Menu
inlocrobotics_logo
INLOC Robotics
    • SEWDEF
    • Ingeniería
    • Planes
    • Sobre nosotros
    • Blog
    • Contacto
    • EspañolEspañol
      • EspañolEspañol
      • CatalàCatalà
      • EnglishEnglish
    Close Menu
    Lector de huella digital

    Lector de huella digital

    Un lector de huella digital era hasta hace poco una tecnología bastante exótica en el mundo real, donde veíamos películas futuristas con este tipo de dispositivos. En los últimos años, sin embargo, han comenzado a aparecer escáneres por todas partes: edificios de alta seguridad, teléfonos móviles, entrada a oficinas e incluso en teclados de PC.

    Las huellas dactilares son un marcador único para cada persona. Si bien dos impresiones pueden parecer básicamente iguales, un software avanzado puede detectar diferencias claras y definidas.

    En este artículo, hablaremos más sobre el detector de huella digital y los diferentes tipos que hay.

     

    ¿Qué es un lector de huella digital?

    Los sensores de huellas dactilares son dispositivos electrónicos que permiten identificar las huellas de nuestros dedos. Este proceso se compone principalmente de lectura, guardado e identificación de la huella dactilar. Cada huella de nuestros dedos son diferentes entre sí, y por supuesto, diferentes a cualquier otra persona.

     

    ¿Cómo funciona el lector de huellas digitales?

    Un sistema de escáner de huellas dactilares tiene dos funciones básicas. Por un lado, necesita obtener una imagen de tu dedo y por otro, debe determinar si el patrón de crestas y valles de esa imagen coincide con el patrón de crestas y valles en imágenes previamente escaneadas y guardadas.

     

    Lector biométrico de huella

    El escaneo de huellas dactilares es una forma de biometría fisiológica que analiza sus características físicas para autenticar tu identidad. Básicamente, reconoce que tu huella digital te pertenece a ti y a nadie más.

    Todos tenemos marcas de identificación únicas en los dedos que se utilizan para crear una huella digital. Estos no se pueden cambiar ni eliminar, por lo que son un buen indicador de identidad para los procedimientos de seguridad.

    Hay que tener en cuenta que algunos escáneres dependen de la luz, otros de la electricidad y otros del sonido para mapear las crestas y valles de sus dedos.

     

    Tipos de escáneres de huellas dactilares

    Hay cuatro tipos de escáner de huellas dactilares:

    • Escáner óptico
    • Escáner de capacitancia
    • Escáner ultrasónico
    • Escáner térmico

     

    Los escáneres ópticos toman una imagen visual de la huella digital usando una cámara digital. El conjunto de píxeles forman una imagen de la escena escaneada (en este caso, un dedo). Posteriormente, se compara la huella digital capturada con las huellas digitales registradas.

    Los escáneres capacitivos o CMOS utilizan condensadores y, por tanto, forman una imagen de la huella dactilar a través de la corriente eléctrica. Este tipo de escáner tiende a sobresalir en términos de precisión. Este tipo de escáneres suelen ser más compactos que los dispositivos ópticos.

    Los escáneres de huellas dactilares por ultrasonido utilizan ondas sonoras de alta frecuencia para penetrar la capa epidérmica (exterior) de la piel. Posteriormente, las ondas se reflejan en el sensor que luego se analizan para crear una imagen digital de la huella digital.

    Por último, los escánerestérmicos detectan las diferencias de temperatura en la superficie de contacto, entre las crestas y los valles de las huellas dactilares.

     

    Ventajas y desventajas de un lector de huella digital

    Los escáneres de huellas dactilares, tienen una serie de ventajas sobre otros sistemas. A continuación nombramos una serie de ellos.

     

    Detector de huella digital
    • Los atributos físicos son mucho más difíciles de falsificar que las tarjetas de identidad.
    • No puedes adivinar un patrón de huellas dactilares como puedes adivinar una contraseña.
    • No puedes perder tus huellas digitales, iris o voz como puedes perder una tarjeta de acceso.
    • No puedes olvidar tus huellas digitales como puedes olvidar una contraseña.

