Tesis08
Upcoming SlideShare
Loading in...5
×
 

Tesis08

on

  • 141 views

tesis para estudiantes de ingenieria electronica ale

tesis para estudiantes de ingenieria electronica ale

Statistics

Views

Total Views
141
Views on SlideShare
141
Embed Views
0

Actions

Likes
0
Downloads
0
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Tesis08 Tesis08 Document Transcript

  • SISTEMA DE DISCRIMINACIÓN DE METALES HERNÁN DARÍO GUZMÁN CAMILO CARLOS ROA Trabajo de grado para optar por el título de Ingeniero Electrónico Director CARLOS PARRA Ingeniero Electrónico Ph.D. PONTIFICIA UNIVERSIDAD JAVERIANA FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA ELECTRÓNICA BOGOTÁ 2004
  • PONTIFICIA UNIVERSIDAD JAVERIANA FACULTAD DE INGENIERÍA CARRERA DE INGENIERÍA ELECTRÓNICA RECTOR MAGNIFICO: R.P. GERARDO REMOLINA S.J. DECANO ACADÉMICO: Ing. ROBERTO ENRIQUE MONTOYA VILLA DECANO DEL MEDIO UNIVERSITARIO: R.P. ANTONIO JOSÉ SARMIENTO NOVA S.J. DIRECTOR DE CARRERA: Ing. JUAN CARLOS GIRALDO CARVAJAL DIRECTOR DEL PROYECTO: Ing. CARLOS PARRA P.H.D. ii
  • ARTÍCULO 23 DE LA RESOLUCIÓN No. 13 DE JUNIO DE 1946 “La universidad no se hace responsable de los conceptos emitidos por sus alumnos en sus proyectos de grado. Sólo velará porque no se publique nada contrario al dogma y la moral católica y porque los trabajos no contengan ataques o polémicas puramente personales. Antes, bien que se vea en ellos el anhelo de buscar la verdad y la justicia”. iii
  • Este no es el final sino, simplemente, un paso más en el continuo proceso de aprendizaje. Camilo A mis padres, a mis hermanos, a mis amigos. Nacho iv
  • AGRADECIMIENTOS Siempre hemos considerado este proyecto como una colcha de retazos en donde casi todos los que conocemos han aportado algo de una u otra forma, muchas veces sin saberlo. Es por eso que al finalizar este proyecto nos sentimos con la responsabilidad de agradecer a todos aquellos que contribuyeron a llevarlo a buen término. Al ingeniero Carlos Parra que hace un año nos embarco y confió esta empresa, sin sus aportes y su colaboración no habría sido posible finalizarla. A nuestras familias, piedras angulares de todo este proceso, sin su apoyo cualquier intento habría sido inútil. A Freddy que siempre tuvo muy claro lo que se debía hacer y nos asesoró en los momentos más difíciles. A los Javieres por atender nuestras dudas cuando fue necesario. A todos los profesores de planta que estuvieron continuamente dispuestos a colaborar y a darnos consejo. A las novias, amantes, amigas, compañeras, entre otras por... servir como válvula de escape al estrés diario. A los compañeros de Dispro, Arquitectura, Diseños y demás por “prestarnos” casi todos los componentes que necesitamos. A los compañeros de cubículo por hacer más agradable y llevadero el trabajo y por evitar caer en la monotonía. A todos los que creyeron. v
  • TABLA DE CONTENIDO LISTA DE FIGURAS ................................................................................................... viii LISTA DE TABLAS ........................................................................................................ x 1. INTRODUCCIÓN........................................................................................................ 1 2. MARCO TEÓRICO ..................................................................................................... 4 2.1 ANTECEDENTES ................................................................................................. 4 2.1.1 Trabajos investigativos en el área de clasificación de objetos metálicos ........ 4 2.1.2. Trabajos de campo en la evaluación de detectores de metales....................... 5 2.1.3. Proyecto SCAN I ............................................................................................ 6 2.2 DETECTORES DE METALES............................................................................. 6 2.2.1 Detectores de dominio en frecuencia .............................................................. 7 2.2.2 Detectores de dominio en tiempo .................................................................... 7 2.2.3 Detector VLF................................................................................................... 8 2.3 SISTEMAS DE CLASIFICACIÓN DE PATRONES ........................................... 8 2.3.1 Lógica difusa ................................................................................................... 8 2.3.2 Redes neuronales ............................................................................................. 9 2.4 GLOSARIO .......................................................................................................... 10 3. ESPECIFICACIONES ............................................................................................... 12 3.1 ESPECIFICACIONES DEL DETECTOR........................................................... 12 3.2 ESPECIFICACIONES DEL HARDWARE ........................................................ 13 3.3 ESPECIFICACIONES Y REQUERIMIENTOS DEL SOFTWARE .................. 14 4. DESARROLLO.......................................................................................................... 15 4.1 CONSTRUCCIÓN Y CARACTERZACIÓN DEL DETECTOR ....................... 15 4.1.1 Construcción del sensor................................................................................. 15 4.1.2 Caracterización del detector .......................................................................... 18 4.2 DISEÑO Y CONSTRUCCIÓN DEL HARDWARE DE CONTROL .......... 21 4.2.1 Cálculo del desfase y medición del voltaje pico............................................ 23 4.2.2 Comunicación................................................................................................ 24 4.2.3 Alimentación ................................................................................................. 25 4.2.4 Modos de operación ...................................................................................... 25 4.2.5 Circuito impreso ............................................................................................ 27 4.2.6 Captura de datos con el hardware.................................................................. 28 4.2.7 Determinación de la frecuencia óptima de detección.................................... 31 4.3 DISEÑO E IMPLEMENTACIÓN DEL SOFTWARE DE DISCRIMINACIÓN................................................................................................... 32 4.3.1 Menús Comunes ............................................................................................ 33 4.3.2 Modo Detección ............................................................................................ 34 4.3.3 Modo Discriminación .................................................................................... 38 4.3.4 Modo Imagen Electromagnética.................................................................... 43 4.3.5 Calibración del Detector................................................................................ 47 4.3.6 Manejo de Archivos ...................................................................................... 54 4.37 Sistemas de discriminación ............................................................................ 55 5. ANÁLISIS DE RESULTADOS................................................................................. 61 5.1 RESULTADOS DE LA CARACTERIZACIÓN DEL DETECTOR .................. 61 5.1.1 Consideraciones Finales en la Caracterización ............................................. 68 vi
  • 5.2 RESULTADOS DE LOS DATOS TOMADOS CON EL HARDWARE DE CONTROL ................................................................................................................. 68 5.2.1 Frecuencia Óptima......................................................................................... 71 5.2.2 Detección por desfase.................................................................................... 73 5.3 SISTEMAS DE DISCRIMINACIÓN .................................................................. 74 5.3.1 Redes neuronales ........................................................................................... 74 5.3.2 Lógica difusa ................................................................................................. 75 5.4 PRUEBAS DEL SISTEMA ................................................................................. 75 5.4.1 Pruebas de Repetitividad ............................................................................... 83 5.4.2 Independencia del circuito a fuentes de alimentación externa ...................... 84 5.4.3 Pruebas de Temperatura ................................................................................ 84 5.5. CONCLUSIONES DE LOS RESULTADOS..................................................... 85 5.6. COSTO DEL PROYECTO ................................................................................. 86 6. CONCLUSIONES...................................................................................................... 88 6.1 TRABAJO FUTURO ........................................................................................... 88 7. BIBLIOGRAFIA Y FUENTES DE INFORMACIÓN .............................................. 90 ANEXOS ........................................................................................................................ 91 vii
  • LISTA DE FIGURAS Figura 3-1. Posición de los devanados del detector. ...................................................... 12 Figura 4-1. Fases del proyecto........................................................................................ 15 Figura 4-2. Devanados y su posición final ..................................................................... 16 Figura 4-3. Forma del bobinado primario y sensor terminado. ...................................... 17 Figura 4-4. Sensores construidos.................................................................................... 18 Figura 4-5. Blancos utilizados........................................................................................ 19 Figura 4-6. Diagrama en bloques del sistema de pruebas. ............................................. 20 Figura 4-7. Esquema del hardware de control y envío. .................................................. 21 Figura 4-8. Diagrama en bloques del cálculo del desfase. ............................................. 23 Figura 4-9a. Impreso del circuito final. .......................................................................... 27 Figura 4-9b. Impreso y caja............................................................................................ 27 Figura 4-10a. Conector RJ11 y correspondencia de los pines........................................ 28 Figura 4-10b. Conector para el detector y correspondencia de los pines. ...................... 28 Figura 4-10c. Conector circular y correspondencia de los pines.................................... 28 Figura 4-11. Patrones utilizados para calibrar el discriminador..................................... 29 Figura 4-12a. Equipo y montaje para toma de muestras. ............................................... 30 Figura 4-12b. Equipo y montaje para toma de muestras. ............................................... 30 Figura 4-13. Montaje para toma de muestras. ................................................................ 30 Figura 4-14. Montaje para la toma de muestras. ............................................................ 30 Figura 4-15. Posiciones del detector con respecto al patrón .......................................... 31 Figura 4-16. Menú principal del Sistema de Discriminación de Metales. ..................... 32 Figura 4-17. Función Propiedades del Puerto. ............................................................... 34 Figura 4-18. Ventana del modo detección...................................................................... 35 Figura 4-19. Gráfica dinámica del modo detección. ...................................................... 37 Figura 4-20. Ventana del modo de discriminación con red neuronal............................. 39 Figura 4-21. Ventana del modo de discriminación con estructura fuzzy. ...................... 42 Figura 4-22. Tipos de barrido......................................................................................... 43 Figura 4-23. Ventana del modo de imagen electromagnética. ....................................... 44 Figura 4-24. Estructura de la matriz de datos................................................................. 45 Figura 4-25. Imagen electromagnética. .......................................................................... 46 Figura 4-26. (izq.) vista 3D de una lámina de cobre, (der.) vista inferior de una lámina de cobre. ......................................................................................................................... 47 Figura 4-27. Ventana de la secuencia de calibración. .................................................... 49 Figura 4-28. Correspondencia entre la Matriz de Entradas y la de Salidas.................... 50 Figura 4-29. Diagrama en bloques del modo “Secuencia de Calibración”. ................... 51 Figura 4-30. Arquitectura de la red ................................................................................ 56 Figura 4-31. Gráficas de entrenamiento con 5000 épocas.............................................. 57 Figura 4-32. Funciones de pertenencia para la entrada Desfase 1 del detector Argos. .. 59 Figura 4-33. Resultado de la estructura de lógica difusa Argosfuzzy usando el fuzzy logic toolbox “fuzzy”. .................................................................................................... 60 Figura 5-1. Corrientes Vs. Frecuencia para Úrsula. ....................................................... 61 Figura 5-2. Voltajes Vs. Frecuencia para Úrsula............................................................ 61 Figura 5-3. Desfases Vs. Frecuencia para Úrsula........................................................... 62 Figura 5-5. Desfases Vs. Frecuencia. (Detector Minifat)............................................... 65 Figura 5-6. Desfases Vs. Frecuencia. (Detector Amaranta Úrsula). .............................. 65 Figura 5-7. Área de mayor detección del detector.......................................................... 66 viii
  • Figura 5-8a. Voltaje bobinado secundario vs. Frecuencia para Ursulittle...................... 67 Figura 5-8b. Voltaje bobinado secundario vs. Frecuencia para Minifat ........................ 67 Figura 5-9. Voltajes vs. Frecuencia, selección frecuencia óptima de trabajo. ............... 72 Figura 5-10a. Imagen electromagnética de una lámina de Aluminio, detector Argos ... 76 Figura 5-10b. Vista superior de la imagen electromagnética de una lámina de Aluminio, detector Argos ................................................................................................................ 76 Figura 5-11. Procedimiento utilizado para tomar la imagen electromagnética de la figura 5-10................................................................................................................................. 76 Figura 5-12a. Imagen electromagnética de un “arco de hierro”, detector Baco............. 77 Figura 5-12b. Vista superior de la imagen electromagnética de un “arco de hierro”, detector Baco. ................................................................................................................. 77 Figura 5-13. Captura de la imagen electromagnética del“arco de hierro”, detector Baco. ........................................................................................................................................ 77 Figura 5-14a. Proceso para la imagen electromagnética de 5 objetos............................ 78 Figura 5-14b. Imagen electromagnética de 5 objetos..................................................... 78 Figura 5-15a. Imagen electromagnética de los tornillos................................................. 79 Figura 15b. Tornillos barridos sobre tierra..................................................................... 79 Figura 5-16. Objetos para probar los sistemas de clasificación. .................................... 80 ix
  • LISTA DE TABLAS Tabla 3-1. Especificaciones de los detectores usados. ................................................... 13 Tabla 3-2. Principales especificaciones del hardware. ................................................... 14 Tabla 3-3. Principales especificaciones y requerimientos del software. ........................ 14 Tabla 4-1. Especificaciones de los blancos. ................................................................... 18 Tabla 4-2. Modos de operación parámetros de entrada/salida. ...................................... 25 Tabla 4-3. Especificaciones de los patrones de medida. ................................................ 29 Tabla 4-4. Modos del software y parámetros. ................................................................ 33 Tabla 4-3. Asignación de los valores de salida de la red................................................ 56 Tabla 5-1. Desfase medio y desviación estándar para los 5 blancos. (detector Úrsula). 63 Tabla 5-2. Desfase medio y desviación estándar para los 5 blancos (detector Ursulittle). ........................................................................................................................................ 64 Tabla 5-3. Desfase medio y desviación estándar para los 5 blancos (detector Minifat). 64 Tabla 5-4. Desfase medio y desviación estándar para los 5 blancos (detector Amaranta Úrsula). ........................................................................................................................... 65 Tabla 5-6. Rangos de los patrones de medida para el detector Argos............................ 69 Tabla 5-7. Rangos de los patrones de medida para el detector Baco. ............................ 69 Tabla 5-9a. Pruebas de discriminación con el detector Argos. ...................................... 81 Tabla 5-9b. Pruebas de discriminación con el detector Baco......................................... 83 Tabla 5-10. Variación del desfase y el voltaje pico para el detector Argos al variar la temperatura. .................................................................................................................... 84 Tabla 5-11. Costos del proyecto..................................................................................... 87 x
  • 1. INTRODUCCIÓN La continua evolución del hombre tiene como motor el deseo de descubrir, la necesidad natural de entender el mundo que nos rodea. Esta curiosidad innata es la que nos obliga a crear instrumentos con los que podamos explorar lo que nuestros limitados sentidos no alcanzan a ver de forma que tales instrumentos se convierten en partes fundamentales para el enriquecimiento del saber colectivo. Cualquiera que trabaje con instrumentos de medida debe estar familiarizado con el error y la incertidumbre. Según el principio de incertidumbre de Heisenberg es imposible determinar la posición y la velocidad de una partícula al mismo tiempo con absoluta precisión, lo que en términos prácticos indica que no importa que tan preciso sea un instrumento de medida, nunca se tendrá una certeza absoluta sobre lo que se mide, es imposible conocer perfectamente el universo en el que nos movemos. Sin embargo este principio antes que desalentar a los investigadores los anima a desarrollar nuevos modelos, nuevos métodos y nuevos instrumentos para conocer el mundo si no con una certeza absoluta si con una satisfactoria. Estos instrumentos de medida se encuentran presentes en todas las áreas de la vida del ser humano, desde la exploración espacial hasta la excavación minera, desde la simple medición de una distancia hasta el cálculo de la velocidad de una estrella, para todo se necesita un instrumento que diga, con una certeza satisfactoria, lo que nuestros sentidos no alcanzan a percibir. El instrumento de medida ideal debe sensar pero no alterar, percibir pero no modificar, captar pero no transformar el objeto de medida pues qué sentido tiene un instrumento que cambie lo que se mide, se estaría trabajando siempre sobre datos erróneos. Para esto se han desarrollado técnicas, que con información que en principio parece escasa, logran una comprensión casi completa del objeto de medida sin afectarlo. Es el caso de la detección de metales que utiliza los cambios en un campo electromagnético específico para determinar la presencia de un objeto metálico cercano. La detección de metales tiene su principal aplicación en la búsqueda de objetos metálicos bajo la tierra, desde los primeros detectores por inducción, que en sus inicios no pasaban de ser un hobby para aquellos que buscaban tesoros en la playa, hasta las técnicas más modernas que involucran sistemas robóticos inteligentes. Esta posibilidad de “ver” bajo la tierra sin removerla es bien recibida y brinda soluciones viables a problemas tan graves como las minas antipersonales. 1
  • El problema de las minas antipersonales atrae cada vez más la atención del mundo entero, concientizándolo del terrible drama que sufren las víctimas de ellas, en su mayoría población civil ajena al conflicto armado, los esfuerzos de los gobiernos a los que esta tragedia toca directamente han llevado a que más de 100 países ratifiquen la prohibición del empleo, almacenamiento, producción y transferencia de minas antipersonales [12], sin embargo la legislación no remueve las más de 65 millones de minas que se encuentran enterradas en cerca de 56 países, entre ellos Angola, Colombia, Croacia y Afganistán. De estas bombas son victimas más de 2000 personas cada mes en todo el mundo, según la cruz roja internacional. Por ello y por ellos se hace imperativa e inminente una solución que, de manera eficiente, posibilite la remoción de estos mortíferos artefactos. El principal problema del desminado humanitario, término con el que se le conoce a la remoción de minas antipersonales con fines humanitarios, es su ineficiencia pues los detectores de metales convencionales no logran distinguir entre una mina o un pedazo de metal enterrado, para ellos ambos son metal y por lo tanto lo detectan, esto genera gran cantidad de errores (falsas alarmas), una enorme perdida de tiempo y en muchos casos pérdidas humanas, todo esto sumado al hecho de que los grupos que “plantan” estas minas hacen todo lo posible por confundir a los detectores (enterrando también puntillas, latas o cualquier objeto metálico que dificulte el proceso de desminado) obligan a los investigadores a buscar nuevos métodos, que mejoren la eficiencia del desminado humanitario, reduzcan al mínimo los errores y salven vidas humanas. Una forma de reducir los errores es la que se plantea en este proyecto, a través de la discriminación de metales y de la imagen electromagnética del terreno, la primera hace referencia a la clasificación del metal que se detecta dentro de un grupo de metales establecido para así poder descartar las falsas alarmas y la segunda es una forma de “ver” bajo la superficie, analizando la respuesta electromagnética del terreno; de esta forma se aprovecha al máximo la información que se obtiene de una simple alteración en el campo electromagnético de un detector. Con los avances logrados en los últimos años en materia de detectores, la posibilidad de diferenciar metales ha empezado a interesar a la comunidad científica. La búsqueda de sistemas inteligentes que logren, de manera independiente, discriminar metales se ha convertido en un objetivo de gran importancia, especialmente en países con campos sembrados de minas antipersonales que atentan contra la población civil, como es el caso de Colombia. 2
