
Resumo gráfico. Crédito: Computação de imagem e visão (2024). Doi: 10.1016/j.imavis.2024.105313
Ao projetar um robô, como o robô antropomórfico da Boston Dynamics, que parece exercitar e classificar caixas, os marcadores fiduciais são os guias que os ajudam a se mover, detectar objetos e determinar sua localização exata. É uma ferramenta de visão de máquina usada para estimar as posições dos objetos. À primeira vista, eles são códigos quadrados em preto e branco de alto contraste, semelhantes ao sistema de marcação QR, mas com uma vantagem: eles podem ser detectados a distâncias muito maiores.
Em termos de logística, uma câmera no telhado possibilita identificar a localização de um pacote de maneira automatizada usando esses marcadores, economizando tempo e dinheiro. Até agora, a fraqueza do sistema era as condições de iluminação, à medida que as técnicas clássicas de visão de máquina que localizam e decodificam com precisão os marcadores falham em situações com pouca luz.
Para resolver esse problema, os pesquisadores Rafael Berral, Rafael Muñoz, Rafael Medina e Manuel J. Marín, com o grupo de pesquisa de aplicações de Machine Vision da Universidade de Cordoba, desenvolveram um sistema capaz, pela primeira vez, para detectar e decodificar Marcadores fiduciais em condições de iluminação difíceis, usando redes neurais. O artigo é publicado na revista Computação de imagem e visão.
“O uso de redes neurais no modelo nos permite detectar esse tipo de marcador de maneira mais flexível, resolvendo o problema da iluminação para todas as fases do processo de detecção e decodificação”, explicou o pesquisador Berral. Todo o processo é composto por três etapas: detecção de marcadores, refinamento de canto e decodificação de marcadores, cada um com base em uma rede neural diferente.
É a primeira vez que uma solução completa é dada a esse problema, já que, como Manuel J. Marín, ressalta: “Houve muitas tentativas de, em situações de iluminação ideal, aumentar a velocidade, por exemplo, mas o problema de A iluminação baixa, ou muitas sombras, não havia sido completamente abordada para melhorar o processo “.
https://www.youtube.com/watch?v=nr32ulxbjyc
Como treinar seu modelo de visão de máquina
Ao treinar esse modelo, que apresenta uma solução de ponta a ponta, a equipe criou um conjunto de dados sintéticos que reflete de maneira confiável o tipo de circunstâncias de iluminação que podem ser encontradas ao trabalhar com um sistema de marcadores sem condições ideais. Uma vez treinado, “o modelo foi testado com dados do mundo real, alguns produzidos aqui internamente e outros como referências de outros trabalhos anteriores”, indicam os pesquisadores.
Tanto os dados gerados artificialmente para treinar o modelo quanto os de situações de iluminação desfavorável no mundo real estão disponíveis em uma base aberta. Assim, o sistema pode ser aplicado hoje “como o código foi divulgado e foi possível testar o código com qualquer imagem na qual os marcadores fiduciais aparecem”, lembra Rafael Muñoz.
Graças a este trabalho, os aplicativos de visão de máquina superaram um novo obstáculo: movendo -se no escuro.
Rafael Berral-Soler et al. Computação de imagem e visão (2024). Doi: 10.1016/j.imavis.2024.105313
Fornecido pela Universidade de Córdoba
Citação: O modelo de redes neurais melhora a visão da máquina e a detecção de objetos em condições de pouca luz (2025, 24 de janeiro) recuperado em 24 de janeiro de 2025 de https://techxplore.com/news/2025-01-neural-networks-machine-vision-conditions. html
Este documento está sujeito a direitos autorais. Além de qualquer negociação justa para fins de estudo ou pesquisa particular, nenhuma parte pode ser reproduzida sem a permissão por escrito. O conteúdo é fornecido apenas para fins de informação.