     

    Pero por efectivo que sea, ciertamente un sensor de huella digital no es infalible y tienen grandes desventajas. Los escáneres ópticos no siempre pueden distinguir entre la imagen de un dedo y el dedo en sí, y los escáneres capacitivos a veces pueden ser engañados por un molde del dedo de una persona.

    Incluso en el peor de los casos, un delincuente podría incluso cortarle el dedo a alguien para pasar el sistema de seguridad del escáner.

    Para que estos sistemas de seguridad sean más confiables, una buena idea es combinar el análisis biométrico con un medio de identificación convencional, como una contraseña (de la misma manera que un cajero automático requiere una tarjeta bancaria y un código PIN).

     

    Conclusiones

    Hay varias formas en que un sistema de seguridad puede verificar que alguien es un usuario autorizado.

    En general, para superar un sistema se busca “lo que tienes”, como por ejemplo una tarjeta de identidad con banda magnética. Por otro lado se busca “lo que sabes” y requiere que ingreses una contraseña o un número PIN. O por último, “quién eres”, donde se busca una evidencia física que confirme realmente tu identidad y es aquí donde encontramos un patrón de voz, de iris o en concreto el tema principal de este artículo, una huella digital.

     

    Esperamos que te haya sido útil este artículo. Si tienes entre manos algún proyecto de ingeniería y crees que podemos ayudarte, aquí te dejo el enlace donde nos podrás contactar y explicarnos más a cerca de ello.

    Contacto

    Detección de texto

    Segmentación y decodificación de texto en una imagen

    En el mundo de la visión por computador es muy común encontrarse con imágenes donde entre otros objetos o ambientes, también aparece texto. En ocasiones, es de especial interés poder leerlo, por lo que su segmentación del resto de la imagen es de gran importancia.

    El grado de dificultad de la detección del texto varía mucho según el ambiente. Es decir, no es lo mismo detectar texto en un “ambiente controlado” donde se sabe dónde está el texto y éste está claramente diferenciado del resto de la imagen, que en un “natural environment”. En este último interfieren una serie de factores que dificultan en gran medida la segmentación del texto, como puede ser el ruido de la cámara con el que se obtiene la imagen, la mala iluminación de la escena o los frames borrosos que se dan, por ejemplo, si la cámara no tiene estabilidad.

    Además de los problemas ya comentados, también está presente la dificultad de localizar el texto dentro de la imagen ya que puede aparecer en diferentes posiciones y orientaciones. Una vez localizado, cada carácter debe ser segmentado cuidadosamente para así poder obtener una lectura correcta del texto.

     

    Detección de texto en una imagen

    Como ya se ha comentado anteriormente, el primer desafío al que enfrentarse en la segmentación de texto es la localización del mismo. De entre los diferentes posibles métodos para conseguir este objetivo, en este artículo se usará el EAST Detector.

     

    Toma de datos de alcantarillado

    El EAST Detector es capaz de detectar texto prácticamente en real time (13 fps) tanto en imágenes como en videos ya sea en texto horizontal o rotado utilizando una convolutional neural network.

    Con respecto a otros posibles algoritmos, el EAST Detector ha suprimido pasos intermedios innecesarios de forma que únicamente cuenta con dos etapas. La primera de ellas es la predicción de líneas de texto o palabras usando la red neuronal y la segunda es el procesado de las predicciones.

    En la Figura superior se puede ver un ejemplo de las diferentes regiones con texto que han sido detectadas por el algoritmo, cada una de ella marcada con un recuadro verde.

     

    Decodificación del texto

    Una vez se ha detectado la localización del texto, se procede a la decodificación del mismo. Para ello, es importante poder aislar de la mejor manera posible los caracteres del fondo de la imagen, de modo que se deben aplicar diferentes operaciones morfológicas para lograrlo. Estas operaciones dependen del ambiente con el que se está trabajando y lo mejor es evaluar individualmente cada caso para decidir cuáles deben ser aplicadas. La Figura inferior presenta un ejemplo de este paso.