  • Con esta técnica de discriminación de metales se pretende dar un paso adelante en la investigación y desarrollo de este tipo de sistemas en nuestro país. Con base en el detector de metales utilizado en el proyecto SCAN I [3] y con el objetivo de mejorar algunas de sus características, en este caso el mecanismo de detección, se diseñó e implementó un sistema que logra clasificar tres tipos diferentes de metales (aluminio, hierro y cobre), obtiene la respuesta electromagnética del terreno y cumple con la función básica de detectar, de manera que el usuario tiene un mejor criterio de decisión en la detección de objetos metálicos y de minas antipersonales, lo que a su vez se traduce en un ahorro de tiempo, esfuerzo, dinero y sobre todo vidas humanas. 3
  • 2. MARCO TEÓRICO 2.1 ANTECEDENTES El estudio de sensores en la detección de metales ha interesado al hombre desde hace muchos años. Sin embargo, no fue sino hasta la aparición de los detectores por inducción electromagnética que los interesados en el tema tuvieron un instrumento confiable y la base teórica necesaria para iniciar sus estudios. En la última década, han aparecido diversos trabajos enfocados al tratamiento de las señales generadas por estos sensores, de forma que se pueda extraer la mayor cantidad de información de estas. A partir de dicha información, se determina la posición, profundidad e incluso el tipo de metal que se está detectando. Los detectores por inducción electromagnética que trabajan en el dominio del tiempo presentan grandes limitantes a la hora de discriminar el tipo de metal, puesto que únicamente logran sensar la posición en la cual se encuentra un objeto metálico y su concentración, pero no el tipo de metal. Estos sensores producen un pulso en una sola frecuencia y de acuerdo a la señal inducida emiten un sonido, entre más frecuente sea el sonido más cercano estará el objeto. Por otro lado los sensores de dominio en frecuencia permiten mediante la comparación de la fase y amplitud de la señal inducida, determinar el tipo de metal sensado. Estos detectores trabajan en un rango amplio de frecuencias, cada tipo de metal produce un reflejo diferente en fase y/o amplitud, este reflejo puede ser comparado por algún método analítico o de reconocimiento de patrones y así clasificar el tipo de metal, su concentración, posición, etc. Muchos autores han trabajado dichos métodos de forma teórica y experimental, algunos se basan en el criterio de decisión bayesiano aplicándolo a modelos de filtros acoplados en ciertos casos, otros han usado métodos de reconocimiento de patrones y algunos otros se enfocan en las características de los suelos, factor que afecta directamente la detección. 2.1.1 Trabajos investigativos en el área de clasificación de objetos metálicos Diversos artículos publicados en la IEEE dan una idea del estado del arte actual en el ámbito internacional. Los trabajos de Ping Gao y Leslie Collins [6], [7] se han enfocado, básicamente, en la detección y clasificación de metales, así como en el modelamiento de señales estáticas y 4
  • electromagnéticas aplicadas. Junto con otros profesionales han desarrollado estudios específicos de modelos de clasificación. En estos trabajos se asume que un objeto ha sido detectado por medio de un sensor de dominio en frecuencia (VLF) y se procede a clasificarlo dentro de diferentes posibles tipos de metal. Con base en la respuesta del sensor y después de un amplio análisis teórico, se construye un sistema de clasificación basado en el modelo de predicción probabilístico bayesiano (en este modelo bayesiano se ingresan las probabilidades de las variables significativas, el valor de la integral de la multiplicación de estas probabilidades es utilizado para clasificar el objeto dentro de los grupos posibles). Los resultados de estos estudios demuestran que, efectivamente, el detector puede discriminar entre diferentes tipos de metal, además se obtiene una mejora sustancial respecto a otros métodos en la clasificación de objetivos cuando se tienen en cuenta las incertidumbres asociadas al terreno, ambiente y las posiciones relativas de blanco y sensor. Así mismo se puede reducir la alta tasa de falsas alarmas si se aplica este estudio a la detección de minas antipersonales. Por otro lado, investigadores de universidades europeas, como es el caso de Claudio Bruschini, han realizado grandes esfuerzos en el desminado humanitario, dedicando gran parte de su obra a evaluar las terribles consecuencias que implican las minas antipersonales en el contexto mundial. El extenso estudio de Bruschini [1] comprueba que para el desminado humanitario el uso de detectores de dominio en frecuencia es esencial. Bruschini muestra un completo desarrollo analítico, así como extensas pruebas en laboratorio de este tipo de detectores, llegando una vez más a la conclusión de que se pueden discriminar metales a través de métodos analíticos y en particular detectar pequeños porcentajes de estos en minas. En su estudio compara la respuesta del sensor ante un objeto desconocido con la de un objeto conocido y logra distinguir y encontrar la respuesta en fase característica de diferentes materiales (por ejemplo ferromagnéticos y no ferromagnéticos). 2.1.2. Trabajos de campo en la evaluación de detectores de metales En el ámbito internacional ha existido un gran interés en la valoración del desempeño de los diferentes dispositivos usados en la localización de minas antipersonales disponibles en el mercado. El departamento de defensa de los Estados Unidos interesado en el desminado humanitario realizó, por ejemplo, exhaustivas pruebas con siete diferentes detectores de metales 5
  • comerciales y varios tipos de objetivos. Los resultados obtenidos están consignados en el informe “Handheld Metal Detectors: Nicaraguan Field Test Report” [4]. Se manifestó la gran dificultad que presentaba la mayoría de ellos para detectar blancos pequeños en suelos de alta concentración mineral, además del incremento en el número de falsas alarmas, evidenciándose así, la necesidad de un sistema que lograra discriminar entre diversos metales y redujera los errores al mínimo. 2.1.3. Proyecto SCAN I El proyecto SCAN I [3], desarrollado en la Pontificia Universidad Javeriana, tuvo como objetivo principal diseñar un sistema para la detección y localización de minas antipersonales, este está compuesto por una plataforma móvil terrestre y una estación remota. La plataforma robótica, a la que llamaron Úrsula, puede describir una trayectoria, ser controlada a distancia y localizar minas antipersonales a partir de un nivel de detección establecido, haciendo uso de un detector de metales. El proyecto se enfocó principalmente en la construcción del módulo robótico, su desplazamiento y control, dejando la discriminación de metales y los métodos de reducción de errores para futuras investigaciones, aunque el sensor que se construyó, bien puede aportar la información para este tipo de análisis. Si bien no se realizó discriminación de metales, el sensor puede adaptarse a diversos tipos de suelo estableciendo un punto de referencia desde el cual detectar, lo que resulta muy útil en suelos con contenido mineral, ya que tal contenido en algunos suelos confunde a la mayoría de detectores comerciales. El presente proyecto de grado, en conjunto con otros que se están desarrollando, mejora las características de ÚRSULA y de su detector de metales proporcionando mayor información al usuario para que pueda tomar una decisión sobre un objeto detectado. 2.2 DETECTORES DE METALES Cuando se habla de detectores de metales comúnmente se trata de los detectores de inducción electromagnética, este tipo de detectores son activos y trabajan con sistemas inductivos de baja 6
  • frecuencia. Estos dispositivos constan de una cabeza de búsqueda compuesta por varios devanados por los que circula una corriente variable en el tiempo, la que a su vez, genera un campo magnético variable en el tiempo que se propaga en todas las direcciones, incluyendo la dirección en que se encuentra el objeto metálico. Este campo primario o incidente reacciona con las características magnéticas o eléctricas del objeto; este genera un campo secundario o reflejado que es detectado por el devanado receptor. En dicho devanado se crea un voltaje que puede ser medido, convertido (en una señal sonora, por ejemplo) y analizado. El campo reflejado depende, tanto temporal como espacialmente, de una serie de parámetros como son la distancia del sensor al objeto, el tamaño, la forma, la conductividad y la permeabilidad de este, así como la distribución espacial y temporal del campo primario y la presencia de alguna señal del entorno. La gran mayoría de los detectores comerciales convierten la señal recibida en una señal audible e intermitente que incrementa su frecuencia a medida que se acerca al objeto, este tipo de detección genera gran agotamiento en el usuario y es muy susceptible a generar errores, pues el detector no logra diferenciar entre una mina y un lata enterrada, de hecho esta es una estrategia muy común para confundir a estos detectores lo que convierte al desminado humanitario en un proceso muy ineficiente. 2.2.1 Detectores de dominio en frecuencia Los detectores de dominio en frecuencia utilizan comúnmente una sola frecuencia, pueden utilizar varios devanados para la recepción y transmisión de las señales. La mayor parte de la información está contenida en la amplitud y la fase de la señal inducida o en su equivalente en el plano complejo-real. Algunos suelos con alta concentración mineral afectan notablemente la respuesta de estos detectores. 2.2.2 Detectores de dominio en tiempo Estos detectores trabajan enviando pulsos de corriente, usualmente de 1 KHz, hacia un devanado. Básicamente miden qué tan rápido decrece el campo magnético momentáneo inducido en los objetos cercanos al detector, este decrece más rápidamente en presencia de objetos metálicos, generalmente esta velocidad es traducida a una señal sonora que el usuario interpreta. 7
  • 2.2.3 Detector VLF Este tipo de detector es un detector de dominio en frecuencia que trabaja en un rango de frecuencias bajo (Very Low Frequency) y funciona por efecto de la inducción electromagnética. Consta de dos devanados, el devanado primario se encarga de transmitir una señal sinusoidal al medio circundante y el secundario genera una señal sinusoidal por efecto del campo inducido por el primario. En un detector de metales se busca que en ausencia de materiales metálicos en el medio, el campo inducido en el devanado secundario se anule debido a la posición de éste respecto al primario. De forma que cuando un material metálico se acerque al detector, el campo inducido cambie, haciendo que aparezca una señal en el devanado secundario. Este proyecto como base este tipo de detector. 2.3 SISTEMAS DE CLASIFICACIÓN DE PATRONES Mucha de la información que se maneja en la vida real se presenta en la forma de patrones complejos: caras, textos escritos, enfermedades, música, flores, piezas industriales, etc. El uso intensivo de computadores u otros dispositivos electrónicos en los últimos años ha impulsado el estudio y aplicación de técnicas de reconocimiento de patrones. En particular los dispositivos de adquisición de datos (sensores y transductores) y los convertidores A/D hacen que un computador pueda ser ”alimentado” con datos (observaciones) del mundo real, utilizado para almacenar y recuperar información y para establecer la correspondencia entre observaciones pasadas y actuales (utilizando modelos adecuados, naturalmente). 2.3.1 Lógica difusa La teoría de lógica difusa permite manejar y procesar ciertos tipos de información en los cuales se manejan términos inexactos, imprecisos o subjetivos. De una manera similar a como lo hace el cerebro humano, es posible ordenar un razonamiento basado en reglas imprecisas y en datos incompletos. Para ello se debe ampliar la teoría de conjuntos y la lógica booleana de manera que un individuo pueda pertenecer parcialmente a un conjunto y que las operaciones lógicas además de unos y ceros, puedan ser 0,01 o 0,75. 8
  • Con los conjuntos difusos o borrosos (fuzzy sets) se pueden definir sub-conjuntos, de una manera tal que cualquier elemento pueda pertenecer a ellos en diferentes grados. Con reglas difusas, es posible procesar las relaciones entre las variables de entrada difusas y producir una salida difusa, la cual es una clasificación parcial de la entrada en uno o más conjuntos. Además a partir de esas salidas difusas, se pueden proporcionar cantidades binarias o cantidades continuas, como el estado de un interruptor o una cantidad de dinero. 2.3.2 Redes neuronales Esta tecnología puede ser desarrollada tanto en software como en hardware y con ella se pueden construir sistemas capaces de aprender, de adaptarse a condiciones variantes, o inclusive si se dispone de una colección de ejemplos suficiente y adecuada, predecir el estado futuro de algunos modelos. Estas técnicas son adecuadas para enfrentar problemas que hasta ahora eran resueltos sólo por el cerebro humano y resultaban difíciles o imposibles para las máquinas lógicas secuenciales. Un procesamiento paralelo realizado por un gran número de elementos altamente interconectados es la clave de su funcionamiento. Las redes neuronales son utilizadas para la predicción, la minería de datos, el reconocimiento de patrones y los sistemas de control adaptativo. Constituyen una parte muy importante en el estudio y desarrollo de la inteligencia artificial y en el de la vida artificial. Las redes neuronales pueden ser combinadas con otras herramientas como la lógica difusa, los algoritmos genéticos, los sistemas expertos, las estadísticas, las transformadas de Fourier, etc. La redes neuronales utilizadas en la clasificación de objetos necesitan ser entrenadas con ejemplos: un conjunto de entradas (muestras de cada patrón de clasificación) y un conjunto de salidas (correspondencias de las entradas y las salidas), así, si se quiere que el sistema clasifique determinado número de entradas como un patrón especifico, el conjunto de salida debe tomar los valores correspondientes de salida para tal patrón, en términos más sencillos es simplemente una correspondencia entre las columnas de la matriz de entradas con la de salidas. Por ejemplo si se quiere implementar la función AND en redes neuronales, la matriz de entrada ⎡0 0 1 1⎤ ⎥ y la de salida OUT = [0 0 0 1] , al entrenar la red con ⎣0 1 0 1⎦ puede ser IN = ⎢ estos parámetros el resultado de cualquier entrada posterior será el AND de los términos de cada 9
  • columna. Por supuesto el éxito radica en escoger las entradas adecuadas y hacerlas corresponder con las salidas que se quieren. Este ejemplo puede ser implementado con una sola neurona pero problemas más complejos necesitan de más neuronas e incluso de varias capas de neuronas. Las redes neuronales pueden ser de diversos tipos y existen muchos modelos de redes, éstas también pueden contener varias neuronas por capa y varias capas asociadas entre sí, la escogencia del tipo de red depende principalmente del problema que se esté enfrentando. La estrategia usada en este proyecto para la clasificación de patrones es la utilización de cada neurona para dar un valor de decisión entre 1 y 0, lo cual indica que se podría clasificar entre dos patrones si se tiene una sola neurona, sin embargo si se quiere una clasificación entre más patrones el número de neuronas en la capa de salida debe seguir la ecuación (1). [ n = log 2 (# Patrones ) ] (1) De esta forma se pueden clasificar tantos patrones como se quiera. Por otro lado cada neurona o cada capa de neuronas tiene una función de transferencia específica, una red con varias capas puede tener una función de transferencia diferente para cada capa o la misma para todas ellas, esto se define al momento de crear la red. La red también puede ser entrenada con diferentes algoritmos, todos estos parámetros se escogen de acuerdo al problema particular. Mayor información al respecto, se puede consultar en el libro “Pattern Classification” [8] y en el manual de usuario de MATLAB para redes neuronales [9]. 2.4 GLOSARIO Desminado humanitario: es aquel desminado en el que se pretende remover todas las minas del terreno, de forma que ningún ser humano se vea afectado si ingresa en el área desminada. Desminado manual: es el que involucra detectores de mano, dichos detectores deben ser operados por una persona, de modo que esta persona está expuesta a sufrir lesiones en caso de un accidente. Desminado militar: es aquel en el que sólo se remueve cierto porcentaje de las minas con propósito militar, si se quiere que pase una tropa por el terreno, por ejemplo. EMI: por sus siglas en ingles Electromagnetic Induction. Detector de metales que funciona por el principio de inducción electromagnética, consta de dos o más bobinas acopladas, una 10
  • de ellas utiliza el ambiente exterior como núcleo. Cuando no están en presencia de un material metálico, las corrientes inducidas son cero, pero ante la presencia de algún tipo de metal se generan corrientes que pueden ser medidas y evaluadas. Falsas alarmas: una falsa alarma se produce cuando se detecta un blanco que no es útil o no es el que se buscaba. Las falsas alarmas significan pérdidas en tiempo y esfuerzo. Detector de dominio en frecuencia: Son detectores tipo EMI. Emiten una señal conocida y detectan el reflejo de esta por algún metal, son capaces de distinguir entre un metal y otro ya que cada metal produce en ellos una onda diferente. Detector de dominio en tiempo: detectores tipo EMI. Inicialmente los detectores trabajaban únicamente en el dominio del tiempo, este tipo de detectores no lograba diferenciar un metal de otro, pues comparaban simplemente la amplitud de la señal generada y el tiempo entre cada señal, esto era traducido a una señal sonora que incrementaba su frecuencia a medida que el detector se acercaba al metal. VLF: por sus siglas en ingles Very Low Frequency. Detector EMI que trabaja a bajas frecuencia, logra discriminar entre diversos tipos de metal gracias a que las señales generadas en las bobinas son diferentes para cada tipo de metal. 11
  • 3. ESPECIFICACIONES El proyecto se conforma básicamente de tres partes: el detector de metales, el hardware que lo controla y el software de discriminación (interfaz gráfica para el usuario). 3.1 ESPECIFICACIONES DEL DETECTOR El detector está compuesto por dos devanados (ver sección 2.2.3 Detector VLF usado en el proyecto) que se posicionan como se muestra en la figura 3-1. Figura 3-1. Posición de los devanados del detector. Se construyeron tres detectores (Ursulittle, Minifat y Amaranta Úrsula) siguiendo el manual “Coinshooter, Metal detector” [11] variando características como diámetro, calibre del alambre y número de vueltas, estos tres junto con el detector original utilizado por el proyecto Úrsula se usaron como base para la toma de datos inicial. Las características electromagnéticas de cada detector dependen directamente de estos parámetros. Posteriormente, en la etapa final y basadose en la experiencia adquirida en la etapa inicial se construyeron otros dos detectores (Argos y Baco) con los que se probó todo el sistema. En la tabla 3-1 se presentan los principales parámetros de los detectores. 12
  • Parámetro / Detector Úrsula Ursulittle Minifat Amaranta Úrsula Argos Baco L primaria (mH)* 13.5 9.5 8.61 17.41 9.44 10.01 Z primaria (Ω)* 590 361 380.3 656.9 400 405 # vueltas primaria 175 173 175 175 175 175 Calibre primaria 30 30 34 34 30 30 Dp (cm) 18 13.5 11.5 18.5 14 14 L secundaria (mH)* 65.78 42.5 64.2 69.5 47.5 37.2 Z secundaria (Ω)* 2.23k 1.25k 2.79k 2.598k 1.31 k 1.35 k # vueltas secundaria 550 550 695 550 550 550 Calibre secundaria 38 37 37 37 37 37 Ds (cm) 9 8.5 7.5 11 8 8 Tabla 3-1. Especificaciones de los detectores usados. * medidas a 5 KHz 3.2 ESPECIFICACIONES DEL HARDWARE Para controlar el detector, tomar la información y procesarla parcialmente se diseñó y construyó un dispositivo capaz de generar las señales necesarias para detectar y discriminar metales, recoger la información de la señal inducida, procesarla y transmitirla a través del puerto serial a un PC. Este dispositivo opera en 4 modos diferentes según la función que se desee realizar (ver sección 4.2 Diseño y construcción del hardware de control). El sistema es flexible puede funcionar de manera independiente (con un PC) o ser integrado como módulo del proyecto Úrsula. Las especificaciones del hardware se presentan en la tabla 3-2. PARÁMETRO Valor mínimo Valor típico Valor máximo 9 10 15 119 @ 15V 173 @ 10V 181 @ 9V Frecuencia del cristal (Hz) --- 10M --- Frecuencia trabajo µcontrolador (Hz) --- 40 M --- Ciclo de instrucción (µs) --- 0,1 --- Velocidad TX USART (bps) --- 19200 --- Modos de operación --- 4 --- Velocidad respuesta modo 0 (s) --- 2.6 m --- Velocidad respuesta modo 1 (s) 2 0.5 10m Velocidad respuesta modo 2 (s) --- 25 m --- Velocidad respuesta modo 3 (s) --- 5m --- V entrada (V) I entrada máx. (mA) 13
  • Resolución de la medición de Voltaje --- 4,88m --- Resolución de la medición de Desfase --- 1º --- Tabla 3-2. Principales especificaciones del hardware. 3.3 ESPECIFICACIONES Y REQUERIMIENTOS DEL SOFTWARE El software se desarrolló en Matlab® 7.0 por lo que los requerimientos del sistema son los mismos que los de este lenguaje y necesita, por supuesto, que Matlab® 7.0 esté instalado en el PC. El software se llama “Sistema de Discriminación de Metales 1.0” (SDM). Las especificaciones se encuentran en la tabla 3-3. PARÁMETRO Mínimo Utilizado Óptimo Procesador Pentium III Pentium III Pentium IV Memoria RAM 256 256 512 Capacidad en Disco 610 MB (con ayuda y 1.02 GB 2 GB duro para Matlab 4 toolboxes) (con toolboxes y ayuda) Capacidad en Disco 444 KB 444 KB (2 archivos de 600 KB (con más archivos redes y 2 de fuzzy) de redes y fuzzy) Windows NT 4.0 Windows 2000 (Service Windows XP (Service (Service Pack 5 ó 6a) pack 4 ) Pack 1 ó 2) duro para SDM Sistema operativo Tabla 3-3. Principales especificaciones y requerimientos del software. Necesita además: • Matlab® 7.0. Con los siguientes toolboxes: compliler, matlab, nnet y fuzzy. • Internet Explorer® 4.0 o Netscape Navigator® 4.0 o superiores. • Adobe Acrobat® 3.0 o superior. • License server running FLEXlm® 9.2, proporcionado por MathWorks installer. • Protocolo TCP/IP • Conexión a Internet, para verificar la licencia de Matlab. 14
