Redes neuronales para mejorar la visión de las máquinas cuando hay poca luz

Córdoba/Un modelo desarrollado por la Universidad de Córdoba usa redes neuronales para optimizar la decodificación de los marcadores que usan las máquinas para detectar y conocer la ubicación de los objetos, lo que implica mejorar la visión artificial cuando hay poca iluminación.

En un comunicado, la Universidad de Córdoba explica que, 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 los marcadores 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.

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".

A la hora de entrenar este modelo que presenta una solución de principio a fin, el equipo ha creado un conjunto de datos sintéticos que reflejan de una manera fidedigna el tipo de circunstancias de iluminación que se pueden encontrar cuando se trabaja con un sistema de marcadores fuera de las condiciones ideales.

Una vez entrenado, "el modelo se probó con datos del mundo real, unos producidos aquí internamente y otros como referencia de otros trabajos anteriores".

Tanto los datos generados de manera artificial para entrenar el modelo como los de situaciones de iluminación desfavorable en el mundo real están disponibles en abierto, de modo que el sistema podría aplicarse en la actualidad "ya que el código está liberado y se dan facilidades para probar el código con cualquier imagen en la que aparezcan marcadores fiduciales".