Visión artificial 
 |
Tamaño del objeto |
Visión artificial consiste en la ciencia y tecnología de
máquinas que pueden "ver". Como disiciplina científica la visión
artificial se relaciona con la teoría de construcción de sistemas
artificiales que obtienen información a través de imágenes. Los datos de
la imagen pueden adoptar diversas formas, como secuencias de video, vistas
desde múltiples cámaras.
La instalación de un sistema de visión artificial es altamente dependiente de la aplicación. Algunos sistemas son aplicaciones individuales que resuelven problemas específicos de medición o detección, mientras que otras constituyen un subsistema de diseño más amplio que, por ejemplo, contiene subsistemas de control de actuadores mecánicos, planificación, bases de datos de información, interfaces hombre-máquina, etc. La implementación específica de un sistema de visión artificial depende también de si su funcionalidad está previamente definida o si parte de ella puede ser aprendida o modificada durante la operación. Sin embargo hay funciones típicas previamente especificadas que se pueden encontra en muchos sistemas de visión artificial.
- Adquisición de imagen: Una imagen digital se produce por uno o varios sensores de imagen que, además de sensores de gama, incluyen aparatos de termografía, radar, cámaras ultrasónicas, etc... Dependiendo del tipo de sensor el resultado de los datos de la imagen puede ser una imagen 2D normal, un volumen 3D o una secuencia de imágenes. Los valores en píxeles corresponden normalmente con la intensidad de la luz en una o varias bandas de espectro (imágenes grises o en color)
- Estimación de pose: Estimar la posición u orientación de un objeto específico con respecto a la cámara. Un ejemplo de aplicación de esta técnica sería ayudar al brazo de un robot a retirar objetos de una cinta transportadora en una línea de montaje.
- Pre-procesado: Antes de que se pueda aplicar un método
de visión artificial a datos de imágenes y para extrar partes específicas de
información, a menudo es necesario procesar los datos para asegurar que
satisface cierta asunción implícita en el método. Algunos ejemplos son:
- Remuestreo, para asegurar que el sistema de coordinación de la imagen es correcto.
- Reducción de ruido para garantizar que el ruido del sensor no introduce falsa información.
- Aumento del contraste para asegurar que se puede detectar la información relevante.
- Representación de la escala-espacio para mejorar las estructuras de imagen a escalas apropiadas localmente.
- Extracción de propiedades: Se extraen de los datos de imagen propiedades de las mismas en varios niveles de complejidad.
- Detección/Segmentación: En algún punto del
procesamiento se toma una decisión sobre qué puntos o zonas de la imagen son
relevantes para continuar su procesamiento. Ejemplos.
- Selección de un conjunto específico de puntos de interés.
- Segmentación de una o múltiples zonas de la imagen que contienen un objeto específico de interés.
- Procesamiento de alto nivel: En este paso el input es
normalmente un pequeño grupo de datos, por ejemplo un conjunto de puntos o
una zona de la imagen que se asume contiene un objeto específico. El resto
del procesamiento se ocupa de, por ejemplo:
- Verificación de que los datos satisfacen las premisas específicas del modelo y de la aplicación.
- Estimación de parámetros específicos de la aplicación, como pose de objeto o tamaño de objeto.
- Clasificación de un objeto detectado en diferentes categorías.
|
Pose de objeto
|