  • 4. DESARROLLO El proyecto se desarrolló en tres fases principales (ver figura 4-1), como ya se había mencionado anteriormente, la primera fase fue la construcción y caracterización del detector de metales, para realizar una primera captura de datos; la segunda, el desarrollo e implementación del hardware que controla dicho detector y que a su vez recoge la información más relevante y la transmite, ya sea directamente al computador o al módulo principal de ÚRSULA, y por último la fase final que consistió en la programación del software apropiado para discriminar metales con los datos transmitidos por el hardware. Figura 4-1. Fases del proyecto. 4.1 CONSTRUCCIÓN Y CARACTERIZACIÓN DEL DETECTOR 4.1.1 Construcción del sensor Siendo el sensor una parte fundamental en el desarrollo del proyecto, se prestó especial cuidado y dedicación a su construcción. El proceso comienza con la definición de los calibres de alambre que se van a usar en cada sensor. Aquí se debe tener en cuenta que el calibre usado en 15
  • la bobina primaria debe ser más grueso que el de la secundaria y que el número de vueltas de la primaria debe ser menor que el de la secundaria [11]. Los calibres usados fueron 30 y 34 para la primaria y 37 y 38 para la secundaria; para el número de vueltas se experimentaron varias posibilidades pero en general los mejores resultados se obtuvieron con un número de vueltas mayor a 150 y menor a 250 de calibre 30 en el bobinado primario y un número mayor a 450 vueltas y menor a 650 con calibre 37 en el secundario. El calibre del secundario debe menor porque necesita muchas más vueltas que el primario, el número de vueltas afecta la sensibilidad en la medición del voltaje inducido. Para hacer los devanados de las bobinas se deben conseguir tapas circulares que faciliten el proceso de bobinado, la relación (D1/D2) de los diámetros del devanado primario y el secundario debe ser mayor a 2.5 e inferior a 3. Con una relación de 2.75 se obtienen buenos resultados. Una vez se tienen las bases circulares (tapas, tarros, frascos, etc.) se pone un poco de cinta de enmascarar siguiendo el perímetro descrito por la superficie, la función de la cinta es brindar agarre al alambre para cada vuelta que se suma, además al terminar con el número total de vueltas, el devanado debe forrarse firmemente con más cinta. Una vez forrado el devanado, se aplica también una capa de papel aluminio sobre toda la superficie con el fin de blindarlo, después del papel aluminio se requiere una nueva capa de cinta de enmascarar y se debe procurar que quede lo más firme posible. Los dos devanados se construyen siguiendo exactamente los mismos pasos, la única diferencia radica en que al devanado primario se le debe modificar su forma original (Ver figuras 4-2 y 4-3). Figura 4-2. Devanados y su posición final 16
  • El paso a seguir una vez se tienen los devanados listos, es posicionarlos de tal forma que el campo inducido en el secundario se anule en ausencia de elementos metálicos en el medio, para tal fin se debe generar una señal sinusoidal en el devanado primario y con la ayuda de un osciloscopio verificar el campo inducido sobre el secundario, cuando se logra la mínima inducción en las frecuencias de interés se tiene que fijar la posición de los devanados (puede ser con silicona u otro pegante), se debe ser muy cuidadoso en esta etapa pues el mínimo movimiento arruina la anulación del campo inducido. Figura 4-3. Forma del bobinado primario y sensor terminado. En la figura 4-4 se puede observar la apariencia final de varios de los detectores construidos. Los detectores Ursulittle y Argos tienen un revestimiento de resina, la idea es brindar robustez al detector. Después de consultar en el laboratorio de tecnología e ingeniería de la Pontificia Universidad Javeriana el problema de recubrimiento (se requería de una protección simple para el sensor que añadiera poco peso al dispositivo y que no afectara sus características eléctricas), se decidió poner una capa de resina poliéster que recubre al sensor y lo protege de factores externos como la humedad. La resina poliéster se consigue en forma líquida y es necesario hacer una mezcla con el catalizador (encargado de desencadenar la reacción química que terminará con la solidificación de la mezcla), también se debe agregar un poco de estireno a la mezcla para lograr la consistencia y las características deseadas para el material. Después de experimentar y familiarizarse con los materiales, se hicieron los moldes en arcilla necesarios (ya que la solución es líquida en un principio) para dar la forma del sensor y se procedió a realizar el recubrimiento. El tiempo de solidificación suele ser de 24 horas. Por cada centímetro cúbico de resina se aplicó en la mezcla catalizador al 1% y estireno al 15%, con estas concentraciones se logra al final del proceso un material que brinda protección adecuada al sensor. Fue necesario hacer primero un recubrimiento sobre la cara superior y transcurridas diez horas era posible aplicar otra capa 17
  • sobre la cara inferior del sensor. Por último, se pule la superficie obtenida porque después de que el material ha secado y está completamente sólido suelen quedar bordes y picos que pueden causar heridas. Figura 4-4. Sensores construidos. Aunque se creía que la técnica usada en el recubrimiento no iba a afectar las características del sensor (anulación del campo inducido), en la práctica se observó que era inevitable que el detector, al estar sometido a los procesos internos que produce la reacción química, sufriera pequeños cambios en la posición final de los devanados, conllevando a una modificación en la anulación previa del campo inducido, por lo que los detectores sometidos a este proceso cambiaron sus características electromagnéticas y la señal inducida en vacío no es nula. 4.1.2 Caracterización del detector Tomando como base el objetivo de identificar entre tres diferentes tipos de metal, se seleccionaron 5 objetos de referencia, estos objetos se denominaron blancos. Las especificaciones de dichos objetos se muestran en la tabla 4-1. Blanco 1 2 3 4 5 Peso (g) 140 60 950 500 20 Tabla 4-1. Especificaciones de los blancos. Material Tubo de Cu 3 latas de Al Fe colado Fe, cadena 1 lata de Al 18
  • El blanco 1 es un tubo de cobre enrollado en forma de espiral de 140 g, el blanco 2 consta de 3 latas de aluminio compactadas con un peso total de 60 g, el blanco 3 es un bloque de hierro (Fe) colado de 950 g, el blanco 4 es una cadena de hierro de 500 g y el último blanco es una sola lata de aluminio compactada de 20 g (ver figura 4-5). La escogencia de estos blancos se debió a la necesidad de tener muestras de los tres grupos de metales que el sistema ha de clasificar, así como de los principales materiales utilizados en la fabricación “casera” de minas antipersonales. Para garantizar una detección estable se escogió una cantidad de material, para cada blanco, lo suficientemente grande como para ser medida (con concentraciones muy pequeñas la señal inducida no logra ser captada por los instrumentos), como se puede ver en la tabla 4-1 no se necesita mucho material para generar una señal estable en los metales no ferrosos, sin embargo en los materiales ferrosos la concentración debe ser mayor, con las mediciones que se realizaron posteriormente con el hardware ya construido (ver sección 4.2.6 Captura de datos con el hardware) se observó que más importante que el peso es la distribución del material por lo que el peso de los materiales ferrosos utilizados en esa etapa no es tan grande como el utilizado en esta, de todos modos se necesita siempre mayor concentración de material ferroso que de no ferroso para lograr una detección estable a la misma distancia. Como en esta etapa no se tenía la certeza de que se pudiera discriminar a través de la información aportada por el desfase, los materiales que se escogieron pensando en obtener una señal estable, sin importar el peso o la forma de estos. Todos los datos fueron obtenidos en el punto de mayor detección del detector (ver figura 5-7) y a una distancia de 4 cm del sensor. Se tomaron datos a distancias entre 2cm y 5 cm y la tendencia de las gráficas era la misma pero cambiaba un poco el valor del desfase, finalmente se escogieron sólo los datos a 4 cm pues los otros no aportaban información adicional. Figura 4-5. Blancos utilizados. 19
  • En esta primera parte del proyecto se recopilaron datos usando 4 detectores (Úrsula, Ursulittle, Minifat y Amaranta Úrsula) para determinar si se podía extraer información de estas mediciones. Para medir el desfase entre la señal generada y la inducida se implementó el sistema representado en el diagrama en bloques de la figura 4-6, cada uno de los blancos fue medido a diferentes frecuencias con cada uno de los 4 detectores... Figura 4-6. Diagrama en bloques del sistema de pruebas. El uso de un amplificador de audio permite que por el bobinado primario circule una corriente sinusoidal de 30 mA aproximadamente, lo que genera el campo magnético en esta inductancia necesario para el proceso. La señal producida por la bobina receptora se amplificó para facilitar su medición. Para cada uno de los cinco blancos se desarrolló un protocolo de pruebas establecido para el intervalo de frecuencias de 400 Hz a 20 KHz Tales pruebas incluyen: realizar la medida de la corriente AC en el bobinado primario, medir el voltaje pico-pico en el receptor (previamente amplificado) y medir el desfase entre la señal transmitida y la inducida para cada tipo de blanco. Estas pruebas se hicieron para establecer las frecuencias en las que mayor información se podía extraer y en las que mayor estabilidad presentaba el detector, así como para determinar el comportamiento del desfase y del voltaje de la señal inducida cuando se varía la frecuencia de trabajo. La medición del voltaje se realizó con un osciloscopio digital. Con la ayuda de un multímetro digital conectado en serie con la bobina transmisora se midió la corriente a través de ésta. El desfase entre la señal transmitida y la recibida se determinó con el uso de un frecuencímetro de alta resolución (PHILIPS PM6680B), cada medida de desfase es el valor medio de 100 muestras 20
  • tomadas por el frecuencímetro, las características del PHILIPS PM6680B permiten calcular fácilmente la desviación estándar, así como el valor de desfase máximo y mínimo para el mismo número de muestras. Los datos obtenidos en esta etapa se presentan en la sección de análisis de resultados (ver sección 5.1 Resultados de la caracterización del detector). Después de analizar los datos recogidos se evidenció que la selección de una frecuencia óptima de trabajo depende del detector que se use, del circuito de prueba y del material sensado por lo que la escogencia de una frecuencia a través un análisis teórico resultó imposible, no obstante, se seleccionaron 3 frecuencias (3 Khz, 7 KHz y 14 KHz) en las que, como se observó empíricamente (ver sección 5.1 Resultados de la caracterización del detector), se podía extraer la mayor información. Los desfases entre la señal generada y la inducida a dichas frecuencias para cada uno de los blancos están lo suficientemente distanciados como para lograr discriminar entre ellos. 4.2 DISEÑO Y CONSTRUCCIÓN DEL HARDWARE DE CONTROL Una vez caracterizados los detectores y recogida gran cantidad de información que demostró que la discriminación era posible se procedió a construir el hardware que controla el detector, captura sus medidas, las procesa parcialmente y las envía al computador. Para esto se diseñó el sistema presentado en la figura 4-7. Con este sistema se busca detectar metales de manera simple, utilizando el mismo esquema del proyecto ÚRSULA; discriminar y clasificar el metal detectado, para lo que se implementó un sistema de medición del desfase entre la señal inducida y la transmitida y generar una imagen electromagnética haciendo un barrido del terreno. Figura 4-7. Esquema del hardware de control y envío. 21
  • El sistema consta de: 1 Microcontrolador PIC 18F252 1 DAC 0808 1 LM324 (Búfer del DAC) 1 VCO ICL8038 1 LM386 (Amplificador de la señal primaria) 2 operacionales LF353 (Uno como amplificador de la señal inducida y el otro como detector de pico) 1 Comparador LM339 (compuesto por dos comparadores cruce por cero) 1 Detector VLF 1 Fuente de conmutación de 5V integrada 1 Fuente de conmutación de –5V integrada 1 Fuente de conmutación de 12V integrada Cuando el sistema trabaja como modulo de ÚRSULA es alimentado por una batería de 12V. Las hojas de especificación de los componentes se pueden encontrar en la sección de anexos del CD que acompaña el libro. El objetivo principal es generar una señal sinusoidal con un VCO cuya frecuencia se controla por un microcontrolador, esta señal se amplifica, incrementando su potencia a un nivel adecuado, y se pasa al bobinado primario para que este genere el campo electromagnético que interactúa con el medio, esta señal es sensada sobre una resistencia en serie con la inductancia primaria de forma que se trabaja con el valor de la corriente de excitación. La señal del bobinado secundario es amplificada y dependiendo de la información que recoge cada modo, se extrae de ella la información necesaria (voltaje pico y/o desfase respecto a la primaria). Para programar el control del detector se requiere un microcontrolador de alta velocidad ya que el sistema procesa señales rápidas; que tenga un ADC integrado pues se necesita el valor del voltaje de la señal inducida; que tenga dos módulos comparación/captura/PWM para medir con ellos el desfase entre la señal generada y la inducida y que tenga al menos 1 puerto entrada/salida libre para producir el valor de entrada adecuado al VCO. Se utiliza un DAC 0808 que recibe un valor digital de un puerto del microcontrolador, un LM324 que sirve como búfer y un VCO ICL8038 para producir la señal primaria. La frecuencia 22
  • de esta señal es modificada directamente por el microcontrolador y no depende de ningún otro factor. En primera instancia se pensó que el microcontrolador podría generar directamente la señal sinusoidal a través del módulo PWM pero se comprobó que esta solución no era viable pues no se alcanzaba la frecuencia requerida por el proyecto dadas las restricciones en frecuencia de este módulo (se llegó a 7 KHz máximo), después se trató de incrementar el rango límite de frecuencias utilizando una tabla en memoria con los valores de la función seno, enviando cada valor con una subrutina de interrupción del microcontrolador a un puerto y transformándolos con un DAC en la señal sinusoidal continua, pero debido a que la frecuencia máxima alcanzada fue de 10 KHz (el microcontrolador interrumpiendo de manera continua) este método demostró ser también inadecuado. Por esto se optó por controlar el VCO y que este generara la señal necesaria, además esta solución demostró ser más versátil a la hora de cambiar de frecuencia. Los integrados escogidos son de fácil adquisición en el mercado. 4.2.1 Cálculo del desfase y medición del voltaje pico Una vez obtenida la señal primaria, ésta se pasa por un amplificador de audio y de ahí, simultáneamente, al detector y a un comparador cruce por cero (0); la señal inducida es amplificada (LF353) y entra también a un comparador cruce por cero (0) (ver figura 4-8). Estos comparadores (cruce por cero) son los encargados de dar la señal al microcontrolador para que los módulos de captura tomen el valor necesario. Figura 4-8. Diagrama en bloques del cálculo del desfase. 23
  • El microcontrolador posee dos módulos CCP (Capture/Compare/PWM module) que están configurados en modo captura y tienen asignado el mismo Timer (este Timer es un contador que se incrementa cada ciclo de instrucción, es decir, cada 0,1 µs), de modo que capturan el valor del Timer cuando reciben un borde de subida, el borde de subida lo proporcionan los comparadores (cruce por cero); un CCP se acciona con la señal primaria y el otro con la inducida. Cada CCP queda con el número de ciclos de instrucción transcurridos entre la inicialización del Timer y la llegada del borde de subida de su señal correspondiente. Restando los valores capturados por los CCPs se determina cuantos conteos (ciclos de instrucción) existen entre una señal y otra, multiplicando estos conteos por 360 y dividiendo por el número de conteos en un periodo de la señal se obtiene el desfase, ecuación (2). Desfase = (CCP 2 − CCP1) * 360 # Conteos (2) Donde CCP2 es el número de conteos capturados por el contador de la señal inducida, CCP1 el número de conteos capturados por el contador de la señal primaria y #Conteos es el número de conteos en un periodo de la señal. Este proceso se realiza 10 veces para cada frecuencia de modo que el valor de desfase medido es en realidad un promedio. Para obtener el número de conteos por frecuencia se utiliza el mismo método sólo que con un solo módulo CCP, dicho módulo toma un primer valor y lo pasa a una variable auxiliar y después de un periodo de la señal toma otro valor, así que al restarlos se obtiene el número de conteos por periodo de la señal, el proceso es, igualmente, realizado 10 veces para cada frecuencia. El microcontrolador también captura a través del ADC el valor del detector de pico, este último recibe la señal inducida (previamente amplificada), esta función es independiente del cálculo del desfase. 4.2.2 Comunicación El sistema puede transmitir la información a través de la USART usando el estándar RS232, de esta forma puede comunicarse directamente con un PC a través del puerto serial; se dejo abierta la posibilidad de transmisión a través del módulo MSSP en modo I2C, dejando las conexiones al puerto. La transmisión por la USART está pensada para que el sistema se comunique 24
  • directamente con el computador y sea controlado por el software desarrollado. La transmisión por I2C se podría implementar en trabajos posteriores para integrarlo al estándar de comunicación de Úrsula. 4.2.3 Alimentación Ya que el sistema debe trabajar como módulo de ÚRSULA, pues este es un objetivo específico del proyecto, el sistema se alimenta a través de una entrada de voltaje acorde a las especificaciones de la batería que usa ÚRSULA (9-12V DC). Tal alimentación se utiliza a su vez para suministrar energía a los tres reguladores (+5,-5,+12 Voltios) que usa el circuito. El microcontrolador y la MAX232 se alimentan con 5 Voltios, el LF353, el LM339 y el VCO con +5 y –5 Voltios y el LM386, el LM324 y el DAC con 12 Voltios. El esquema de alimentación escogido se debió básicamente a los requerimientos del VCO y a la necesidad de incrementar la profundidad de detección del sensor. 4.2.4 Modos de operación Para satisfacer los requerimientos del proyecto se programaron en el microcontrolador 4 modos de funcionamiento (ver tabla 4-2), cada uno de los modos trabaja de manera independiente. La programación del microcontrolador se realizó en MPLAB® IDE de Microchip, con la herramienta C18 para compilar en C. El código fuente se puede ver en el anexo “Códigos fuente” del CD del libro. Modo 0 1 Código Función 0x00 0x01 2 0x02 3 0x03 Acción Transmisión 1 byte Detección por umbral (loop) Discriminación Parámetros de entrada 0x00 0x01, Nivel detect, muestras/s 0x02 Parámetros de salida 0xAB V. pico de la onda inducida y desfase. Desfase y V. pico para cada frecuencia Detección (loop) 0x03 V. pico de la onda inducida Tabla 4-2. Modos de operación parámetros de entrada/salida. 4.2.4.1 Modo Chequeo, modo 0 Este modo depende sólo del microcontrolador (y tiene conexión con la MAX232 si se está comunicando directamente con el PC) y se implementó para hacer un chequeo de la 25
  • comunicación con el dispositivo, la repuesta del microcontrolador en este modo es siempre un AB en hexadecimal, si el sistema no responde a este modo quiere decir que hay un error en la comunicación. 4.2.4.2 Modo Detección, modo 1 Este modo es un ciclo constante en donde el microcontrolador transmite el valor del voltaje pico de la señal inducida y el desfase de las señales a una frecuencia de 3 KHz en 4 bytes (dos del voltaje y dos del desfase), si el voltaje esta por encima del nivel de detección, si no envía un 00 en el valor de voltaje. Recibe como parámetros de entrada el nivel de detección mínimo (nivel a partir del cual el sistema considera que se ha detectado) y el número de muestras por segundo que se quieren tomar. El ciclo se rompe cuando el usuario cambia de modo. Se utilizan todos los componentes del dispositivo (excepto el integrado MAX232 si se está transmitiendo por I2C). 4.2.4.3 Modo Discriminación, modo 2 Cuando el sistema está en este modo hace todo el algoritmo de discriminación, es decir, mide el desfase entre la señal primaria y la secundaria y el voltaje pico a las tres frecuencias ya establecidas (3 KHz, 7 KHz y 14 KHz) y transmite estos valores al PC o al sistema principal de ÚRSULA para su posterior análisis. El proceso lo realiza tres veces, es decir manda 3 paquetes de discriminación, 18 datos en total (cada dato son 2 bytes). El detector debe estar completamente estático para que el resultado sea correcto. Este modo es fundamental para el sistema pues constituye el objetivo principal del proyecto. 4.2.4.4 Modo Imagen electromagnética, modo 3 En este modo el sistema entra en ciclo de detección, no recibe nivel de detección ni muestras por segundo; se utiliza para generar una imagen electromagnética en 3D del terreno escaneado, por lo que el brazo robótico que sostiene al detector debe estar describiendo alguna trayectoria predeterminada (las trayectorias que describe el brazo robótico son especificaciones del proyecto encargado de este). Este modo debe ser interrumpido cuando el brazo haya hecho una línea de barrido y reanudado cuando empiece la siguiente línea de barrido (ver sección 4.3.3 Modo Imagen electromagnética). Devuelve el valor del voltaje pico de la señal inducida. 26
