Un grupo de investigación del departamento de Aplicaciones de la Visión Artificial de la Universidad de Córdoba (UCO) ha presentado un novedoso modelo basado en redes neuronales que permite detectar y decodificar los marcadores fiduciales (marcador de referencia) en condiciones de iluminación desfavorables. Este sistema puede aplicarse en equipos para detectar y conocer la ubicación de objetos, mediante el uso de cámaras o robots.
A la hora de configurar un robot, 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 los marcadores fallan en situaciones con poca luz.
Uso de redes neuronales que mejoran la detección de los marcadores
Para solventar este inconveniente, los investigadores implementaron redes neuronales en el sistema, que permiten la detección de los marcadores fiduciales de manera más flexible, resolviendo el problema de la iluminación en todas las fases en el proceso de detección y decodificación.
Según la información aportada por la Fundación Descubre, 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.
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 óptimas. Una vez entrenado, el modelo se probó con datos del mundo real, unos producidos en la propia universidad internamente y otros como referencia de otros trabajos anteriores, explican los investigadores.
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, así 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.