gran utilidad apoyando en la caracterización de materiales en condiciones poco favorables para otro tipo de instrumentación especializada en la determinación de deformaciones como el de galgas extensiométricas. Bajo estas premisas se realizó un diagrama de objetivos donde se puede visualizar el trabajo que debe de efectuar el sistema para que pueda ser implementado dentro del trabajo de caracterización de materiales que normalmente se hace en el laboratorio antes mencionado (ver Figura No. 20). POSGRADO/MSC Página 42 Figura No. 20. Diagrama de objetivos del sistema de mapas de deformaciones a través del uso de método de correlación digital de imágenes. 4.2 Determinación de requerimientos La etapa de determinación de requerimientos consiste en organizar la información obtenida a través del diagrama de objetivos del modelado de negocios, los objetivos específicos, los alcances y limitaciones del sistema, para con ello poder determinar cuáles son las exigencias que debe de cumplir el sistema para que garantice el éxito en su funcionamiento y utilidad. En base a estos datos se establecen los siguientes requerimientos con los que debe de cumplir el software en todo momento: POSGRADO/MSC Página 43 El éxito de un software se garantiza basado en su funcionamiento y fácil uso, por ello es importante que este sistema cuente con una interfaz gráfica sencilla de utilizar e intuitiva, que permita al usuario conocer todas sus herramientas sin necesidad de un estudio exhaustivo del manual de funcionamiento. Para ello es necesario que los nombres de los comandos y los íconos sean representativos al proceso del método de correlación digital de imágenes que se vaya a invocar. El sistema debe de proveer dos opciones para obtener las imágenes para la correlación, esto va a depender directamente del tipo de prueba y usuario del sistema. Para usuarios que cuenten con el software y una cámara instalados en un mismo equipo de cómputo, podrán configurar el sistema para que adquiera las imágenes en lapsos de tiempo específicos. Por otra parte, para usuarios que hayan obtenido las imágenes por otros medios ajenos a la captura automática del sistema, podrán cargar las imágenes siempre y cuando cumplan con estándares de compatibilidad de tamaños y formato. Una implementación exitosa del método implica que las etapas de la correlación estén separadas y puedan ser configurables para que el usuario pueda cambiar ciertos parámetros a su gusto, por ejemplo poder modificar la zona de interés para el estudio, el tamaño de malla o separación de puntos de muestreo, dimensionamiento real de las imágenes a utilizar, configuración de variables de búsqueda y muestreo como lo son el tamaño de vecindad y el área de búsqueda, etc. El post-procesamiento debe contar con capacidad para generar mapas de deformaciones por medio de colores en diferentes direcciones para ser analizados por el usuario. El sistema debe de tener una respuesta en un tiempo deseable, es decir el método no puede durar demasiado tiempo como para pasar de ser un beneficio a una carga de trabajo no deseada. Los resultados deben de contar con un factor de exactitud, esto se logra validando el sistema contra imágenes predefinidas con deformaciones controladas, esto garantiza que los resultados puedan ser utilizados dentro de una investigación sobre un material en particular. POSGRADO/MSC Página 44 Del análisis de los puntos anteriores podemos presentar el diagrama de casos de uso de la Figura No. 21, en donde ponemos observar las diferentes funciones con las que debe de contar el software. Figura No. 21. Diagrama de casos de uso de funciones del sistema. POSGRADO/MSC Página 45 A partir de lo anterior, se puede considerar que la expresión adecuada para presentar la información es mediante una interfaz gráfica muy simple con la que se pueda acceder directamente a cada una de las opciones desde menús del estilo de Microsoft Office (ver Figura No. 22), para con ello lograr cambiar la configuración en todo momento, sin necesidad de pasar por todas las etapas del proceso, todo esto a través de cuadros de diálogos sencillos, cajas de texto editables, etc. Figura No. 22. Menú de opciones estilo Microsoft Office Aprovechando que el Centro de Investigación en Materiales Avanzados cuenta con licencias de RAD STUDIO XE, es posible que el sistema sea completamente desarrollado bajo esta plataforma. Además, este entorno de desarrollo presenta una serie de componentes que facilitan la programación de la interfaz gráfica. Para finalizar la etapa de requerimientos, se presenta el diagrama de actividades de la Figura No. 23, que permite establecer de manera visual el flujo de información al que se debe de apegar el sistema de acuerdo a los requerimientos y el diagrama de casos de uso antes expuesto. POSGRADO/MSC Página 46 Figura No. 23. Diagrama de actividades del sistema POSGRADO/MSC Página 47 4.3 Análisis y diseño La etapa de análisis y diseño consiste en traducir los requisitos a una especificación o modelado que describe cómo implementar el sistema. En el caso particular del sistema de correlación digital de imágenes en 2D, se tomó la decisión de utilizar un modelo basado en el paradigma orientado a objetos que permita el manejo de las imágenes como un objeto con características y métodos comunes. A continuación se presentan los diagramas de clases propuestos para el manejo de las imágenes, el mallado y las matrices para el cálculo de desplazamientos en la Figura No. 24 y en la Figura No. 25. Figura No. 24. Diagrama de clases del sistema. POSGRADO/MSC Página 48 Figura No. 25. Diagrama de clases TMatriz, TMalla. El diagrama de clases presenta la forma en que se describen las relaciones entre cada uno de los objetos que serán creados a través de la implementación de las mismas. La lista de imágenes tiene en su interior un objeto de tipo TIMatriz. Dicho objeto tiene como finalidad guardar los valores de la matriz de escala de grises que compone la imagen, la imagen como tal y provee de una serie de métodos donde se realizan algunos de los cálculos del método de correlación digital de imágenes. La clase TListaP tiene como finalidad almacenar objetos de tipo TP, dichos objetos a su vez guardan los valores de deformación de cada punto de la malla (recordando, los cálculos del método se realizan en pixeles específicos de la imagen y no en la totalidad de éstos) donde yvxvvyuxuuP /,/,,/,/, . Por lo tanto un objeto de tipo TListaP almacenara tantos objetos P como puntos de mallado. La función de la clase TMapa, es formar objetos capaces de determinar los valores de pixeles intermedios respecto de aquellos que son parte de la malla, dicho de otra forma, utilizando los valores de P de cada pixel de malla se pueden crear coeficientes de interpolación. Con dichos coeficientes se pueden estimar los valores de pixel que no forman parte de la malla. Observando el diagrama de la Figura No. 24, y una vez leídas las explicaciones de los párrafos anteriores, se puede deducir que creando un objeto de tipo TListaImagenes se pueden almacenar POSGRADO/MSC Página 49 cada una de las imágenes, los puntos que forman la malla y los coeficientes para determinar los valores intermedios. En el diagrama de la Figura No. 25 se pueden observar un par de clases, la primera de ellas
Compartir