  • 4.2.4.5 Modo Sleep, modo 4 En este modo el microcontrolador entra en sleep, deshabilita el reloj y no ejecuta ninguna función hasta que detecte alguna interrupción. Para salir de este modo simplemente se interrumpe y se cambia el modo. Sólo funciona para transmisión por MSSP en modo I2C. 4.2.5 Circuito impreso Una vez terminadas las pruebas con el circuito en protoboard se procedió a realizar el circuito impreso. Todo el sistema quedó montado en una tarjeta antisolder de 9 X 11,5 cm de doble cara. El esquemático del circuito final, así como la disposición de los caminos y los componentes se presentan en los anexos 1 y 2. La tarjeta del circuito se aprecia en la figura 4-9a. Figura 4-9a. Impreso del circuito final. Para proteger el sistema y aislar el ruido se introdujo y se fijó la tarjeta en una caja metálica (ver figura 4-9b). Figura 4-9b. Impreso y caja. 27
  • Como se observa en la figura 4-9b, el dispositivo tiene en la parte frontal un interruptor de encendido y otro para seleccionar el modo de comunicación (USART o I2C) y en la parte posterior, un interruptor de Reset, el puerto RJ11 para comunicación por USART y un conector principal que incluye la alimentación (batería de ÚRSULA), la comunicación por I2C y los bobinados. En las figuras 4-10a, 4-10b y 4-10c se observan el conector RJ11, el conector para el detector y el conector circular con la correspondencia de cada pin. Figura 4-10a. Conector RJ11 y correspondencia Figura 4-10b. Conector para el detector y correspondencia de los pines. de los pines. Figura 4-10c. Conector circular y correspondencia de los pines. 4.2.6 Captura de datos con el hardware En esta fase se volvieron a tomar medidas tanto con el circuito en protoboard como con el circuito impreso, estas medidas arrojaron nuevos resultados, definitivos para la implementación del software de discriminación. Dichas medidas fueron tomadas con el detector Ursulittle y con dos nuevos detectores que se construyeron (Argos y Baco) siguiendo las mismas características de construcción de Ursulittle. Básicamente se buscaba analizar más a fondo el comportamiento del detector con el hardware construido y establecer el rango en el que varía el desfase de cada metal para las tres frecuencias establecidas. En esta etapa se introdujeron otros nuevos blancos 28
  • que sirvieron como patrones de medición, estos nuevos blancos fueron una lámina de aluminio, otra de hierro y otra de cobre (ver tabla 4-3). Se utilizaron láminas pues se observó que el detector responde mejor a superficies homogéneas que abarquen el área de la bobina secundaria. En la figura 4-11 se observan los diferentes patrones. Patrón 1 2 3 Peso (g) Dimensiones (cm) 100 17,5 X 14 50 14,5 X 10 200 17 X 14 Tabla 4-3. Especificaciones de los patrones de medida. Material Al Cu Fe Figura 4-11. Patrones utilizados para calibrar el discriminador. Para que los datos de los patrones fueran lo más precisos posibles (estos datos alimentarían el sistema discriminador) se aumentó la ganancia de la señal inducida (respecto a la ganancia utilizada en la etapa de caracterización del detector), ya que con una señal inducida mayor la medición del desfase es más precisa; esto también se hizo porque los materiales ferrosos a cierta distancia causan una caída en el voltaje de la señal inducida por lo que es más difícil detectarlos a una profundidad superior a 5 cm. Con una ganancia mayor se logró detectar materiales ferrosos a una distancia de hasta 8 cm y materiales no ferrosos a una distancia de hasta 12 cm, sin embargo cuando los materiales no ferrosos se acercan mucho al detector la señal inducida es tan grande que satura el detector de pico por lo que el voltaje pico es el mismo en las tres frecuencias y no se pudo utilizar como variable de discriminación (al menos no como se había pensado originalmente, con el gradiente de estos voltajes), afortunadamente esto no representó un gran problema ya que la información contenida en los desfases fue suficiente para lograr la 29
  • discriminación y el valor del voltaje pico se utilizó finalmente para diferenciarlos del vacío (si el voltaje pico está por fuera del rango del voltaje pico del vacío quiere decir que hay algún tipo de detección). El incremento en la ganancia conllevó una ventaja adicional y fue la de la detección estable y precisa del vacío, cosa que no se había podido hacer en la etapa de caracterización, al tener una ganancia más grande es posible medir el desfase entre las señales cuando no hay ningún metal en el campo de detección, ya que el campo no se logró anular completamente, y así poder establecer otro grupo de clasificación, el de vacío. Si bien al construir el detector se trata de que el campo entre la bobina receptora y la transmisora se anule, esto llevado a la practica es muy difícil pues cualquier movimiento de la bobina receptora, al momento de fijarla a la estructura, por pequeño que sea impide que el campo se anule, de modo que siempre existe alguna señal inducida así no haya ningún objeto metálico cerca al detector. Las pruebas que se realizaron en esta fase fueron mucho más amplias que en la primera e incluyeron la toma de 10 muestras por cada patrón y la variación de la distancia entre el objeto y el detector. Se tomaron muestras con una distancia entre el patrón y el detector de 1, 2.5, 4.5, 6.5, 8, 10 y 12.5 cm. Los datos fueron transmitidos por el puerto serial al PC y capturados con un programa llamado Com Port Toolkit 2.3. El montaje se puede apreciar en las figuras 4-12a, 4-12b, 4-13 y 4-14. Figura 4-13. Montaje para toma de muestras. Figura 4-12a. Equipo y montaje para toma de muestras. Figura 4-14. Montaje para la toma de muestras. Figura 4-12b. Equipo y montaje para toma de muestras. 30
  • Como se puede apreciar se suspendió el detector en el aire (para evitar cualquier interferencia con objetos metálicos) y se varió la distancia entre éste y el blanco bajando o subiendo la base neumática en donde se ubicó el material a detectar, esto también permitió rotar el material para ver que efecto producía sobre el desfase. También se realizaron pruebas en las que se variaba la posición del detector con respecto al blanco, según se muestra en la figura 4-15. Figura 4-15. Posiciones del detector con respecto al patrón Los datos obtenidos así como el análisis de resultados se pueden observar en la sección 5.2 Resultados de los datos tomados con el hardware de control. 4.2.7 Determinación de la frecuencia óptima de detección Si bien ya se habían seleccionado tres frecuencias para una correcta discriminación, no se había seleccionado aún una frecuencia óptima para la detección, es decir una frecuencia en la señal inducida para los tres tipos de metal fuera estable y de una amplitud mayor que a las demás frecuencias. Para esto se varió la frecuencia que entregaba el dispositivo (hardware implementado) y se midió el voltaje de la señal inducida para los tres metales, los resultados se presentan en la tabla 5-8 de la sección 5.2.1 Frecuencia Óptima, los datos fueron tomados con el detector Baco y posicionando la lámina de Aluminio a 7,5 cm. y las de hiero y cobre a 3,5 cm. (el voltaje inducido con la lámina de aluminio es mayor que con las otras) 31
  • 4.3 DISEÑO E IMPLEMENTACIÓN DEL SOFTWARE DE DISCRIMINACIÓN Para el control y manejo del hardware y la interacción con el usuario se desarrolló un software en Matlab® 7.0 que permite transmitir los parámetros necesarios y recibir y procesar la información que el dispositivo envía. Se escogió Matlab® pensando en la utilización de algún método de clasificación de patrones como lógica difusa o redes neuronales y en la necesidad de que este método se adaptara a un cambio de detector de forma que se pudiera volver a entrenar una nueva red neuronal o definir una nueva lógica si era el caso. Se pretende que el software pueda ejecutar y controlar cada uno de los modos que fueron definidos para el hardware y, además, ejecute otros que pueden resultar útiles para el usuario. El software consta de 4 modos (ver figura 4-16): modo detección, modo discriminación, modo imagen y calibración del detector, cada uno de los modos puede funcionar de manera independiente y ser llamado con una instrucción individual. Figura 4-16. Menú principal del Sistema de Discriminación de Metales. 32
  • La mayoría de las funciones de cada uno de los modos es sencilla y su manejo muy intuitivo; los tres primeros modos corresponden a los modos 1, 2 y 3 programados en el hardware y el cuarto utiliza el modo 2 del hardware pero no pretende discriminar sino tomar los datos necesarios para calibrar un nuevo detector. Modo/Parámetro Ventana Inicio Menú Principal Modo Detección Modo Discriminación Modo Imagen Electromagnética Calibración del Detector Envía Nada Nada 1, Nivel detección, muestras/s 2 3 Recibe Nada Nada Vpico (loop) Instrucción SDM MenuPrincipalSDM Detección Modo PIC No existe No existe 1 3 paquetes de discriminación Vpico (loop) Discriminación 2 Imagen 3 2 3 paquetes de SecuenciaCalibracion discrimación X cada muestra Tabla 4-4. Modos del software y parámetros. No existe, utiliza el 2 4.3.1 Menús Comunes Todos los modos cuentan con dos o más menús en los que se pueden encontrar funciones comunes. Estas funciones utilizan el mismo código y las diferencias entre ellas están en los nombres de las variables. La rutina que realizan es prácticamente la misma en todas ellas. Estas funciones son las siguientes: Menú Archivo • Guardar: esta función está presente en todos los modos excepto en el de calibración en donde está en forma de botón (“Almacenar Datos”), permite guardar los datos que se hayan recogido durante la sesión en el archivo que se le indique, si se quiere que el archivo no quede en la carpeta “work” de Matlab se le debe dar la ruta completa, pues por defecto almacena todos los archivos ahí. • Cargar: permite cargar los datos, cada modo tiene datos específicos y propios del modo, es importante cargar los datos en el modo correspondiente, de lo contrario se generará un error. Si se quiere cargar un archivo que no se encuentre en la carpeta “work” de Matlab se le debe dar la ruta completa. (No existe en modo detección) • Cerrar: permite cerrar el modo, deshabilita el puerto serial si está habilitado antes de cerrar la aplicación, esto evita posibles conflictos del puerto con otros modos. 33
  • Menú Herramientas • Cambiar modo: permite cambiar de un modo a otro, cierra el puerto serial si está abierto para evitar conflictos con otros modos y carga la ventana del menú principal en donde se puede seleccionar el modo deseado. Menú Puerto • Habilitar puerto: habilita el puerto serial. Se debe tener especial cuidado, si se están utilizando varios modos al tiempo, de no abrir el puerto serial con más de un modo a la vez pues esto generaría un error, sólo un modo puede tener abierto el puerto serial en un momento específico. • Deshabilitar puerto: deshabilita el puerto serial. • Chequear puerto: envía un cero (0) al dispositivo y verifica si este le responde, el cero para el microcontrolador corresponde al modo cero que es el de chequeo, así que debe responder con un AB en hexadecimal, la función lee el dato y muestra un mensaje en pantalla informando sobre el estado de la comunicación con el dispositivo. • Propiedades: permite escoger con qué puerto se va a trabajar (COM1 o COM2) y el tiempo que el software debe esperar a que el dispositivo le responda (Timeout). Para cambiar alguno de estos parámetros una vez abierto el puerto serial, se debe cerrar, hacer el cambio y volverlo a abrir. Por defecto todos los modos habilitan el puerto COM1 y establecen un timeout de 3 segundos (ver figura 4-17). Figura 4-17. Función Propiedades del Puerto. 4.3.2 Modo Detección En este modo el software muestra en pantalla el valor del voltaje pico que se esté detectando en ese momento y el desfase entre la señal generada y la inducida, así como una gráfica dinámica 34
  • (2D) de los valores que se detectan y la evolución de estos. Este modo permite variar el nivel a partir del cual se quiere detectar (Nivel de Detección), el número de muestras por segundo y almacenar los datos tomados. Corresponde al modo 1 del microcontrolador. Se logró que Matlab muestre los datos en “tiempo real” siempre y cuando el Hardware envíe los datos dentro de los límites de velocidad que puede manejar el software (muestras por segundo), esta velocidad está limitada y dictada directamente por el hardware, si se quisiera modificar se tendría que modificar primero en el microcontrolador. Sin embargo si el PC tiene un procesador muy lento o no tiene memoria suficiente para ejecutar todas las operaciones necesarias, la velocidad con la que se actualizan los datos se verá comprometida. Por esto existe una opción de muestras por segundo que cuando se selecciona en más de 5 muestras por segundo deshabilita la gráfica dinámica para mantener el procesamiento de los datos en “tiempo real”. La secuencia para lograr una correcta detección es la siguiente: 1. Abrir el modo de detección. 2. Habilitar el puerto serial. 3. Seleccionar las muestras por segundo que se quieran tomar. 4. Presionar el botón “Iniciar Detección”. 5. Después de capturadas las muestras deseadas presionar el botón “Detener Detección” Figura 4-18. Ventana del modo detección. 35
  • Nivel de Detección. El modo detección permite un rango de nivel de detección de 0% a 100%, donde 0% es el nivel mínimo posible y 100% el máximo (equivale a 1,9 V aproximadamente), lo que quiere decir que si el nivel está en 100% no detectará objetos metálicos que generen un voltaje pico en la señal inducida menor a 1,9 V. Esto es útil en terrenos con alto contenido mineral donde el detector podría confundirse por la mineralidad del suelo y generar falsas alarmas, en estos casos bastaría con subir un poco el nivel de detección. Por defecto el nivel de detección está establecido en 0%, es decir máxima detección Muestras por segundo. Como se mencionó anteriormente, en el modo de detección se puede controlar el número de muestras por segundo escogiendo un valor en la casilla de muestras por segundo. Estos valores están predeterminados y son: 0.5 ; 1 ; 2; 5; 10; 50 y 100 , donde 0.5 significa que tomaría 1 muestra cada 2 segundos y 100 una cada 10 ms, es decir 100 por segundo. De esta forma se puede regular la velocidad con que Matlab muestra los datos en pantalla. Por defecto el valor de muestras por segundo está establecido en 2. Si se escoge un valor superior a 5 muestras por segundo se deshabilita la opción de la gráfica dinámica para mejorar la velocidad con que se capturan los datos. Gráfica dinámica. El modo de detección muestra dos gráficas en dos dimensiones en las que se pueden apreciar los valores que se están tomando, tanto de voltaje pico como de desfase, estas gráficas muestran hasta 200 valores, una vez se supera esta cantidad de muestras las gráficas empiezan a “moverse” es decir muestran el valor que se detecta y los 199 anteriores. Esta función sólo esta disponible cuando se toman 5 muestras por segundo o menos pues a cantidades mayores compromete la velocidad con que Matlab adquiere los datos (ver figura 4-19). El valor de vacío no es cero ni en la gráfica de voltaje pico ni en la de desfase por lo que se deben tener en cuenta los cambios en estas gráficas, lo que indicaría la presencia de algún metal. En los detectores trabajados el valor de vacío esta entre 0,3 y 1 voltio (dependiendo del detector) y oscila alrededor de este punto, a través de la gráfica de voltaje se logra detectar metales hasta una profundidad de 12 cm, sin embargo a esta profundidad el cambio en la gráfica es muy pequeño por lo que se tiene que verificar con la gráfica de desfase, en esta, a diferencia de la de voltaje, 36
  • el valor de desfase en vació es muy estable (17º-20º para Argos y 50-80 para Baco) por lo que un ligero cambio en el desfase, fuera del rango, significa la presencia de algún metal; a través del cambio en el desfase se ha logrado detectar objetos a una profundidad de hasta 17 cm. Figura 4-19. Gráfica dinámica del modo detección. Voltaje pico máximo. En este modo también hay una casilla que muestra el valor del voltaje pico máximo, esta casilla se está actualizando permanentemente, de forma que al final de la detección registrará el voltaje pico máximo que se encontró durante todo el proceso. Iniciar detección. Para iniciar el proceso de detección se debe siempre habilitar primero el puerto serial y después hacer clic en el botón “Iniciar Detección”, debe verificarse, claro está, que el hardware esté conectado y funcionando, se puede verificar la conexión con el dispositivo con la opción de “Chequear puerto”. Después de presionado el botón, el software mostrará el voltaje pico y el desfase que se esté registrando, en la casilla de estado mostrará “Detectando”, en la de voltaje pico máximo el voltaje máximo registrado y en la parte inferior de la ventana las gráficas dinámicas. Los datos que toma son guardados en dos vectores, uno de detección y otro de desfase, estos vectores pueden tener tantas columnas como se quiera. Si así se desea, estos vectores pueden ser almacenados con la opción “Guardar” del menú “Archivo”. Cuando el voltaje de detección es cero (0) quiere decir que se está por debajo del nivel de detección enviado por el software, el microcontrolador envía un 00 cuando el nivel de voltaje está por debajo del nivel de detección que recibe, esto no quiere decir que el nivel sea cero pues nunca es cero, ni siquiera en vacío. 37
  • Detener detección. Para detener la detección simplemente se oprime el botón “Detener Detección”, si se quiere continuar con la detección se vuelve a oprimir “Iniciar Detección”, los datos se almacenarán justo después de los anteriores en los vectores de detección y desfase. Mientras el sistema esté detectando sólo puede ser interrumpido por el botón “Detener Detección”, cualquier otra función será ignorada. Borrar Datos. Si lo que se quiere es iniciar una nueva detección, se presiona entonces el botón “Borrar Datos”, un cuadro de diálogo aparecerá confirmando la operación y tanto los datos que se muestran en pantalla como los vectores de detección y desfase serán borrados. Esto no afecta, por supuesto, los datos que ya han sido almacenados. 4.3.3 Modo Discriminación Corresponde al modo 2 del microcontrolador. Este modo muestra en pantalla el valor de los desfases a las tres frecuencias en que se mide, el valor del voltaje pico en cada una y el tipo de metal que se está discriminando. Se tienen también como opciones las de almacenar los datos que se acaban de capturar, cargar los datos almacenados de alguna sesión anterior para que los discrimine y seleccionar la red neuronal entrenada para el detector con el que se desea hacer esta operación. Cada detector al ser calibrado almacena una red neuronal individual (ver sección 3.3.4 Calibración del detector) la cual puede ser cargada en este modo para hacer la discriminación. Al final de todo el proceso el software mostrará qué tipo de metal es y con qué porcentaje de seguridad lo ha clasificado (ver figura 4-20). También tiene la opción de discriminar por lógica difusa pero para esto se necesita que exista una estructura de lógica difusa, para el detector que se esté usando, la estructura de lógica difusa no es creada por la secuencia de calibración y debe ser generada directamente en Matlab® por el usuario. En el modo discriminación el sistema recibe 3 paquetes de discriminación, cada paquete es un conjunto de 3 desfases y 3 voltajes medidos a 3 KHz, 7 KHz y 14 KHz El sistema simula la red neuronal con estas tres entradas, promedia el resultado y lo muestra en pantalla. En este modo también se muestra en pantalla, al momento de ser capturado, el valor de los desfases y los voltajes pico del primer paquete de discriminación que se recibe, aunque los otros dos paquetes 38
  • permanecen en memoria, no se muestran. Se seleccionó un rango de distancias comprendido entre 2 cm y 8 cm como el rango seguro de discriminación, en dicho rango con un objeto metálico que tenga una superficie mayor que el área máxima de detección (ver figura 5-7) se logra una discriminación correcta, las distancias se escogieron basándose en que un objeto no puede estar a menos de 2 cm del detector (si se considera que se está detectando una mina el detector no puede hacer contacto con ella) ni a una mayor a 8 cm pues el voltaje de la señal inducida es tan bajo que el desfase tiende hacia el del vació y los rangos de los metales se mezclan entre sí, por eso no se tomaron muestras a distancias mayores a 8 cm. Figura 4-20. Ventana del modo de discriminación con red neuronal. La secuencia completa para lograr una correcta discriminación es la siguiente: 1. Ubicar el detector sobre el objeto que se quiere discriminar a una distancia no mayor a 8 cm, ni menor a 2cm y garantizar que permanezca inmóvil. 2. Abrir el modo de discriminación. 3. Habilitar el puerto serial 4. Presionar el botón “Capturar Datos” 5. Seleccionar el tipo de discriminación del menú “Herramientas” (por defecto discrimina con la red neuronal) 6. Cargar la red neuronal del detector o la estructura de lógica difusa. 7. Presionar el botón “Discriminar” 39
  • Capturar Datos. El botón “Capturar Datos” lee 18 datos del puerto serial, 3 paquetes de discriminación, cada uno con 3 desfases y 3 voltajes. Estos datos son almacenados en una matriz de entrada (INPUT) y pueden ser guardados en un archivo con la opción “Guardar” en el menú “Archivo”. Una vez son capturados los datos se puede ver el primer paquete en las casillas respectivas. Tipo de Discriminación. Se puede seleccionar qué tipo de discriminación se quiere realizar ya sea por redes neuronales o por lógica difusa, ambas opciones son compatibles y complementarias pero necesitan estructuras independientes. Para seleccionar el tipo de discriminación se hace clic en el menú “Herramientas” y se selecciona alguna de las opciones del submenú “Tipo de Discriminación”. La discriminación se hace por defecto con redes neuronales. Cargar red del detector. Antes de discriminar se debe cargar la red neuronal del detector que se está utilizando para capturar los datos, de otra forma el resultado será incorrecto o no se podrá discriminar, para esto se hace clic en el menú “Herramientas” y en la opción “Cargar Red del Detector”; se abrirá una ventana en donde se debe escribir el nombre del archivo donde se almacenó la red neuronal, el mismo con el que se guardó en la secuencia de calibración (ver sección 4.3.4 Calibración del detector), si el archivo no está guardado en la carpeta “work” de Matlab, se le debe dar toda la ruta, una vez hecho esto se presiona “Aceptar” y la red quedará cargada. El sistema verifica que la red neuronal se encuentre en ese archivo si no la encuentra mostrará un mensaje en pantalla indicándolo. Si se quiere discriminar con otro detector, simplemente se carga otra red y la red neuronal del nuevo archivo reemplazará a la anterior. Cargar Fuzzy del Detector. También se puede discriminar a través de lógica difusa, para esto se debe cargar la estructura de lógica difusa con la opción “Cargar Fuzzy del Detector” del menú “Herramientas” y seleccionar este tipo de discriminación en el mismo menú. El sistema tiene dos estructuras de lógica difusa, una para el detector Argos y otra para el detector Baco, si se quiere trabajar con otro detector se debe crear una nueva estructura de lógica difusa pues no se garantiza que las existentes 40
