21/01/2025 22:10
21/01/2025 22:05
21/01/2025 22:01
21/01/2025 21:56
21/01/2025 21:56
21/01/2025 21:55
21/01/2025 21:54
21/01/2025 21:51
21/01/2025 21:51
21/01/2025 21:50
» Diario Cordoba
Fecha: 21/01/2025 08:48
Un modelo desarrollado por la Universidad de Córdoba (UCO) usa redes neuronales para optimizar la decodificación de los marcadores que usan las máquinas para detectar y conocer la ubicación de los objetos, de forma que ha logrado mejorar la visión artificial de máquinas y robots en condiciones de poca luz. Según explica la UCO a través de una nota de prensa, a la hora de configurar un robot, como el antropomófirco Atlas de Boston Dynamics que aparece haciendo ejercicio y ordenando cajas, los marcadores fiduciales son la guía que les ayuda a moverse, detectar objetos y determinar su ubicación exacta. Se trata de una herramienta de visión artificial que se usa para estimar la posición de los objetos. A simple vista son códigos cuadrados planos en blanco y negro con un marcado contraste que podrían asemejarse al sistema de marcado QR pero con una ventaja: se pueden detectar a mucha más distancia. En logística, una cámara en el techo permite identificar la ubicación de un paquete de forma automatizada usando estos marcadores, ahorrando tiempo y dinero. La debilidad del sistema era, hasta ahora, las condiciones de iluminación, ya que las técnicas clásicas de visión artificial que localizan y decodifican con precisión losmarcadores fallan en situaciones con poca luz. Para hacer frente a esta problemática, los investigadores Rafael Berral, Rafael Muñoz, Rafael Medina y Manuel J. Marín del grupo de investigación Aplicaciones de la Visión Artificial de la Universidad de Córdoba han desarrollado un sistema que permite, por primera vez, detectar y decodificar marcadores fiduciales en condiciones de iluminación difícil, utilizando redes neuronales. “El uso de redes neuronales en el modelo nos permite la detección de este tipo de marcadores de manera más flexible, resolviendo el problema de la iluminación para todas las fases en el proceso de detección y decodificación” explica el investigador Rafael Berral. El proceso completo está compuesto por tres pasos: detección de marcadores, refinamiento de esquinas y decodificación de marcadores, cada uno basado en una red neuronal diferente. Una solución original Es la primera vez que se da una solución completa a esta problemática, ya que como señala Manuel J. Marín “hay muchos trabajos que en situaciones de iluminación óptima han intentado acelerar la velocidad, por ejemplo, pero la problemática de poca iluminación o muchas sombras no había sido atendida de forma completa para mejorar el proceso”.
Ver noticia original
Examedia © 2024
Desarrollado por