  • funcionen con un detector diferente. Dicha estructura debe crearse DIRECTAMENTE en Matlab (Remitirse al manual de Matlab) teniendo en cuenta los rangos en los que varía el desfase y el voltaje para cada patrón, se puede también editar alguna de las estructuras ya existentes. Creación de una estructura de lógica difusa. Antes de generar una nueva estructura de lógica difusa se deben extraer los rangos de desfase y voltaje de cada patrón para cada una de las frecuencias, esto se puede hacer revisando las matrices que almacena el modo de secuencia de calibración si el detector ya ha sido calibrado, si no, debe calibrarse primero. Luego debe abrirse el modo gráfico de la estructura de lógica difusa con el comando fuzzy, si es una estructura nueva o fuzzy “nombre” si se desea editar una ya existente. El software trabaja con 4 variables de entrada (desfase 1, desfase 2, desfase 3 y voltaje promedio) y con 5 variables de salida (Vacío, Aluminio, Hierro, Cobre y Otros metales), si se desea que la estructura de lógica difusa funcione se deben conservar estos parámetros (los nombres de las variables de salida pueden cambiarse pero deben seguir siendo 5). Los rangos de las funciones de pertenencia pueden variarse según se desee así como las reglas difusas (ver sección 4.3.7.2 Lógica Difusa). Una vez editada o creada la estructura se le puede dar el nombre que se quiera y cargarla, posteriormente, en el modo de discriminación. Discriminar. Cuando el tipo de discriminación esté seleccionando Redes Neuronales el botón “Discriminar” simula los 3 paquetes con la red neuronal cargada, el resultado son tres números binarios que corresponden cada uno al resultado de cada paquete. Estos números representan el número del patrón al cual la red le asignó la correspondiente entrada, en una discriminación exitosa los tres deberían representar el mismo patrón. Sin embargo, debido a las características propias de cada detector, a veces uno de estos valores es diferente de los otros, por ello, para evitar decisiones erróneas el sistema arroja un promedio de los tres resultados y con base en éste, muestra una “decisión” en pantalla y un porcentaje de certeza de la decisión, por ejemplo: “Es el patrón 1, Certeza: 70%”. 41
  • Cuando la discriminación es por lógica difusa el sistema hace el promedio de los voltajes para cada frecuencia, de forma que resulta una matriz de 3 columnas (una para cada frecuencia) y 4 filas (desfase 1, desfase 2, desfase 3 y voltaje promedio); luego hace un promedio con las tres columnas para que finalmente resulte un vector de 1 columna y 4 filas con el que alimenta la estructura de lógica difusa. El resultado de alimentar la estructura de lógica difusa es un vector de 5 columnas (una por cada variable de salida de la estructura) y una fila en donde el valor de cada posición representa el peso con el que el sistema “cree” que es esa salida (patrón), es decir si en la posición (1,1) hay un 0.5 quiere decir que el sistema asocia la entrada con el patrón 1 con un peso de 0.5; estos valores van siempre de 0 a 1 por lo que se pueden traducir fácilmente a un valor porcentual, el software escoge el mayor y lo muestra en pantalla de la forma “Es el patrón 1, Certeza: 80%”, si existen dos valores iguales el sistema escoge el primero. Se debe tener en cuenta que existe un nivel mínimo de voltaje que el sistema requiere para una correcta discriminación (1,5 Voltios) por debajo de ese voltaje no se puede garantizar una correcta discriminación aunque el grado de certeza sea del 100% Figura 4-21. Ventana del modo de discriminación con estructura fuzzy. Borrar Datos. Para una nueva discriminación se pueden capturar datos sobre los que ya existen (el sistema sobrescribe los valores) o borrar los datos y repetir “Capturar Datos” y “Discriminar”, se recomienda esta última opción para asegurar que no se trabajará con los datos anteriores. 42
  • 4.3.4 Modo Imagen Electromagnética Corresponde al modo 3 del microcontrolador. En este modo el software permite hacer una imagen electromagnética del terreno, esto se logra haciendo que el detector sense el terreno de manera ordenada. Para esto el terreno debe “barrerse” por líneas, una línea de barrido es un vector que contiene los valores pico de la señal inducida en cada punto de la trayectoria, cada uno de estos valores es considerado un punto de detección, haciendo varias líneas de barrido se puede ver la respuesta electromagnética del terreno, si existen valores de voltaje elevados la superficie se deformará (picos de voltaje) indicando que en esa área hay algún elemento metálico. El modo Imagen permite hacer un barrido en forma de zig-zag (ver figura 4-22) o alineado a la izquierda, tantas líneas de barrido como se quiera y tantos puntos de detección como se desee. En realidad la limitante para los puntos de barrido y las líneas de detección está en la movilidad del brazo encargado de desplazar el detector. La cantidad de muestras que se tomen por cm dependen, principalmente, de la velocidad con que se mueva el brazo, el sistema tiene la opción de elegir cuántas muestras por segundo se quieren. Figura 4-22. Tipos de barrido. Para lograr una correcta imagen electromagnética se debe seguir los siguientes pasos: 1. Abrir el modo de imagen electromagnética 2. Habilitar el puerto serial 3. Hacer clic en el botón “Iniciar Barrido” (El detector debe empezar a moverse en este momento, esto no lo controla el software, ni hace parte de este proyecto). 43
  • 4. Presionar “Detener Barrido Inicial” cuando se llegue al final de la línea primera de barrido. SÓLO PARA LA PRIMERA LINEA DE BARRIDO. 5. Presionar “Iniciar Barrido” para iniciar la segunda línea (El detector debe estar en la posición correcta antes de iniciar la segunda línea). El sistema se detiene automáticamente 6. Cada vez que se quiera una nueva línea de barrido presionar “Iniciar Barrido” 7. Una vez acabado todo el barrido del terreno presionar “Generar Imagen” Figura 4-23. Ventana del modo de imagen electromagnética. Los datos son almacenados en una matriz de datos de forma que el valor de la fila1, columna 1 corresponde al primer punto de detección de la primera línea de barrido, el valor de la fila 1 columna 2, corresponde al segundo punto de detección de la primera línea de barrido y así sucesivamente, todos los valores de la primera línea de barrido son almacenados en la fila 1, de igual forma sucede con la línea de barrido 2 (fila 2 de la matriz) y todas las siguientes (ver figura 4-24). 44
  • Figura 4-24. Estructura de la matriz de datos. Iniciar Barrido. El botón “Iniciar Barrido” captura los datos del puerto serial y los almacena “uno detrás del otro” en la fila de la matriz de datos correspondiente a la línea de barrido, de forma que la primera línea de barrido quedará almacenada en la fila 1 de la matriz de datos, la segunda en la 2 y así sucesivamente. Los voltajes de una línea de barrido serán almacenados en la misma fila hasta que se interrumpa el ciclo con el botón “Detener Barrido Inicial”. La matriz tendrá tantas filas como barridos se hagan y tantas columnas como puntos de detección se quieran. Cada punto de detección es un valor en la matriz que equivale al voltaje pico de la señal inducida en ese punto específico. Detener Barrido Inicial. El botón “Detener Barrido Inicial” solamente se utiliza para finalizar el primer barrido, al hacerlo el software establece el número de columnas que tendrá la matriz de datos, de forma que para la siguiente línea de barrido se debe tomar el mismo número de puntos de lo contrario se generará un error, pues las dimensiones del vector de la siguiente línea de barrido no coincidirían con las de la matriz de datos; para evitar este error el botón “Iniciar Barrido” no toma más muestras de las que se establecieron en la primera línea de barrido, una vez se llega a ellas el sistema interrumpe el ciclo y da paso a la siguiente línea de barrido; tomar menos 45
  • muestras de las que se establecieron en la primera línea de barrido generará el mismo error por eso es responsabilidad del usuario no presionar “Detener Barrido Inicial” en líneas de barrido diferentes a la primera. En definitiva el botón “Detener Barrido Inicial” se presionará una sola vez, para la primera línea de barrido y después no deberá volverse a presionar, excepto, claro, si se está haciendo un nuevo ciclo de captura. Tipo de Barrido. El modo de imagen electromagnética permite 2 tipos de barrido: en zig-zag y alineado a la izquierda (ver figura 4-22), éstos se seleccionan con la opción “Tipo de Barrido” del menú “Herramientas”. Una vez seleccionado un tipo de barrido no se puede cambiar durante el proceso de captura. El barrido establecido por defecto es “Alineación a la izquierda” Generar Imagen. El botón “Generar Imagen” muestra una gráfica tridimensional de los datos adquiridos utilizando como eje X el número de puntos tomados por línea de barrido, como eje Y el número de líneas de Barrido y como eje Z el valor del voltaje pico de la señal inducida. Esta imagen es generada en una figura diferente y puede ser rotada en todas direcciones (ver figura 4-25). Se puede generar, también, una figura con datos almacenados en alguna sección anterior, basta con cargarlos utilizando la función “Cargar Datos” del menú “Archivo” y presionar “Generar Imagen”. Figura 4-25. Imagen electromagnética. 46
  • Al rotar esta imagen y verla por debajo o por arriba se puede ver el contorno del objeto metálico que se encuentra en el terreno. La figura 4-26 (der.) muestra el contorno de una lámina rectangular de cobre vista desde abajo. Esta imagen fue tomada con el detector Baco a una distancia de 3 cm. Figura 4-26. (izq.) vista 3D de una lámina de cobre, (der.) vista inferior de una lámina de cobre. Borrar Datos. Para iniciar un nuevo barrido basta con presionar “Borrar Datos” y seguir los pasos descritos anteriormente. El botón de borrar datos elimina todos los datos que no hayan sido guardados pero no cierra la ventana con la imagen electromagnética. 4.3.5 Calibración del Detector En este modo el usuario puede calibrar un nuevo detector, con nuevas entradas y salidas, o uno existente con otros patrones diferentes. Este modo, básicamente captura la respuesta del detector ante diferentes patrones de detección y entrena una red neuronal con estos valores, se pueden tomar cuantas muestras se quieran y utilizar cuantos patrones se deseen. No corresponde a ningún modo del microcontrolador sólo utiliza el modo 2 para almacenar la respuesta del detector. Esta calibración es un modo secuencial de forma que el mismo software le va diciendo al usuario lo que tiene que hacer. Los pasos para lograr una buena calibración del detector son los siguientes: 47
  • 1. Abrir el modo “Calibración del Detector” 2. Habilitar el puerto serial 3. Presionar el botón “Iniciar” 4. Escribir el número máximo de patrones en la casilla correspondiente. 5. Poner el patrón 1 a 2 cm del detector y presionar “Adquirir Datos”. Esta operación se puede repetir cuantas veces se quiera. 6. Presionar “Siguiente Patrón” 7. Repetir el paso 5 para el segundo patrón. Si se desea añadir un tercer patrón se vuelve a presionar “Siguiente Patrón”, las operaciones 5 y 6 se repiten hasta que se llegue al número máximo de patrones. 8. Una vez tomados los datos a esa distancia presionar “Siguiente Etapa” 9. Repetir los pasos 5 y 6 para todos los patrones a una distancia de 4 cm. 10. Una vez tomados los datos a esa distancia presionar “Siguiente Etapa” 11. Repetir los pasos 5 y 6 para todos los patrones a una distancia de 6 cm. 12. Una vez tomados los datos a esa distancia presionar “Siguiente Etapa” 13. Repetir los pasos 5 y 6 para todos los patrones a una distancia de 8 cm. 14. Una vez tomados los datos a esa distancia presionar “Siguiente Etapa” 15. Retirar cualquier objeto metálico cercano al detector. 16. Repetir el paso 5 para el vacío. 17. Una vez tomados los datos de vacío presionar “Siguiente Etapa” 18. Escribir el nombre del patrón 1 en la casilla correspondiente y presionar ENTER. 19. Escribir el nombre del patrón 2, si lo hay, y presionar ENTER; se repite este paso hasta que se hayan ingresado todos los nombres de los patrones. 20. Presionar “Almacenar Datos” y escribir el nombre del archivo donde se quiere almacenar las matrices de entradas y salidas, si se desea almacenar fuera de la carpeta work de Matlab se debe dar la ruta completa. Presionar “Aceptar”. 21. Presionar “Entrenar Red”. Se puede entrenar la red varias veces hasta que se obtenga el error deseado. 22. Presionar “Almacenar datos” para guardar nuevamente las matrices de entradas y salidas y la red entrenada. 48
  • Figura 4-27. Ventana de la secuencia de calibración. Iniciar. El botón de “Iniciar” simplemente da inicio a la secuencia programada para la captura de datos, las acciones que el usuario debe realizar aparecen en el cuadro de diálogo. Es importante siempre iniciar presionando este botón. Adquirir Datos. El botón “Adquirir Datos” captura los datos, los almacena en una matriz de entradas, genera la matriz de salidas y le asigna un valor de salida según el patrón que sea. Para la correspondencia entre entradas y salidas, el sistema asignará un 2 binario en las columnas correspondientes de la matriz de salidas si las entradas corresponden al patrón 2, de forma que si las entradas del patrón 2 fueron asignadas en las columnas 3 a 12 de la matriz de entradas, la matriz de salidas tendrá un 01 en las mismas columnas, así cuando se entrene la red, esta podrá saber que salida se quiere para determinadas entradas (ver figura 4-28). Al vacío siempre se le asigna la salida 0 y es entendido como el patrón 0. Cada vez que se presiona “Adquirir Datos” el sistema toma tres paquetes de discriminación y los almacena cada uno en una columna de la matriz de entradas, 49
  • una vez hecho esto la casilla “Entrada” se incrementa en tres, lo cual quiere decir que el siguiente paquete de datos se almacenará en la columna que indica dicha casilla. Figura 4-28. Correspondencia entre la Matriz de Entradas y la de Salidas. Siguiente Patrón, Anterior Patrón. Se pueden tomar tantos paquetes de datos para un patrón a una distancia específica como se quiera pero es recomendable tomar el mismo número de datos para todos los patrones, para cambiar de patrón simplemente se presiona “Siguiente Patrón” o “Anterior Patrón” según sea el caso, el sistema asignará la salida correspondiente en la matriz de salidas sin importar el orden en que se toman los patrones. No se pueden tomar más patrones de los que se establecieron al principio. Mientras no se presione “Siguiente etapa” el sistema indicará que se pongan los patrones a la misma distancia. Anterior entrada. El botón “Anterior Entrada” sirve para saltar a una entrada anterior si se llegó a cometer un error y sobrescribir los últimos datos tomados, se debe considerar que una vez se ha saltado a una entrada anterior no se puede regresar y los nuevos datos sobrescribirán a los antiguos. Se puede retroceder tantas veces como se quiera, el sistema siempre almacenará los datos en las columnas siguientes a la que indica la casilla “Entrada”, incluyendo la que muestra al momento de adquirir datos. Una entrada es simplemente el número de la columna de entradas en donde se almacenarán los datos. 50
  • Siguiente Etapa. El ciclo de captura de datos tiene tres etapas: captura de datos para los patrones, captura de datos para vacío y adquisición de los nombres de los patrones. La primera etapa tiene, a su vez 4 fases: captura de datos a 2cm, captura de datos a 4cm, captura de datos a 6cm y captura de datos a 8cm (ver figura 4-29). En la etapa de captura de datos para los patrones el sistema toma datos a 4 diferentes distancias, 2 cm, 4 cm, 6 cm y 8 cm, para cambiar de distancia, se debe presionar “Siguiente Etapa”, una vez se ha cambiado de distancia no se puede retroceder a la etapa anterior. Sin embargo se pueden tomar los datos de todas las distancias en una misma etapa y saltarse las otras pues para el sistema la distancia no es un parámetro de entrada, esto se hace simplemente para guiar al usuario a través de un proceso de calibración y darle las indicaciones necesarias para lograr una correcta calibración del detector. Se diseñó este modo para que los datos fueran tomados en las distancias en las que se vio que mayor información aportaban a la red, pero si se quiere, se puede hacer caso omiso a las distancias que indica la casilla de dialogo y tomar los datos a otras distancias. Sin embargo, no se garantiza un buen desempeño de la red si el rango de captura está por fuera del rango óptimo (entre 2cm y 8 cm), a menor distancia el voltaje pico se hace muy grande y confunde al sistema y a mayor distancia el detector no tiene una señal lo suficientemente estable como para capturar datos confiables. Figura 4-29. Diagrama en bloques del modo “Secuencia de Calibración”. 51
  • Cuando se han tomado todos los datos en las 4 distancias el sistema pasa a la etapa de captura de datos para vacío, en esta etapa se pueden tomar tantos datos de vacío como se quiera, si el valor de vacío es estable en el detector (como es el caso de los detectores Argos y Baco) no hace falta tomar más de 15 muestras, pero si es inestable se recomienda tomar las mismas muestras que los otros patrones. Esta etapa también se finaliza presionando “Siguiente Etapa” Por último el sistema pasa a la etapa de adquisición de nombres para los patrones, en donde se debe ingresar los nombres para cada uno de los patrones, después de escribir el nombre del patrón en la casilla correspondiente se debe presionar ENTER para poder escribir el siguiente nombre, si se quiere saltar esta etapa se puede presionar “Siguiente Etapa”, se recomienda que, una vez adquirido el primer nombre se ingresen todos los demás para evitar errores con el modo de discriminación. Una vez finalizadas estas tres etapas el sistema está listo para entrenar la red, se pueden almacenar los datos capturados con el botón “Almacenar Datos” o presionar “Entrenar Red”, se recomienda siempre almacenar los datos antes de entrenar la red para así evitar que se pierdan en caso de que el sistema falle entrenando la red (a veces la cantidad de datos es tan grande que el PC no es capaz de ejecutar la función de entrenar red y el sistema se puede bloquear, este error sucede por falta de memoria y no por un error en el software). Almacenar Datos Una vez se ha finalizado el ciclo de captura de datos el sistema mostrará un mensaje que pide presionar el botón “Almacenar Datos” este almacena la matriz de entradas y la de salidas en un archivo, si existe una red entrenada y una matriz de nombres las almacenará también. Si se quiere almacenar los datos en un archivo por fuera de la carpeta “work” de Matlab se debe dar la ruta completa. Hay que tener en cuenta que esta función puede sobrescribir datos anteriores si se utiliza el mismo nombre de archivo. Después de almacenados los datos el sistema pide que se entrene la red, se puede presionar el botón “Entrenar Red” o guardar los datos y salir. Entrenar Red. Al presionar este botón el sistema entrena la red neuronal siguiendo un modelo ya establecido (ver sección 4.3.7.1 Redes Neuronales), se entrena siempre con el mismo modelo y se hacen 52
  • 3000 épocas o ciclos de entrenamiento, una vez entrenada la red el sistema muestra en la ventana “Command Window” de Matlab® una matriz con el resultado de la red simulada con las entradas, esta matriz debe ser igual a la de salidas o muy aproximada, de lo contrario se deberá entrenar la red de nuevo, en términos prácticos los números de ésta matriz deben estar muy cercanos a 1 ó 0, valores intermedios como 0.5, 0.36 ó 0.87 indican que la red no fue entrenada correctamente y que el error es muy grande por lo que generará una discriminación incorrecta, en estos casos se debe entrenar la red hasta que el resultado sea el deseado. El entrenamiento de la red también se puede detener en cualquier momento y la red quedará entrenada hasta ese punto, si se desea que el sistema ejecute más épocas de las que se tienen definidas o cambiar la arquitectura de la red se debe cambiar el código fuente del programa “SecuenciaCalibracion.m” en la función de “Entrenarredpushbuttton” Casilla Entrada. La casilla “Entrada” indica la siguiente entrada sobre la cual se almacenarán los datos, esto no es más que el número de la columna de la matriz de entradas donde se almacenará el siguiente paquete de datos, esta casilla salta de tres en tres pues la función que ejecuta “Adquirir Datos” captura 3 paquetes de datos. Casilla Patrón. La casilla “Patrón” indica el número del patrón que se está capturando, es importante que este patrón corresponda al que en realidad se está midiendo, de lo contrario se asignará una salida errónea y la red perderá precisión. Esta casilla se incrementa o decrementa con los botones “Siguiente Patrón” o “Anterior Patrón” respectivamente. Cuando el sistema captura los datos de vacío en esta casilla se ve un cero (0) pues el vacío es siempre asignado como el patrón 0. Número máximo de patrones. La casilla “Número máximo de patrones” indica el número máximo de patrones permitidos durante una secuencia de calibración, una vez se ha ingresado este número no se puede modificar, sin embargo se pueden tomar menos patrones de los que indica esta casilla. Si se quiere capturar más patrones de los que se había especificado en un comienzo se debe iniciar una nueva sesión de calibración. 53
  • Nombre Patrón. Cuando el sistema lo solicita en esta casilla se deben escribir los nombres de los patrones y presionar ENTER. Los nombres se almacenan en una matriz de nombres y no deben contener más de 10 caracteres. Reiniciar. El botón “Reiniciar” borra todos los datos almacenados e inicia una nueva sesión de calibración. Los datos que han sido guardados en un archivo por medio de la función “Almacenar Datos” no se verán afectados por esta función. Los datos que aun no se han almacenado se perderán al presionar “Reiniciar”. Si se presiona este botón durante la etapa de captura de datos se generará un error en Matlab pues algunas variables sólo son actualizadas al final del ciclo y al reiniciar la secuencia de calibración estas variables no son encontradas, sin embargo este error no afecta el buen funcionamiento del sistema y puede ser ignorado. 4.3.6 Manejo de Archivos Cada modo del software tiene la posibilidad de almacenar archivos propios de su modo, en general estos archivos son incompatibles entre si, sin embargo el modo discriminación acepta archivos del modo de calibración. Si se quiere discriminar una matriz grande (más de 3 columnas) de paquetes de discriminación se pueden capturar los datos con el modo “Secuencia de Calibración” y después abrirlos y discriminarlos en el modo discriminación. El sistema sólo puede discriminar una matriz de más de 3 columnas con redes neuronales, en tal caso el resultado que el sistema muestra en pantalla es el de los 3 primeros paquetes de discriminación pero almacena en el archivo una matriz de salida con el resultado de la simulación de la red para toda la matriz de entrada. Cada modo almacena los datos en una matriz de nombre diferente, el modo detección almacena dos vectores “INPUTVP” y “INPUTDES” para el voltaje pico y el desfase respectivamente; el modo discriminación almacena una mat5riz de entrada “INPUT” con los datos capturados o los datos cargados y una matriz de salida “Outred” con las respuestas de la rede neuronal a las salidas, si la matriz de entrada tiene 3 columnas la matriz de salida de la red tendrá sólo 1, pero si la matriz de entradas tiene más de 3 columnas la matriz de salida tendrá tantas columnas como la de entradas; el modo Imagen almacena una matriz de entradas “INPUT” con los 54
  • voltajes de cada punto de detección del barrido (ver sección 4.3.4 Imagen Electromagnética) y, finalmente, el modo calibración almacena una matriz de entradas “INPUT” donde cada columna es un paquete de discriminación, una matriz de salidas “OUTPUT” donde cada columna corresponde al número del patrón para el cual corresponden esas entradas (ver sección 4.3.5 Secuencia de Calibración), una estructura para la red neuronal “Redentrenada” y una matriz de nombres “Nombres” con los nombres de los patrones donde cada fila corresponde al nombre de un patrón (la fila 1 siempre será vacío); cualquier cambio en los nombres de estas matrices o estructuras impedirá que el archivo sea cargado en el modo correspondiente y generará un error en el software pues este sólo responde a los nombres de las matrices correspondientes. Los valores de voltaje son siempre almacenados en un rango entre 0 y 1024 donde 0 corresponde a o V y 1024 a 5 V, ya que el ADC del microcontrolador es de 10 bits, estos valores son convertidos a valores reales de voltaje al momento de mostrarlos en pantalla pero se trabajan y son almacenados en la misma forma en que los entrega el microcontrolador. Sin embargo como el detector de pico se satura a 4,2 voltios aproximadamente nunca se tendrá un valor de voltaje superior a 860. 4.37 Sistemas de discriminación Debido a la complejidad de los datos recogidos y su dependencia de muchas variables externas (tamaño del blanco, homogeneidad de la superficie y distancia y posición entre el blanco y el sensor) se desarrollaron dos sistemas inteligentes de discriminación que pudieran tener en cuanta estas variables; uno basado en la lógica difusa y el otro en redes neuronales, ambos sistemas se implementaron en el software, sin embargo la estructura de lógica difusa sólo fue desarrollada para los detectores Argos y Baco, si se trabaja con otro detector esta estructura no funciona. Para adaptar una estructura de lógica difusa a un nuevo detector se debe crear dicha estructura directamente en Matlab. La discriminación se basa en la respuesta del desfase y del voltaje pico del material (o del medio) a las frecuencias de discriminación seleccionadas (3 KHz, 7 KHz y 14 KHz), el hardware mide el desfase y el voltaje pico a estas tres frecuencias y los envía al PC, cada set de 3 desfases y 3 voltajes es considerado un paquete de discriminación, el hardware en modo discriminación envía 3 paquetes de discriminación y el software aplica la discriminación a estos 3 paquetes (ver sección 4.3.3 Modo Discriminación). 55
  • 4.3.7.1 Redes Neuronales En la discriminación por redes neuronales se simula la red neuronal con los tres paquetes de discriminación, esta red neuronal ha sido previamente entrenada en el modo “Calibración del Detector”, el éxito de la discriminación depende del entrenamiento de la red, de las entradas utilizadas y de la estabilidad de la señal en el momento de capturar los datos. Las redes se entrenan todas siguiendo el mismo modelo de red: una red Feedforward de 5 capas, con 2, 6, 6, 6 y n neuronas en las capas 1, 2, 3, 4 y 5 respectivamente, donde n depende del número de patrones con que se calibra el detector y se calcula usando la ecuación (1). La función mayor entero garantiza que las neuronas a la salida serán suficientes para clasificar el grupo de patrones, aunque se recomienda que estos no sean mayores a 4. La estructura de la red es constante a excepción de la capa 5 o de salida, ya que ésta depende del número de patrones a discriminar. La idea es manejar un esquema binario a la salida, es decir, si se tienen 4 patrones se requiere un total de dos neuronas a la salida, a dichas neuronas se les asignarán sólo valores de 0 o 1 a la hora de entrenar la red. Por ejemplo, si se tienen dos neuronas a la salida y se quiere clasificar 4 patrones y si la salida de la neurona 1 es “S1” y la salida de la neurona 2 es “S2” se tiene la siguiente tabla 4-3. S1 S2 Patrón S1 S2 Patrón 0 0 Patrón 1 1 0 Patrón 3 0 1 Patrón 2 1 1 Patrón 4 Tabla 4-3. Asignación de los valores de salida de la red. Figura 4-30. Arquitectura de la red 56
  • La arquitectura de la red utilizada es la mostrada en la figura 4-30, con esta estructura se obtuvieron los resultados deseados al realizar el entrenamiento de la red. Se hicieron muchas pruebas con distintos números de capas y de neuronas en cada capa y finalmente la mejor solución fue la arquitectura mostrada. La función de transferencia para las 5 capas es la tangente sigmoidal “tansig”, en la última capa se puede usar también la función logaritmo sigmoidal “logsig” y con ello se garantiza que la salida sólo variará entre 0 y 1. La función de entrenamiento utiliza el algoritmo LevenbergMarquardt “trainlm”, el cual parece ser el método más rápido para entrenar redes feedforward de tamaño moderado (hasta varios cientos de pesos) y además cuenta con una implementación muy eficiente en MATLAB® [9]. En el software de calibración se ejecutan 3000 épocas del algoritmo (una época es un ciclo de entrenamiento en el que Matlab ejecuta el algoritmo y calcula el error una vez), pero se puede detener el entrenamiento antes, en el punto que se considere conveniente. La red se puede entrenar cuantas veces se quiera, hasta que el error sea el deseado, se recomienda un error menor a 10-6 para una correcta discriminación, algunas veces el algoritmo no converge debido a los valores iniciales de los pesos y los “bias”, por lo que el proceso de entrenamiento se debe realizar, generalmente, varias veces. Para el entrenamiento de la red sólo se utilizaron los detectores Baco y Argos, en la figura 4-31 se observan ejemplos de las gráficas de entrenamiento obtenidas con 5000 épocas (sólo para garantizar un mejor desempeño). Figura 4-31. Gráficas de entrenamiento con 5000 épocas. Para los detectores Argos y Baco se entrenó la red siguiendo la secuencia de calibración del software, se tomaron valores para los tres patrones a distintas distancias (2, 4,6 y 8cm) y diferentes posiciones (las posiciones se variaron según la figura 4-15, 5 posiciones). Para cada 57
  • distancia se tomaron 5 capturas por metal, es decir, una por cada posición (cada captura representa 3 paquetes de discriminación, ver sección 4.3.3) y al final se hicieron 5 capturas para vacío, de forma que en total fueron 65 capturas (195 paquetes de discriminación) para entrenar cada red. Cuando se esté utilizando el software de discriminación es importante tener en cuenta que la red con la que se simule sea la misma con la que se entrenó el detector con el que se están capturando los datos. 4.3.7.2 Lógica difusa La discriminación por lógica difusa se basa en el grado de pertenencia de una entrada a unos conjuntos difusos definidos [10] Para el caso que se trabaja, se definieron 4 variables de entrada: Desfase 1, Desfase 2, Desfase 3 y Vprom; donde los tres primeros son los tres desfases a cada una de las 3 frecuencias de trabajo y Vprom es el promedio de los voltajes pico de la señal inducida para las tres frecuencias. Para el sistema de lógica difusa se observó que el voltaje no aportaba mayor información, salvo la posibilidad de determinar si era o no vacío (si el voltaje promedio está por fuera del rango del voltaje promedio para vacío quiere decir que hay algún metal), de forma que la discriminación se basó principalmente en los desfases a las tres frecuencias. Se escogió una estructura de lógica difusa tipo “Mandami” [10]. Para cada una de las entradas se definieron funciones de pertenencia específicas, para los desfases se definieron 5 funciones de pertenencia, correspondientes a los 5 rangos de desfase: vacío, aluminio, hierro, cobre y “otros metales”. Estas funciones de pertenencia variaban su tamaño y su intervalo según los rangos de dichos metales para cada frecuencia. En otras palabras, si se observó que el desfase del aluminio estaba siempre entre 10º y 20º para la frecuencia de 3 KHz el intervalo de la función de pertenencia “Aluminio” para Desfase 1 irá entre 10º y 20º. De esta forma se obtuvieron todos los intervalos de desfase de los tres metales (aluminio, hierro y cobre) a las tres frecuencias y los de vacío; la función de pertenencia “Otros Metales” se definió en el intervalo de desfases en el que ninguna otra función de pertenencia estaba definida (ver figura 4-32). Todas las funciones de pertenencia de las entradas son trapezoidales. 58
  • Figura 4-32. Funciones de pertenencia para la entrada Desfase 1 del detector Argos. Para la entrada de voltaje promedio, se definió el rango de voltaje del vacío, cualquier entrada para esta variable que esté fuera del rango de vacío significa que hay algún metal (sin embargo a través de esta variable no se puede saber qué tipo de metal es). Se establecieron unas reglas que varían según el detector, los pesos de estas reglas se establecieron por el método de ensayo y error por lo que no se pudo desarrollar una secuencia en Matlab® que pudiera generar una estructura de lógica difusa de manera independiente, como si se logró para las redes neuronales. Se definieron 5 salidas Vacío, Aluminio, Hierro, Cobre y Otros metales, las funciones de pertenencia de estas salidas se definieron igual para todas: tres funciones triangulares, una en alto, una en medio y una en bajo, estas funciones representan, en el momento de definir las reglas, que tanto de la salida se le asigna a las funciones de pertenencia de las entradas. La estructura de lógica difusa entrega un resultado según la entrada con que se alimente, este resultado puede ser mostrado gráficamente (con el fuzzy logic toolbox de Matlab®) o en forma de vector (con la función “evalfuzzy()” de Matlab®), en ambos casos la estructura asigna un valor para cada variable de salida. Este valor representa el peso con el que se asocia la entrada a determinada salida (ver figura 4-33). El método de “defusificación” utilizado fue “SOM” (smallest of maximum method) para ambas estructuras. 59
  • Figura 4-33. Resultado de la estructura de lógica difusa Argosfuzzy usando el fuzzy logic toolbox “fuzzy”. En la figura 4-33 se puede observar que ante una entrada correspondiente a vacío, la estructura responde con un valor de 0.89 para este variable de salida, de forma que asigna un peso de 0.89 a la salida de vacío y cero a las otras. 60
  • 5. ANÁLISIS DE RESULTADOS 5.1 RESULTADOS DE LA CARACTERIZACIÓN DEL DETECTOR Para tomar los datos se utilizaron 4 detectores, el del proyecto ÚRSULA y los 3 primeros construidos, después de analizar los datos se descartó el detector Amaranta Úrsula pues sus medidas no fueron coherentes con las de los otros detectores, los valores de desfase entre los 3 materiales resultaron muy cercanos entre ellos lo que representa una dificultad al momento de discriminar (ver Figura 5-6), esto se explica porque la relación entre el diámetro del bobinado primario y el del secundario (D1/D2) fue muy pequeña (ver tabla 3-1) haciendo que los campos inducidos presentaran un desfase similar. Estos datos sirvieron para verificar que, efectivamente, sí había información en el desfase entre la señal transmitida y la inducida y que era posible utilizarla para diferenciar el tipo de metal detectado, así como para caracterizar el detector, punto que era uno de los objetivos específicos del proyecto. Las mediciones realizadas en esta etapa se pueden ver en las tablas 5-1 a 5-4, así como en las figuras 5-1 a 5-6. Las condiciones con las que se tomaron las medidas se presentan en la sección 4.1.2. Voltajes bobinado sec. Vs. Frecuencia 50 40 Cu 30 Al 20 Fe colado Fe 10 0 400 1000 6000 14000 Frecuencia (Hz) Figura 5-1. Corrientes Vs. Frecuencia para Úrsula. Voltaje (Vp-p) Corriente (mA) Corrientes bobinado prim. Vs. Frecuencia 7 6 5 4 3 2 1 0 Cu Al Fe colado Fe 400 900 4000 9000 18000 Frecuencia (Hz) Figura 5-2. Voltajes Vs. Frecuencia para Úrsula. De los datos obtenidos, se puede observar que al aumentar la frecuencia de trabajo se produce una ostensible reducción de la corriente sobre el bobinado primario como se aprecia en la figura 5-1, esto es, por supuesto, porque la impedancia del bobinado primario aumenta con la frecuencia. La gráfica es casi la misma para todos los blancos lo que prueba, como era de esperarse, que la señal generada depende sólo de la frecuencia y de la configuración del circuito 61
  • y no del metal que se esté detectando. En el caso de los materiales no ferrosos el voltaje inducido en el bobinado secundario crece a medida que la corriente disminuye, como se observa en la figura 5-2, sucede todo lo contrario en los materiales ferrosos, donde el voltaje inducido aumenta al crecer la corriente de excitación. Las frecuencias donde se presentó una mejor detección variaban con los diferentes blancos y no existe ninguna que sea común a todos, sin embargo se observó un mejor desempeño en frecuencias entre 1 KHz y 3 KHz, donde la estabilidad era alta y había una gran diferencia entre el aluminio y el cobre, aunque no tan grande entre el hierro puro y el hierro colado (ver figura 53). Los blancos fueron ubicados en el punto de mayor detección del sensor. En algunas frecuencias el desfase era muy inestable pues el nivel de detección era muy bajo así que no se pudo medir. Una primera aproximación indicó que con este tipo de detectores se puede discriminar entre materiales ferrosos y no ferrosos, sin embargo los datos de desfase recogidos revelan que también se puede lograr mayor precisión y diferenciar entre otros metales (p. Ej. Cu y Al). La figura 5-3 muestra la diferencia de fase entre los metales (Cu, Al, Fe colado y Fe) para cada frecuencia. Esta diferencia, para el Cu y el Al, es considerable a bajas frecuencias, pero se reduce hasta hacerse casi imperceptible en altas frecuencias. Por otro lado la diferencia entre el Fe y el Fe colado es mínima a bajas frecuencias, pero va aumentando a medida que la frecuencia aumenta. Desfases Vs. Frecuencia 400 300 Desfase (°) Cu 200 Al 100 Fe colado 0 Fe 400 700 1000 3000 6000 9000 14000 20000 -100 -200 Frecuencia (Hz) Figura 5-3. Desfases Vs. Frecuencia para Úrsula. 62
  • La desviación estándar del blanco 5 comparada con el blanco 2 (ver tabla 5-1) revela que si bien el área detectada del metal no afecta sustancialmente la media del desfase, sí afecta la estabilidad de la medida del detector. Por esta razón las mediciones para frecuencias menores a 800 Hz no se tuvieron en cuenta para este blanco pues se hacían muy inestables. Esto indica que el material a detectar debe tener un área mínima para obtener una medida confiable y coherente. Metal Cu Al 3 latas Fe colado Fe Al 1 lata Frec. Media Desv. Media Desv. Media Desv. Media Desv. Media Desv. 400 -104.335 0.3337 -140.53 0.964 147.37 1.112 139.87 0.792 --500 -93.268 0.2419 -120.815 1.393 155.49 1.136 148.24 1.66 --600 -82.907 0.1354 -105.552 0.6857 162.51 0.747 154.829 1.704 --700 -73.859 0.1389 -93.95 4.98 169.04 2.79 160.3 0.478 --800 -69.27 0.5934 -77.183 0.5703 174.04 1.11 165.4 0.477 -102.08 11.32 900 -60.24 0.09599 -80.23 0.3891 178.88 0.6517 170.1 1.23 -89.27 10.3 1000 -56.727 1.138 -65.36 0.326 183.41 1.01 173.74 0.241 -91.92 4.674 1500 -38.356 0.07004 -51.838 0.2191 204.93 0.576 188.16 1.061 -64.96 0.657 2000 -26.788 0.596 -38.664 0.1517 218.02 0.473 198 0.233 -47.15 3.349 3000 -13.897 0.1641 -22.82 0.1442 238.13 0.551 210.774 0.233 -31.23 0.3795 4000 -5.972 0.123 -12.817 0.1836 255.78 0.8017 220.05 0.409 -18.52 2.34 5000 -1.974 0.5397 -5.487 0.1932 269.68 0.974 232.84 3.3 -13.62 0.406 6000 3.341 0.1367 4.045 2.562 284.19 0.62 235.7 0.313 -4.2 0.8715 7000 7.71 0.2369 6.577 0.1328 295.32 0.618 241.356 0.285 5.205 0.7059 8000 11.465 0.8433 11.296 0.1057 290.54 0.531 249.19 0.297 7.76 0.2435 9000 15.146 0.2598 15.723 0.1006 300.316 0.608 255.4 0.301 12.69 0.2829 10000 18.879 0.2244 19.912 0.1719 311.52 0.632 261.65 1 17.338 0.3566 12000 24.669 0.1218 27.403 0.2188 333.07 0.6224 276.95 0.45 25.29 0.3033 14000 29.816 0.2545 34.178 0.1566 352.084 0.646 290.41 0.506 31.94 0.601 16000 35.008 0.1317 40.399 0.169 13.307 0.6028 306.12 0.581 40.92 0.3586 18000 40.726 0.1881 46.075 0.1672 24.408 0.549 322.67 0.664 46.75 0.4088 20000 45.875 0.201 51.51 0.2017 33.53 0.6334 347.03 2.21 52.36 0.4148 Tabla 5-1. Desfase medio y desviación estándar para los 5 blancos (detector Úrsula). Se puede apreciar que los desfase son diferentes para cada metal en la mayoría de las frecuencias, en todos los detectores es posible distinguir los desfases de cada metal. Las tablas 5-1 a 5-4 y las figuras 5-3 a 5-6 muestran que cada metal tiene un desfase diferente a los otros para cada frecuencia, aunque hay algunas en las que se acercan mucho. Por ejemplo a la frecuencia de 3 KHz se puede observar que los materiales no ferrosos (aluminio y cobre) presentan una diferencia de más de 100º respecto a los ferrosos y una diferencia entre ellos de 6º (para el detector Ursulittle), dichas diferencias se mantienen en todos los detectores. Metal Cu Frec. (Hz) Media (º) -400 -500 -600 -700 118,47 800 110,16 900 111,37 1000 119,67 1500 Al 3 latas Fe colado Fe Desv. Media (º) Desv. Media (º) Desv. Media (º) ------47,955 ------40,04 ------37,1 ------26,404 9,33 107,98 2,61 -16,11 0,762 -26,201 0,518 110,75 2,47 -11,13 0,435 -20,51 0,418 113,12 1,63 -6,39 0,285 -13,619 0,308 127,25 1,07 9,75 0,21 -5,71 Al 1 lata Desv. Media (º) Desv. 0,762 --1,007 --1,1 --0,35 --0,253 102,14 0,52 1,288 105,51 0,34 0,669 111,394 1,08 0,501 128,371 0,186 63
  • 2000 3000 4000 5000 6000 7000 8000 9000 10000 12000 14000 16000 18000 20000 128,95 142,04 152,16 159,64 165,65 170,81 175,22 179,08 -177,5 -177,33 -166,15 -161,43 -157,71 -153,78 0,271 0,177 0,147 0,137 0,137 0,128 0,128 0,125 0,127 0,126 0,131 0,126 0,138 0,135 137 148,6 157,66 163,65 168,62 172,73 176,48 179,68 -177,35 -171,79 -167,14 -162,79 -158,51 -154,57 0,199 0,148 0,136 0,117 0,117 0,123 0,127 0,117 0,122 0,569 0,122 0,129 0,118 0,139 22,94 38,5 51,57 62,311 71,72 79,5 86,18 92,56 97,98 107,45 116,42 124,03 130,42 136,37 0,233 0,268 0,276 0,283 0,291 0,317 0,292 0,313 0,308 0,308 0,303 0,306 0,301 0,326 1,429 13,61 22,48 29,549 35,71 41,539 46,745 52,209 56,56 65,669 73,831 81,346 87,851 94,238 0,179 0,408 0,298 0,448 0,181 0,301 0,315 0,279 0,273 0,254 0,315 0,234 0,385 0,319 141,02 156,751 165,825 171,868 175,208 179,913 -177,165 -174,093 -171,179 -165,935 -161,434 -157,17 -153,367 -149,17 0,456 0,144 0,126 0,145 0,121 0,122 0,123 0,129 0,124 0,131 0,128 0,142 0,306 0,151 Tabla 5-2. Desfase medio y desviación estándar para los 5 blancos (detector Ursulittle). Metal Cu Frec. (Hz) Media (º) -400 -122,58 500 -113,89 600 -106,13 700 -101,05 800 -95,46 900 -89,17 1000 -69,47 1500 -57,74 2000 -42,48 3000 -30,71 4000 -21,52 5000 -13,99 6000 -7,72 7000 -2,16 8000 2,42 9000 6,78 10000 13,1 12000 19,44 14000 26,18 16000 32,5 18000 37,66 20000 Al 3 latas Fe colado Fe Desv. Media (º) Desv. Media (º) Desv. Media (º) ---137,28 0,45 122,61 0,773 --142,35 0,32 126,69 1,11 --145,43 0,275 131,15 0,774 --151,68 0,276 135,27 0,345 -123,43 0,666 156,01 0,272 138,82 0,404 -113,73 3,86 161,26 0,257 142,52 0,318 -110,07 2,28 165,38 0,216 145,96 0,414 -87,11 0,184 -177,13 0,2 160,83 0,213 -70,52 0,162 -162,57 0,204 171,88 0,138 -51,39 0,393 -144,01 0,181 -172,67 0,21 -37,94 0,085 -127,92 0,187 -161,57 0,118 -30,72 0,089 -101,01 0,198 -154,3 0,111 -23,23 0,076 -87,88 0,202 -146,47 0,083 -15,74 0,081 -76,81 0,196 -139,64 0,069 -10,78 0,087 -65,74 0,191 -133,39 0,091 -5,53 0,074 -56,84 0,2 -127,78 0,194 -0,72 0,073 -48,57 0,193 -122,48 0,207 7,42 0,069 -35,13 0,206 -112,53 0,209 14,37 0,077 -23,34 0,205 -103,29 0,151 21,13 0,096 -13,08 0,242 -94,37 0,189 27,06 0,071 -4,13 0,204 -86,01 0,199 32,48 0,079 4,02 0,219 -77,8 Al 1 lata Desv. Media (º) Desv. 0,256 --0,245 --0,197 --0,163 --0,195 -126,74 2,65 0,153 -120,3 0,561 0,117 -113,59 1,56 0,117 -86,77 1,65 0,119 -71,33 0,118 0,088 -52,98 0,089 0,096 -38,79 0,073 0,127 -29,27 0,086 0,104 -21,54 0,067 0,102 -14,64 0,07 0,111 -8,71 0,063 0,114 -3,24 0,073 0,117 1,62 0,062 0,133 10,13 0,059 0,138 17,03 0,063 0,182 24,43 0,0615 0,165 30,43 0,0585 0,172 36,18 0,065 Tabla 5-3. Desfase medio y desviación estándar para los 5 blancos (detector Minifat). Metal Cu Frec. (Hz) Media (º) -400 -500 -600 95,43 700 100,18 800 104,83 900 109,19 1000 126,88 1500 139,39 2000 156,39 3000 167,17 4000 175,53 5000 -177,88 6000 -172,55 7000 -168,02 8000 -164,13 9000 -160,65 10000 Al 3 latas Fe colado Desv. Media (º) Desv. Media (º) Desv. ---131,14 0,568 ---133,68 0,611 ---137,26 0,477 0,767 --140,38 0,422 0,512 78,46 0,493 143,93 0,471 0,471 82,25 0,413 147,44 0,423 0,399 86,65 0,452 150,66 0,493 0,284 107,02 0,179 164,2 0,267 0,223 122 0,137 174,08 0,224 0,19 142,71 0,113 -171,9 0,236 0,178 155,71 0,099 -162,05 0,212 0,205 164,86 0,086 -154,6 0,206 0,177 172,1 0,095 -148,11 0,289 0,158 177,92 0,091 -141,85 0,222 0,171 -176,96 0,097 -136,3 0,246 0,178 -172,4 0,089 -131,25 0,242 0,169 -167,91 0,093 -126,3 0,259 64
  • -153,95 0,209 -147,95 0,18 -142,28 0,209 -136,95 0,21 -131,92 0,246 12000 14000 16000 18000 20000 -160,29 -153,6 -147,3 -141,4 -135,79 0,093 0,09 0,099 0,107 0,107 -117,37 -109,06 -101,33 -93,71 -86,09 0,299 0,327 0,401 0,417 0,465 Tabla 5-4. Desfase medio y desviación estándar para los 5 blancos (detector Amaranta Úrsula). Desfases Vs. Frecuencia Desfases Vs. Frecuencia 200 100 Cu Desfase (°) Desfase (°) 200 Al 0 Fe colado 400 1500 8000 20000 -100 Fe Cu 100 Al 0 Fe colado 400 1500 8000 -100 20000 Fe -200 -200 Frecuencia (Hz) Frecuencia (Hz) Figura 5-5. Desfases Vs. Frecuencia. (Detector Minifat). Figura 5-4. Desfases Vs. Frecuencia. (Detector Ursulitle). Desfases Vs. Frecuencia Desfase (°) 200 150 100 50 0 -50 400 Cu Al 900 4000 9000 18000 Fe colado Fe -100 -150 -200 Frecuencia (Hz) Figura 5-6. Desfases Vs. Frecuencia. (Detector Amaranta Úrsula). Las pruebas en los 5 blancos fueron realizadas en el punto de mayor detección del sensor, también se llevaron a cabo pruebas adicionales en las que se variaba la distancia entre el objeto y el sensor. En un principio se creyó que la distancia entre el objeto y el sensor afectaba el desfase pero se comprobó que no era así, sólo afecta la amplitud. Sin embargo, ya que para que se tenga una correcta discriminación, se necesita un nivel mínimo de detección, es decir, una señal inducida lo suficientemente grande como para que sea estable, la distancia afecta indirectamente la discriminación. Esto no afecta significativamente el proceso de discriminación pero sí limita la distancia máxima de medición que se calculó en 8 cm para materiales no 65
  • ferrosos y 5 cm para ferrosos. Así mismo, se observó que los detectores son capaces de discriminar los blancos y lograr el nivel mínimo de discriminación sólo en un área específica de su superficie, pues en las otras la medición se hace imposible ya que el desfase no es estable o la señal es tan pequeña que no logra ser detectada por los instrumentos, esta área se llamó “Área de Mayor Detección” (ver figura 5-7). Lo anterior indica que el desfase depende de la posición relativa entre el objeto y el detector, si el objeto está por fuera del área de máxima detección el valor de desfase que se capture será errado. Figura 5-7. Área de mayor detección del detector. Los datos revelaron también que el tamaño, el número de vueltas de los bobinados, el calibre y en general las características físicas del detector afectan directamente sus características electromagnéticas. El tamaño del detector es fundamental para lograr una detección estable pues si bien, en un detector grande el área de mayor detección es más grande se debe considerar que los objetos que se quieren detectar deben tener una superficie proporcional a esta área, por lo que deben ser más grandes para lograr una detección estable y por lo tanto una discriminación exitosa (se estableció que una detección estable tiene un rango de variación del desfase menor a 4º). Por lo tanto los mejores resultados se dieron con los detectores pequeños (Ursulittle y Minifat). Se determinó también que el número de vueltas afecta la sensibilidad del detector, algunos bobinados con menos vueltas de las que se indicaba en el manual de Coinshooter [11] tuvieron una profundidad de detección limitada, alrededor de 5 cm, estos detectores no se tuvieron en cuenta y sus datos no se presentan. Se pueden comparar los valores de voltaje para Minifat y Ursulittle (figura 5-8a y 5-8b) y observar que el voltaje en el bobinado secundario para Minifat es mucho mayor (50% más) que en Ursulittle esto se debe a que la impedancia de Minifat es mayor que la de Ursulittle a pesar de ser más pequeño (Minifat tiene 100 vueltas más en el bobinado secundario, ver tabla 3-1). 66
  • Voltajes bobinado sec. Vs. Frecuencia Voltajes bobinado sec. Vs. Frecuencia 6 Cu 3 Al 2 Fe colado Fe 1 0 Voltaje (Vp-p) Voltaje (Vp-p) 4 Cu 5 4 Al 3 Fe colado Fe 2 1 0 400 900 4000 9000 18000 Frecuencia (Hz) Figura 5-8a. Voltaje bobinado secundario vs. Frecuencia para Ursulittle 400 900 4000 9000 18000 Frecuencia (Hz) Figura 5-8b. Voltaje bobinado secundario vs. Frecuencia para Minifat Lo que demuestra que el voltaje en el bobinado secundario y por lo tanto la sensibilidad de la detección son directamente proporcionales al número de vueltas de los bobinados, principalmente del secundario. En principio se podría pensar que esto es una ventaja, pero las medidas tomadas con el circuito de prueba demostraron que si bien es cierto que el detector Minifat es más sensible, también es más inestable, pues cualquier cambio en la señal generada, cualquier movimiento en el detector o cualquier cambio pequeño en el campo inducido afecta la medida. Teniendo en cuenta que la estabilidad en la medida del desfase es fundamental para el buen desempeño del proyecto no se trabajó con este detector en las etapas finales, sin embargo el detector funciona bien y podría ser utilizado si se tienen en cuenta estas consideraciones. Del análisis de los datos recogidos se seleccionaron 3 frecuencias de trabajo en las que se podía ver el cambio en el desfase y en el voltaje de la señal inducida para así poderlos establecer como parámetros de discriminación. Las tres frecuencias seleccionadas fueron 3 KHz, 7 KHz y 14 KHz ya que en estas frecuencias los desfases para cada metal permanecen relativamente separados (depende en parte de la precisión del instrumento de medida). Finalmente se trabajó sólo con Ursulittle que fue el detector con el que se consiguió el mejor comportamiento y el mejor equilibrio entre sensibilidad y estabilidad. Como se mencionó en la sección de desarrollo este detector se estropeó, por lo que se construyeron dos detectores más (Baco y Argos) con las mismas características de Ursulittle, con estos detectores se trabajó la parte final del proyecto. 67
  • 5.1.1 Consideraciones Finales en la Caracterización La señal generada por el VCO es pasada a través del amplificador de audio (LM386), esta última pastilla es alimentada con 12 Voltios con la idea de proporcionar mayor potencia a la señal transmitida por el bobinado primario. En estas condiciones se logra tener una señal seno de amplitud 12 Vp-p a la salida del amplificador con lo que se logra que esta señal, al ser pasada al bobinado primario, aumente la corriente a través de éste y transmita una señal de mayor potencia al medio, mejorando así la sensibilidad del detector. Con una mayor sensibilidad se logra una mayor profundidad de detección (los objetos metálicos pueden ser captados a una mayor distancia del sensor). El uso de una señal cuadrada en el bobinado primario resultó poco conveniente. Las pruebas realizadas mostraron un mayor voltaje inducido en el secundario al acercar objetos metálicos al sensor, lo que podría llevar a pensar en una mejora sustancial en la profundidad de detección, pero al realizar distintas pruebas con el mismo blanco y trabajar primero con la señal cuadrada y después con la señal seno se observó que en realidad no se mejoraba en nada la distancia a la cual el sensor era capaz de discernir la presencia de un metal. Si bien la onda inducida era de mayor amplitud en el primer caso (onda cuadrada), la profundidad de detección era la misma. La razón de este comportamiento se debe al alto contenido de frecuencias armónicas de la onda cuadrada, motivo por el cual el campo inducido en el secundario puede alterarse con gran facilidad por efecto de la resonancia a las frecuencias de trabajo. El resultado es una señal en el secundario con picos y variaciones abruptas que representan un problema a la hora de medir satisfactoriamente el desfase entre la señal primaria y la secundaria. 5.2 RESULTADOS DE LOS DATOS TOMADOS CON EL HARDWARE DE CONTROL Aunque no estaba pensado en el cronograma inicial el hardware de control resultó muy útil para manejar el detector y para tomar nuevos datos. Una vez implementado el hardware y programado el microcontrolador se generó una base de datos bastante amplia en la que se variaron los detectores, el tipo de blanco y la distancia entre el detector y el blanco. En esta etapa se definieron 3 patrones con los que se capturaron datos de desfase y voltaje y se establecieron los rangos de desfase de cada metal (ver sección 4.2.6 Captura de datos con el hardware). Los datos tomados brindaron información adicional acerca del comportamiento del 68
  • detector, por ejemplo que la detección es muy estable y coherente si la superficie sobre la que se refleja la onda es homogénea, que el área del blanco debe ser mayor o igual a la de la bobina receptora y que al aumentar la ganancia de la señal inducida el desfase no se ve afectado. A continuación, se presentan los rangos de desfase del detector Ursulittle para cada metal en las tres frecuencias. Los datos específicos no se presentan pues en si no aportan mucha información, no se debe olvidar que lo que se buscaba con esta toma de datos era analizar el comportamiento del detector con el hardware construido y definir los rangos de desfase para cada metal. Rango / Parámetro Desf. a 3 KHz (º) Desf. a 7 KHz (º) Desf. a 14 KHz (º) Vprom (V) 181-193 198-220 209-244 --Al 72-182 109-187 148-208 --Fe 133-176 167-187 194-218 --Cu 186-187 187-194 187-191 0.59-0.75 Vació Tabla 5-5. Rangos de los patrones de medida para el detector Ursulittle. Como se aprecia en la tabla 5-5 los rangos para los tres metales están bien definidos para la primera frecuencia aunque se encuentran muy cercanos unos de otros; para la frecuencia de 7 KHz el rango del cobre se sobrelapa con el de hierro y para la de 14 KHz el cobre se sobrelapa con el aluminio y con el hierro y el vacío con el hierro. Si embargo los desfases son muy estables para las láminas. Los valores de voltaje promedio sólo son útiles para diferenciar los metales del vacío, es decir si el voltaje promedio está por fuera del rango de vacío debe haber algún metal en el medio, el rango de voltaje para vacío es relativamente pequeño y se mantiene estable. Todas estas medidas fueron realizadas ubicando el patrón en el punto de mayor detección del sensor (posición 1, figura 4-12). En las tablas 5-6 y 5-7 se muestran los rangos para los detectores Argos y Baco, estos datos fueron tomados utilizando el mismo procedimiento que para Ursulittle. Rango / Parámetro Desf. a 3 KHz(º) Desf. a 7 KHz (º) Desf. a 14 KHz (º) 340-10 5-41 16-56 Al 256-310 328-5 23-39 Fe 314-359 347-34 348-54 Cu 19 48-49 64-65 Vacío Tabla 5-6. Rangos de los patrones de medida para el detector Argos. Vprom (V) ------1.09-1.31 Rango / Parámetro Desf. a 3k Hz (º) Desf. a 7 k Hz (º) Desf. a 14 k Hz (º) 341-7 8-37 19-55 Al 234-300 290-6 11-39 Fe 308-342 347-25 6-50 Cu 49-90 52-65 53-59 Vacío Tabla 5-7. Rangos de los patrones de medida para el detector Baco. Vprom (V) ------0.42-0.63 69
  • Comparando las tablas 5-6 y 5-7 con la 5-5 se puede deducir que el rango de desfase para cada metal, depende directamente de la construcción del detector, pues aunque los tres detectores se construyeron siguiendo los mismos parámetros, en Argos y en Baco la bobina secundaria está invertida respecto a Ursulittle (el cable que en Ursulitle se tomó como tierra, es el cable de señal en Baco y Argos) por eso los rangos de desfase dan una diferencia de aproximadamente 180º. Se observa que existe una tendencia entre ellos y es el sobrelapamiento de los intervalos a medida que la frecuencia aumenta, esto se ve claramente a 14 KHz donde prácticamente todos los rangos se sobrelapan entre si en los tres detectores. Este sobrelapamiento de intervalos presenta un problema a la hora de discriminar por lógica difusa pues los conjuntos difusos se mezclan entre si y algunos incluyen a otros lo que no es apropiado para discriminar entre diferentes metales (ver sección 5.3 SISTEMAS DE DISCRIMINACIÓN). Los datos recogidos variando la posición del detector respecto al blanco (ver figura 4-15) son demasiado extensos y repetitivos como para incluirlos en el documento, estos revelaron que el desfase se mantiene estable siempre y cuando parte del material esté dentro del área de mayor detección, en general la cantidad de material necesaria debe ser lo suficientemente grande como para tener una señal inducida estable, para los materiales no ferrosos esta cantidad es menor que para los ferrosos pues se observó que estos producían un campo mayor. De los datos recogidos también se deduce que el desfase no se ve afectado por la posición del detector si la superficie del objeto es homogénea o plana y alcanza a cubrir parte del área de mayor detección. Si el objeto se ubica por fuera de esta área, así la señal sea estable, el desfase será incorrecto (a una conclusión similar se había llegado en la fase de Caracterización del Detector). Así mismo si el objeto es muy pequeño y de forma irregular se presentará un error en la discriminación pues la señal inducida no será lo suficientemente grande. Finalmente de estas pruebas se observó que al rotar un material simétrico (lámina) el desfase permanecía estable pero si se trataba de varios objetos pequeños (puntillas y clavos) o alguno irregular (latas de soda) el desfase podía cambiar de manera abrupta. De todos los datos tomados se llegó a un resultado que ya había sido observado en la etapa de caracterización, que el voltaje que inducen los materiales no ferrosos (aluminio y cobre) es siempre mayor que el de los ferrosos, tomándolos a la misma distancia, con materiales geométricamente parecidos y de la misma concentración (patrones). El voltaje es particularmente mayor para la lámina de aluminio que para las otras láminas, por lo que la 70
  • detección y discriminación para el aluminio es, en general, más precisa que para los otros metales. De las pruebas realizadas con clavos y puntillas se puede decir que en ciertos casos cuando el detector está lo suficientemente cerca, se logra una buena detección y una correcta discriminación (se supone que las puntillas tienen cierto contenido ferroso por lo que deberían clasificarse como hierro), sin embargo basta con mover un poco el detector o rotarlo para que el valor de desfase cambie y por lo tanto la “decisión” del sistema, en la mayoría de los casos el sistema clasifica estos objetos como hierro pero a veces los clasifica como aluminio. El error se debe a que el campo que el detector sensa, es en realidad una sumatoria de los campos de cada objeto por lo que un cambio de posición altera la suma de campos y por lo tanto la detección y la discriminación. Por último, las variaciones en los rangos de los materiales entre las medidas hechas con el circuito en protoboard y el circuito en el impreso fueron mínimas, estas revelaron que el desfase depende en algún grado del circuito y de las condiciones eléctricas de este, por lo que se trabajó por lograr la mayor estabilidad posible. Esto se entiende ya que se está trabajando con un sensor que se ve afectado por cualquier cambio, por eso las medidas que finalmente se utilizaron para entrenar la red neuronal fueron tomadas con el circuito de la tarjeta. 5.2.1 Frecuencia Óptima La frecuencia óptima se determinó según el comportamiento a diferentes frecuencias de los tres patrones con el detector Baco, ya que este tiene un mejor desempeño que los otros. Los resultados se muestran en la tabla 5-8 y en la figura 5-9. Frecuencia (KHz) 1,66 1,81 2,2 3 3,5 3,77 4 5 5,26 5,5 5,8 6,6 6,8 Voltaje Inducido Al Voltaje Inducido Fe Voltaje Inducido Cu 3,9 3,9 3,6 3,3 3,2 3 2,9 2,8 2,7 2,7 2,7 2,6 2,6 2,5 2,6 2,7 3 3,2 3,4 3,45 3,6 3,8 3,9 4 4,18 4,2 1,6 1,6 1,6 1,4 1,4 1,4 1,4 1,3 1,3 1,3 1,3 1,3 1,3 71
  • 2,6 4,2 1,3 2,5 4,2 1,3 2,4 4,21 1,45 2,3 4,21 1,5 2,3 4,21 1,5 2,3 4,21 1,6 2,2 4,21 1,6 2,2 4,21 1,6 2,2 4,2 1,6 2,2 4,2 1,6 2,3 4,2 1,6 2,2 4,2 1,6 2,2 4,2 1,6 2,2 4,2 1,6 2,2 4,18 1,6 2,2 4,18 1,6 2,2 4,18 1,6 2,2 4,15 1,6 2,2 4,12 1,6 2,2 4,12 1,6 2,2 4,12 1,6 2,3 4,12 1,5 2,3 4,1 1,5 2,3 4 1,5 2,3 4 1,5 2,3 4 1,5 2,3 4,15 1,5 Tabla 5-8. Frecuencia y voltajes para los tres patrones, selección de la frecuencia óptima de detección. 7,14 7,57 8,3 8,77 9,09 9,25 10 10,4 10,7 11,1 11,9 12,2 12,5 12,5 13,3 13,7 13,88 14,28 14,7 15,3 15,3 15,6 16,1 16,1 16,6 16,6 17,2 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0 Al FE 8, 77 10 ,4 12 ,2 13 ,7 15 ,3 16 ,1 6, 8 5, 26 Cu 3, 5 1, 66 Voltaje Frecuencia Óptima Frecuencia Figura 5-9. Voltajes vs. Frecuencia, selección frecuencia óptima de trabajo. Como se puede observar en la figura 5-9 el voltaje para el aluminio y el cobre decrecen a medida que aumenta la frecuencia, encontrando el mayor voltaje a frecuencias bajas mientras que para el hierro sucede lo contrario. Pero, considerando que el voltaje del hierro es aceptable a esa frecuencia, que en general la detección es más estable a bajas frecuencias, que el modo 72
  • detección del software también debe calcular el desfase a esa frecuencia y que los rangos de desfase de los tres metales están más separados a bajas frecuencias que a altas, se seleccionó 3 KHz como la frecuencia óptima de detección. 5.2.2 Detección por desfase Se había mencionado ya la imposibilidad de anular completamente el campo inducido en la bobina secundaria y aunque inicialmente se pensó en este hecho como una desventaja del sistema, posteriormente se llegó a resultados muy positivos, en lo que respecta a la profundidad de detección del sensor. Una vez aplicada la resina al detector argos (sección 4.1.1 Construcción del detector) el campo inducido en la bobina secundaria resultó ser más grande que el que se tenía antes de aplicarla. Con estas nuevas características del sensor, en ausencia de objetos metálicos en el medio, existe una señal sinusoidal estable en el secundario con la que la medición del desfase en vacío es igualmente estable, por ejemplo en el detector Argos este desfase oscila entre 170 y 200. La proximidad de algún metal produce un cambio en el desfase que es apreciable a una distancia de 17 cm (esta distancia depende, claro está, del material y la cantidad de éste, las pruebas fueron hechas con la lámina de aluminio usada como patrón 1) del sensor lo que representa una mejora sustancial en la profundidad de detección. Al ser la medición del desfase en vacío muy estable, cualquier variación en el campo inducido produce un cambio en esta medida por lo que se puede también detectar a través del desfase. Si el desfase se sale del rango de vacío quiere decir que hay algún metal cerca. Cabe anotar que si bien la existencia de un mayor campo inducido en el bobinado secundario afecta positivamente la detección de metales a través de la medición del desfase, no ocurre lo mismo con la detección por voltaje. En este último caso, la cercanía de un objeto metálico produce un campo que puede llegar a interferir destructivamente (a una distancia y posición específica) con el campo inducido, caso en el cual, el voltaje capturado por el detector de pico disminuye en vez de aumentar. Por último, es importante aclarar que la estabilidad en la medición del desfase es mucho mayor que la del voltaje pico (con el hardware desarrollado en el proyecto) lo que hace más fácil distinguir los cambios causados en el desfase que los ocurridos en la amplitud de la señal al acercar un objeto metálico. 73
  • 5.3 SISTEMAS DE DISCRIMINACIÓN Al evaluar el comportamiento de los dos sistemas de discriminación implementados (redes neuronales y lógica difusa) se observaron ciertas características de funcionamiento (como resultado del análisis de las pruebas realizadas) que al tenerlas en cuenta pueden mejorar su desempeño. 5.3.1 Redes neuronales Para llegar a la red neuronal final fue necesario entrenar varias redes variando su arquitectura al igual que los distintos parámetros de entrenamiento en MATLAB® [9]. Por tratarse de una red feedforward de múltiples capas, el algoritmo de entrenamiento aconsejable es el de “backpropagation” que en su forma más simple actualiza los pesos y los bias en la dirección en que la función de desempeño (la gráfica que muestra la evolución del error entre las salidas y los “blancos” dados en el conjunto de entrenamiento) decrece con mayor rapidez, pero este algoritmo es usualmente muy lento en aplicaciones prácticas, existen optimizaciones del algoritmo que buscan mejorar el desempeño y pueden converger mucho más rápido. Los tres algoritmos que mostraron un mejor desempeño (velocidad y convergencia de la función de error) fueron el de tasa de aprendizaje variable “traingdx”, backpropagation elástico “trainrp”, y el algoritmo Levenberg-Marquardt “trainlm”. De los tres, el algoritmo que mostró un mejor desempeño en el entrenamiento de las redes de Argos y Baco fue el algoritmo “LevenbergMarquardt” que tiene una implementación óptima en el entorno de MATLAB®. La arquitectura de la red final (ver sección 4.3.7.1) requiere la actualización de 108 pesos y de 22 bias (con dos neuronas en la capa de salida), con este número de capas y de neuronas (5 capas, con 2, 6, 6, 6, y n neuronas en cada capa respectivamente) se llegó a la mejor solución del problema. Una red feedforward suele utilizar funciones de transferencia sigmoidales en sus distintas capas, estas funciones, por sus características, interactúan eficientemente con el algoritmo de backpropagation. En la práctica se comprobó que el uso de funciones lineales en alguna de las capas resulta, en la mayoría de los casos, en la no-convergencia del algoritmo y en niveles de error altos. Se hicieron pruebas con combinaciones de funciones “tansig” y “logsig” en las distintas capas pero el mejor resultado se obtuvo con la función “tansig” en todas las capas de la red. 74
  • 5.3.2 Lógica difusa En el proceso de implementación del sistema de lógica difusa, pese a que se trabajó y experimentó con gran cantidad de combinaciones en las funciones de pertenencia a los conjuntos difusos, las reglas difusas y los mecanismos de defusificación, el resultado de la discriminación con este sistema no logró la eficacia alcanzada por la red neuronal. Si bien con el detector Ursulittle se tomaron rangos de desfase bien definidos y separados (excepto a 14 KHz), los detectores Argos y Baco presentaron rangos bien definidos sólo a la frecuencia de 3 KHz, los datos de desfase adquiridos para las otras dos frecuencias no permitían el diseño de una lógica que diera una solución eficiente para el reconocimiento de patrones. Finalmente el sistema terminó dando mucho más peso a la información sustraída de la primera frecuencia con lo que se perdió información importante para obtener una mejor discriminación. Desafortunadamente el detector Ursulittle se arruinó en el proceso de pulimento (después de aplicar la resina) con lo que se perdió mucho tiempo en el proceso de construcción de unos nuevos detectores (Baco y Argos) y sobretodo la red neuronal, la lógica difusa y los datos tomados con este detector se volvieron inservibles. Los detectores Baco y Argos construidos posteriormente siguiendo los mismos pasos e iguales características entre ellos, por razones inherentes a la construcción de sus bobinados, presentan variaciones pequeñas que se traducen en un comportamiento distinto ante la presencia de los objetos metálicos y por ende en los valores de desfase resultantes. Estas son algunas de las razones por las cuales la implementación de redes neuronales como solución al problema específico brinda mayor versatilidad y mejores resultados. 5.4 PRUEBAS DEL SISTEMA Dentro de las muchas pruebas que se le hicieron al sistema estuvo la de obtener las imágenes electromagnéticas de diferentes objetos, se obtuvieron las imágenes de laminas de cobre y de aluminio, de una cadena de hierro, de 5 objetos de diferentes materiales y de un puñado de tormillos. La imagen de la lámina de cobre ya fue presentada en la sección 4.3.4 figura 4-23, la imagen del aluminio se puede ver en las figuras 5-10 y 5-11. Esta imagen resulta muy parecida a la del cobre sólo que su valor de voltaje es mayor, además el detector estaba a una distancia de 5 cm. para no saturar el dispositivo, igualmente al observar su vista superior se puede distinguir el 75
  • contorno de la lámina, en este caso se ve mucho más precisa pues se tuvo especial cuidado al capturar la imagen. Para que el contorno del objeto quede bien delimitado se requiere de un barrido preciso, es decir, que el detector pase siempre sobre el objeto a la misma velocidad, la misma distancia y que empiece y termine en el mismo punto para cada barrido. Si hay un cambio en la distancia entre el detector y el terreno o en la velocidad entre dos líneas de barrido el contorno se verá distorsionado, esto se puede apreciar al comprar las figuras 4-26 y 5-10, en la primera se ve la forma rectangular de la lámina más distorsionada que en la segunda, la distorsión se debe a que la velocidad de movimiento del detector no fue la misma para cada línea de barrido. La anterior es una consideración que se debe tener en cuenta a la hora de diseñar el brazo que mueva al detector. La imagen electromagnética fue tomada con el detector Argos, realizando el barrido en zig-zag como se muestra en la figura 5-11, con lo que se demuestra que sin importar el tipo de barrido el sistema es capaz de generar una imagen coherente. Figura 5-10a. Imagen electromagnética de una lámina de Aluminio, detector Argos Figura 5-10b. Vista superior de la imagen electromagnética de una lámina de Aluminio, detector Argos Figura 5-11. Procedimiento utilizado para tomar la imagen electromagnética de la figura 5-10. 76
  • Para la imagen de la cadena de hierro se dispuso la cadena de forma que describiera un arco como se ve en la figura 5-13, la imagen electromagnética muestra esta misma disposición y en su vista superior se puede ver también el contorno de la cadena. Para esta imagen fue muy difícil mantener exactamente la mima velocidad de barrido y la misma distancia entre el detector y el objeto por lo que en el lado izquierdo de la figura se observa un voltaje inferior al del lado derecho, sin embargo con un brazo robótico que mantenga siempre la misma distancia y velocidad de barrido la imagen debería verse del mismo voltaje en ambos lados y más simétrica. Figura 5-12a. Imagen electromagnética de un “arco de hierro”, detector Baco. Figura 5-12b. Vista superior de la imagen electromagnética de un “arco de hierro”, detector Baco. Figura 5-13. Captura de la imagen electromagnética del“arco de hierro”, detector Baco. Se realizó también la imagen electromagnética para 5 objetos de diferente material, dispuestos como se ve en la figura 5-14a, dicha imagen se puede apreciar en la figura 5-14b, en ella se ve que el valor de voltaje máximo se obtuvo con la lata de aluminio y que los otros materiales por ser ferrosos (pesa, cadena, hombresolo y pinzas) presentan un voltaje menor, en algunos casos 77
  • el voltaje cae por debajo del nivel de vacío, un efecto que se produce porque el campo inducido no está completamente anulado para vacío, lo cual no quiere decir que no se pueda detectar por debajo de este nivel, simplemente que el vacío no es el nivel cero en la gráfica. Por la forma en que se muestra, la imagen electromagnética estaría rotada 90º, es decir vista desde la izquierda. Figura 5-14a. Proceso para la imagen electromagnética de 5 objetos. Figura 5-14b. Imagen electromagnética de 5 objetos. 78
  • Se puede observar, también, que la lata de aluminio satura al dispositivo y por eso se ve una “meseta” en la gráfica. Por último la imagen electromagnética de los tornillos se muestra en la figura 5-15, en este caso no se puede apreciar muy bien la detección de los tornillos pues el nivel es tan pequeño que se confunde con el de vacío y se mezcla con su rango de voltaje por lo que no se recomienda utilizar esta herramienta si el nivel de detección no es lo suficientemente grande. Figura 5-15a. Imagen electromagnética de los tornillos. Figura 15b. Tornillos barridos sobre tierra. De todas las gráficas anteriores se puede concluir que la imagen electromagnética resulta una herramienta muy útil tanto para evaluar la respuesta del terreno como para ver el contorno de los objetos enterrados en él. Esta herramienta aplicada a la detección de minas antipersonales resulta de vital importancia ya que le ahorra al usuario mucho tiempo y le brinda la posibilidad de “ver” bajo de la tierra. Se cumple así con el último objetivo del proyecto, la posibilidad de aplicar del sistema a la detección de minas antipersonales. El éxito de la imagen electromagnética está en una perfecta coordinación del brazo robótico con el software que captura los datos. El terreno no tiene efecto sobre la detección o la discriminación, siempre y cuando no tenga un alto contenido mineral; las pruebas que se realizaron a este respecto no mostraron ninguna diferencia con las hechas directamente sobre los blancos por eso no se presentan. Las pruebas finales de discriminación para el sistema, se llevaron a cabo con los blancos enumerados en la figura 5-16. Siendo el blanco 1 el vacío (ausencia de objetos metálicos) y los 79
  • blancos 2, 3 y 4 los mismos patrones usados para entrenar la red neuronal del sistema. Los demás elementos usados como blancos son objetos cuya composición se conoce y algunas de sus características están citadas en las tablas 5-9a y 5-9b. Figura 5-16. Objetos para probar los sistemas de clasificación. 2. Lámina Al Peso (Gr) 100 3. Lámina Fe 200 4. Lámina Cu 50 5. Hombresolo 500 6. Lámina Al perforado 175 Blanco 1. Vacío Respuesta RN Vacío √ Vacío √ Al √ Al √ Al √ Al √ Fe √ Fe √ Fe √ Fe √ Cu √ Cu √ Cu √ Cu √ Fe √ Fe √ Fe √ Fe √ Al √ Al √ Certeza RN (%) 99,9999 100 99,3197 98,4118 99,9999 99,9999 100 100 100 100 100 100 100 100 100 100 100 100 98,1656 97,3401 Respuesta Certeza Distancia Fuzzy Fuzzy (%) (cm) 0√ 92 0√ 92 1√ 62,5388 2 1√ 67,679 2 1√ 84 4 1√ 84 4 2√ 100 2 2√ 100 2 2√ 100 4 2√ 100 4 100 2 3√ 100 2 3√ 100 4 3√ 100 4 3√ 100 2 2√ 100 2 2√ 100 4 2√ 100 4 2√ 62,53 2 1√ 62,5388 2 1√ 80
  • 7. Lata Al 20 8. Tubos Cu 150 9. Pinzas 100 10. Cadena Fe 500 11. Fragmento Pesa Fe 1000 12. Disipador 30 13. Fragmento De Al 80 14. Lámina Al Corrugado 90 15. Tijeras 10 16. Tornillos 160 17. Pelacables 250 Al √ Al √ Al √ Al √ Al √ Al √ Cu √ Cu √ Cu √ Cu √ Fe √ Fe √ Fe √ Fe √ Fe √ Fe √ Fe √ Fe √ Fe √ Fe √ Fe √ Fe √ Al √ Al √ Al √ Vacío X Al √ Al √ Al √ Al √ Al √ Al √ Al √ Al √ Al √ Vacío X Vacío X Vacío X Fe √ Fe √ Fe √ Fe √ Fe √ Fe √ Fe √ Fe √ 99,9999 99,9999 82,5518 99,9964 99,8649 99,5325 100 100 80,1631 77,4003 100 100 99,9999 99,9999 100 100 100 100 100 100 100 100 99,9995 99,9998 76,8296 72,567 99,9997 99,9998 99,9997 99,9997 99,9964 99,9988 99,9999 99,9999 76,465 76,4594 99,9997 99,9999 100 100 99,9999 99,999 100 100 100 100 1√ 1√ 1√ 1√ 3X 3X 1√ 1√ 3X 3X 4X 4X 4X 4X 2√ 2√ 2√ 2√ 2√ 2√ 2√ 2√ 1√ 1√ 1√ 1√ 1√ 1√ 1√ 1√ 1√ 1√ 1√ 1√ 0X 0X 0X 0X 2√ 2√ 0X 0X 2√ 2√ 3X 3X 84 84 62,5388 62,5388 100 100 62,5388 60,0543 100 100 92 92 84 84 100 100 100 100 90 94 100 100 84 84 84 84 84 84 84 84 84 84 84 84 90 94 92 92 100 100 83 83 100 100 100 100 4 4 2 2 4 4 2 2 4 4 2 2 4 4 2 2 4 4 2 2 4 4 2 2 4 4 2 2 4 4 2 2 4 4 2 2 4 4 2 2 4 4 2 2 4 4 Tabla 5-9a. Pruebas de discriminación con el detector Argos. 81
  • 2. Lámina Al Peso (Gr) 100 3. Lámina Fe 200 4. Lámina Cu 50 5. Hombresolo 500 6. Lámina Al Ahuecado 175 7. Lata Al 20 8. Tubos Cu 150 9. Pinzas 100 10. Cadena Fe 500 11. Fragmento Pesa Fe 1000 12. Disipador 30 Blanco 1. Vacío Respuesta RN Vacío √ Vacío √ Al √ Al √ Al √ Al √ Fe √ Fe √ Fe √ Fe √ Cu √ Cu √ Cu √ Cu √ Fe √ Fe √ Fe √ Fe √ Al √ Al √ Al √ Al √ Al √ Al √ Al √ Cu X Cu √ Cu √ Cu √ Vacío X Fe √ Fe √ Fe √ Vacío X Fe √ Fe √ Fe √ Vacío Fe √ Fe √ Fe √ Fe √ Al √ Al √ Vacío X Vacío X Certeza RN (%) 100 100 100 100 100 99.997 100 100 100 100 100 100 100 99.9144 99.9978 100 100 100 100 100 99.9998 100 99.9999 96.5653 83.1118 99.9104 100 99.9999 80.6758 100 100 100 100 83.3333 100 100 100 99.9854 100 100 100 100 99.9946 96.7746 99.9898 100 Respuesta Certeza Fuzzy Fuzzy (%) 0√ 100 0√ 100 1√ 84 1√ 84 1√ 84 0X 73.26 2√ 100 2√ 100 2√ 100 0X 73.26 100 3√ 100 3√ 100 3√ 100 3√ 100 2√ 100 2√ 100 2√ 0X 100 84 1√ 84 1√ 0X 52.32 0X 100 3X 100 84 1√ 3X 92 0X 100 100 3√ 100 3√ 0X 88 0X 100 100 2√ 0X 100 0X 100 0X 100 100 2√ 0X 100 0X 100 0X 100 100 2√ 100 2√ 100 2√ 0X 100 0X 98 0X 100 0X 100 0X 100 Distancia (cm) 2 4 6 8 2 4 6 8 2 4 6 8 2 4 6 8 2 4 6 8 2 4 6 8 2 4 6 8 2 4 6 8 2 4 6 8 2 4 6 8 2 4 6 8 82
  • 13. Fragmento De Al 80 14. Lámina Al Corrugado 90 15. Tijeras 10 16. Tornillos 160 17. Pelacables 250 Al √ Al √ Al √ Vacío X Al √ Al √ Al √ Vacío X Vacío X Vacío X Vacío X Vacío X Fe √ Fe √ Vacío X Vacío X Fe √ Fe √ Fe √ Fe √ 99.9995 100 99.9999 99.9985 100 100 100 93.8368 98.75 100 100 100 100 100 100 100 100 100 100 100 0X 0X 0X 0X 1√ 1√ 0X 0X 0X 0X 0X 0X 0X 0X 0X 0X 2√ 2√ 0X 0X 97 100 100 100 84 84 100 100 93 100 100 100 100 100 100 100 100 100 100 100 2 4 6 8 2 4 6 8 2 4 6 8 2 4 6 8 2 4 6 8 Tabla 5-9b. Pruebas de discriminación con el detector Baco. Un análisis de los datos contenidos en las tablas 5-9a y 5-9b lleva a concluir que los resultados arrojados por los sistemas difusos y de redes neuronales son mucho más confiables a distancias menores de 4 cm. También se observa claramente que el sistema de lógica difusa tiene muchas más equivocaciones (las respuestas correctas están marcadas con verde y las erradas con rojo en las tablas) puesto que las redes neuronales logran una mayor generalización al momento de clasificar los objetos. Como era de esperarse, al clasificar los patrones con los cuales se tomaron los ejemplos y los datos para construir ambos sistemas, la clasificación resultó siempre correcta y con un alto grado de certeza. Por otro lado, en casos en los que el metal no presenta una forma regular, y su tamaño ni siquiera abarca el área de máxima detección del detector, la salida de los sistemas de clasificación es, en la mayoría de los casos, errada. 5.4.1 Pruebas de Repetitividad Las pruebas realizadas bajo las mismas condiciones indican que el sistema responde de la misma forma a dos pruebas idénticas (en las mimas condiciones de temperatura, posición, distancia, etc.). Las observaciones se hicieron sobre la medición del desfase y sobre el resultado arrojado por el software de discriminación. Se descartaron las mediciones del voltaje pico porque este valor varía en cada toma de datos (por efecto del funcionamiento del detector de pico y el ADC) lo que no permite asegurar un resultado en la repetitividad de tal medición. La 83
  • variación en la medición del voltaje es tenida en cuenta al entrenar la red neuronal por lo que el resultado de la discriminación es el mismo si se realizan dos pruebas en las mismas condiciones. 5.4.2 Independencia del circuito a fuentes de alimentación externa El sistema es completamente independiente de la fuente de alimentación usada (en el rango de 9V a 15V), fue diseñado para suplir las especificaciones del proyecto ÚRSULA [3] en el que la batería principal tiene una variación de 9V a 12V dependiendo de su estado de carga. En el hardware, los límites en los valores de la fuente de alimentación principal son impuestos por los tres reguladores usados (de 5-5 y 12 Voltios), en los tres casos, las especificaciones de las fuentes integradas (las hojas de especificación se anexan en el CD-ROM que acompaña al libro) garantizan un buen desempeño en el rango de 9V a 15V. Para comprobarlo, se realizaron pruebas variando el voltaje suministrado por una fuente externa con pasos de 1 Voltio, empezando con 9 y terminando con 15V, no se observó ninguna variación en las mediciones del desfase y del voltaje pico. El aumento del valor de voltaje en la fuente de alimentación principal conlleva una reducción en la corriente consumida por el circuito, este efecto se debe al comportamiento de los reguladores que son en realidad pequeñas fuentes de conmutación integradas. 5.4.3 Pruebas de Temperatura Para analizar la dependencia del hardware con las variaciones en la temperatura ambiente se tomaron los datos necesarios para calcular la variación de la medida del desfase y del voltaje. Para tal fin, se utilizaron un termómetro y un secador. La tabla 5-9 muestra los resultados obtenidos con el detector argos midiendo el desfase y el voltaje pico, primero en vacío y después con una lamina de aluminio a una distancia fija de 2.5 cm del sensor. Para cada caso se tomaron diez muestras y se escogió el rango de variación en las diez mediciones. Temp. 0C 15 20 25 30 35 40 Desfase Vacío 140-150 170-180 190-200 210-220 240-250 160-270 Desfase Al 10-20 20-30 30-40 60-70 90-100 140-150 Vp Vacío (V) 1.04-1.12 1.08-1.13 1.09-1.2 1.15-1.24 1.18-1.23 1.21-1.26 Vp Al (V) 3.23-3.26 3.24-3.31 3.29-3.32 3.30-3.34 3.32-3.36 3.31-3.38 Tabla 5-10. Variación del desfase y el voltaje pico para el detector Argos al variar la temperatura. 84
  • Los datos obtenidos muestran una variación de aproximadamente 0.520/0C para el desfase y de 75mV/0C para el voltaje pico. La discriminación depende principalmente del valor del desfase medido, lo que se comprobó al utilizar el software de discriminación con los datos medidos a estas temperaturas. Cuando la temperatura varía 100C con respecto al valor con el que fueron adquiridos los datos y entrenada la red neuronal, el sistema empieza a presentar fallas por lo que es aconsejable realizar una nueva secuencia de calibración cada vez que la temperatura ambiente varíe 10º o más. El calentamiento del circuito debido a su operación normal es imperceptible porque la potencia disipada es muy baja. El circuito puede estar trabajando grandes periodos de tiempo sin que se modifique su respuesta por cambios en la temperatura del circuito. 5.5. CONCLUSIONES DE LOS RESULTADOS • Se ha logrado la discriminación de metales a través de un detector VLF y el hardware adecuado. La discriminación está basada principalmente en la medición del desfase entre la señal generada y la inducida, dicho desfase contiene la información para la discriminación. Cada metal induce una señal con un desfase diferente. • La discriminación a través del desfase es posible utilizando redes neuronales o lógica difusa. En este proyecto se demostró un mejor rendimiento con las redes. • La estabilidad del desfase es fundamental a la hora de discriminar, debido a que la medida de desfase y voltaje de la señal inducida depende directamente de las condiciones eléctricas del circuito. Una buena estabilidad para el desfase se consigue entre 3 KHz y 14 KHz, para este tipo de detector. • El voltaje pico de la señal inducida se pude utilizar para detectar metales en un terreno. El voltaje al cual se alimenta el bobinado primario determina la profundidad a la cual se puede detectar. Así mismo el desfase no sólo sirve para discriminar sino que es un parámetro adicional para la detección. • La utilización de Matlab como lenguaje de programación resulta muy útil a la hora de entrenar nuevas redes neuronales, pero presenta muchas limitaciones si se quiere trabajar en tiempo real. Con este lenguaje se puede crear un software que permita al sistema ser independiente del detector, brindándole la capacidad de adaptarse a los cambios de este. La posibilidad de calibrar un nuevo detector entrenando una nueva red es fundamental para el proyecto pues lo hace más flexible. 85
  • • La anulación del campo en la construcción del detector es fundamental para su estabilidad y buen desempeño por lo que es indispensable un completo y cuidadoso estudio de materiales para que el recubrimiento del detector no afecte sus condiciones electromagnéticas. • Se demostró que es posible desarrollar un sistema altamente confiable y eficiente a muy bajo costo, incluyendo características que otros sistemas no tienen como la imagen electromagnética y la discriminación. 5.6. COSTO DEL PROYECTO Concepto Específico Medida Valor Unit. Cantidad Valor Total Financiación Horas/Hombre (1 Ing. director del Honorarios proyecto semanales X 4 semanas X 8meses) 50.000,00 32 1.600.000,00 IE PUJ * 800.000,00 16 12.800.000,00 Personal 17.000,00 32 544.000,00 IE PUJ Mes/Hombre (8 Ing. proyecto meses X 2 Ing.) Horas/Hombre (1 semanal X 4 semanas X 8 meses Ing. asesores X 1 ing.) Subtotal 14.944.000,00 honorarios Acceso a Internet Internet Por mes 50.000,00 8 400.000,00 IE PUJ Subtotal 400.000,00 Internet Componentes Componentes 250.000,00 Personal Subtotal Mat. 250.000,00 Varios Fotocopias Unidad 40 500 20.000,00 Personal Papel Resma 20.000,00 3 60.000,00 Personal impresora HP Unidad 90.000,00 2 180.000,00 Personal CD Papelería Unidad 3000 6 18.000,00 Personal Cartucho Subtotal 278.000,00 papelería Equipos Uso de PC ** Por mes 100.000,00 8 800.000,00 IE PUJ 86
  • Subtotal Equipos 800.000,00 Matlab Versión Programas 7.0 *** Visual C++ Licencia/año 704.700,00 1 704.700,00 IE PUJ Licencia 294.300,00 1 294.300,00 IE PUJ Subtotal programas Otros 999.000,00 Otros (+10%) 1.767.100,00 Total del Proyecto proyecto 19.438.100,00 * IEPUJ: Carrera Ingeniería Electrónica Pontificia Universidad Javeriana ** Precio de alquiler, Tiempo de uso: 8 meses. *** Valor de la licencia por un año en la PUJ. Tabla 5-11. Costos del proyecto. Si se comparan los costos del proyecto con los planteados en el anteproyecto se puede ver una diferencia de cerca de $7.000.000 los cuales se eliminaron de los honorarios finales al considerar que los planteados en el anteproyecto eran excesivos. El resto de los costos se mantuvieron según lo planeado. 87
  • 6. CONCLUSIONES • El detector ideal para este proyecto debe tener las mismas dimensiones que los detectores Argos y Baco, su construcción debe ser menos artesanal y más enfocada a una producción en serie, garantizando un funcionamiento similar y una simetría apropiada. Esto brindaría una mayor estabilidad al sistema y por lo tanto una mejor detección y discriminación. • El sensor presenta una mejor detección y una discriminación precisa si el blanco es plano u homogéneo, se observó que el campo inducido depende principalmente de la forma y distribución del material más que del peso o concentración de este, el mejor resultado se obtiene con objetos cuya superficie genere un campo en donde no haya interferencia destructiva y las líneas de campo irradiadas sean perpendiculares a la superficie sensada. • Aunque buena parte del buen desempeño del sistema recae en el sensor algunas modificaciones en el hardware podrían mejorar el desempeño del sistema, como por ejemplo un VCO más estable e invariante con la temperatura. • El manejo en tiempo real del software es fundamental para la detección y el funcionamiento del proyecto bien sea de manera independiente o como módulo de Úrsula. Este manejo en tiempo real debe estar garantizado por el software y, por supuesto, por las características del PC utilizado. • La respuesta electromagnética del terreno, (conjunto de voltajes picos de cada punto del terreno) puede ser utilizada para definir los contornos de los objetos metálicos que se encuentran enterrados. Esta herramienta resulta de vital importancia para el desminado humanitario pues más que por el tipo de metal se podrían identificar las minas por su contorno. 6.1 TRABAJO FUTURO • Un proyecto futuro podría convertir el software desarrollado en Matlab® a otro lenguaje de programación que no presente tantas limitaciones, es importante tener en cuenta que el entrenamiento de las redes neuronales es una parte fundamental del proyecto por lo que se debe conservar esta función en el nuevo lenguaje. • Se propone la integración del proyecto como módulo de Úrsula. 88
  • • Un estudio más profundo en la utilización de materiales para recubrir al detector podría evitar que las condiciones electromagnéticas del dispositivo cambien cuando se somete a los procesos descritos en el desarrollo. • Basándose en el proyecto se podría desarrollar una investigación enfocada a discriminar patrones no sólo por su composición sino por su forma, con el objetivo de reconocer formas comunes de minas antipersonales. 89
  • 7. BIBLIOGRAFIA Y FUENTES DE INFORMACIÓN [1] Bruschini Claudio; A Multidisciplinary Analysis of Frequency Domain Metal Detectors for Humanitarian Demining; Brussels, September 2002. [2] Collins Leslie M., Zhang Yan, Li Jing, Wang Hua, Carin Lawrence, Hart Sean J., RosePehrsson Susan L., Nelson Herbert H. y McDonald Jim R.; A Comparison of the Performance of Statistical and Fuzzy Algorithms for Unexploded Ordnance Detection, IEEE TRANSACTIONS ON FUZZY SYSTEMS, VOL. 9, NO. 1, FEBRUARY 2001. [3] Coronado Javier, Rizo Javier, Campo Camilo; Sistema Móvil para la Detección y Localización de Minas Antipersonales; Tesis de pregrado para Ingeniería Electrónica; Pontificia Universidad Javeriana, 2002. [4] Department of Defense Humanitarian Demining Research and Development Program; Handheld Metal Detectors: Nicaraguan Field Test Report; DoD Humanitarian Demining Research and Development Program, October 2001. [5] Gao Ping y Collins Leslie; A 2-Dimentional Generalized Likelihood Ratio Test for Land Mine and Small Unexploded Ordnance Detection; Submitted to Signal Processing, MARZO 30, 2000. [6] Gao Ping y Collins Leslie; A Comparison of Optimal and Suboptimal Processors for Classification of Buried Metal Objects; IEEE SIGNAL PROCESSING LETTERS, VOL. 6, NO. 8, AGOSTO 1999 [7] Gao Ping, Collins Leslie, Garber Philip M., Geng Norbert, y Carin Lawrence; Classification of Landmine-Like Metal Targets Using Wideband Electromagnetic Induction; IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 38, NO. 3, MAYO 2000. [8] Duda Richard, Hart Peter, y Stork David; Pattern Classification, Second Edition; John Wiley & Sons, INC.; 2001. [9] Demuth Howard, y Beale Mark; Neuronal Network Toolbox User’s Guide, For Use With MATLAB; The MathWorks, Inc.; June 2001. [10] Fuzzy Logic Toolbox User’s Guide, For Use With MATLAB; The MathWorks, Inc.; September 2000. [11] Lahr William; COINSHOOTER METAL DETECTOR; Robo Deminer Contest 2002, International Demining Contest; Iran 19-21 de Agosto de 2002. [12] Blanca Diego, Minas antipersonales: destrucción en tiempos de paz, 21/02/02, www.rnw.nl/informarn/html/act020221_minasantipersona.html 90
  • ANEXOS Anexo 1. Esquemático del circuito final. 91
  • Anexo 2. Diferentes vistas del circuito impreso. Capa superior. Capa inferior. 92
  • Capa componentes. 93