     

    Decodificación de texto

    Una vez el texto ha sido aislado del fondo de la imagen, existen diferentes métodos para poder realizar su lectura. En este caso se ha optado por usar la librería Tesseract OCR, la cual es un motor para el reconocimiento óptico de caracteres.

     

    Así pues, la combinación del EAST Detector junto con la librería Tesseract proporcionan un método bastante robusto mediante el cual se puede detectar la posición texto y realizar una lectura del mismo para el posterior tratamiento de estos datos.

     

    Hay diferentes opciones que permiten afinar más el reconocimiento de caracteres. Por ejemplo, es posible indicar el idioma en que se encuentra el texto o si se trata de caracteres alfanuméricos o de números o letras en exclusiva.

    Colaboración proyecto ASIR

    Colaboración proyecto ASIR: Navegación autónoma de robots en alcantarillado

    INLOC Robotics SL lleva dos años formando parte del proyecto danés ASIR (Autonomous Sewer Inspection Robot). El objetivo principal de este proyecto es el diseño de un robot autónomo, capaz de navegar a través del alcantarillado y detectar automáticamente los defectos que se puede encontrar.

     

    Toma de datos de alcantarillado

    Recientemente, durante los meses de noviembre y octubre, se estableció una colaboración estrecha con la universidad danesa de Aalborg (AAU). El objetivo era la adquisición de datos reales de un sistema de alcantarillado construido expresamente para este proyecto, con un robot prototipo capaz de capturar datos 3D.

    Posteriormente, por parte de INLOC Robotics SL, se usarán los datos adquiridos para el diseño de algoritmos de localización, evasión de obstáculos y detección de elementos estructurales del alcantarillado. En cuanto la AAU, los datos se usarán para la selección de sensores del robot final.

     

     

    Toma de datos de alcantarillado mediante sensores 3D:

    La toma de datos fue realizada por Ferran Plana (INLOC Robotics) y Chris H. Bahnsen (AAU) en Aarhus, Dinamarca. Se dividieron los experimentos en 3 partes, localización, evasión/detección e iluminación.

     

    Para el experimento de localización, se realizaron una serie de perforaciones en un tubo separadas de forma equidistante añadiendo cilindros en ellos. De tal manera que mientras el robot prototipo captura imágenes, las perforaciones nos ayudaran a crear un grown truth.

    El grown truth servirá para verificar la eficacia de los diferentes algoritmos de localización que utilizará el robot final de inspección automática de alcantarillados.

    Inspección automática de alcantarillados

     

    Para conseguir datos para el algoritmo de evasión de obstáculos, se usaron elementos típicos dentro del alcantarillado, raíces, rocas, arena… Tomando diferentes escenas con estos elementos se espera poder detectar estos en un entorno 3D, que permitiría calcular la estrategia de evasión para el algoritmo futuro.

    En cuanto a la detección de elementos estructurales, se siguió una estrategia similar. Se situó el robot prototipo en posiciones donde aparecieran conexiones laterales, diferentes tipos de cámaras, juntas… La adquisición de datos 3D fue suficientemente variada como para preparar algoritmos de detección 3D.

    Por último, el robot prototipo, lleva dos sensores 3D de diferente tecnología, una PicoFlex (time of flight) y una RealSense (imagen estéreo). La cámara RealSense precisa de iluminación para poder sacar imágenes 3D. La cuestión seria ¿cuánta?

    Con una luz regulable industrial, se posicionó el robot dentro del alcantarillado a oscuras. Modificante la potencia de iluminación en intervalos fijos, se tomaron diversas imágenes en cada uno de ellos. Esto permitirá crear un modelo de iluminación, que ayudará a escoger la iluminación mínima necesaria para una cámara de tipo estéreo, manteniendo al máximo la precisión de esta.

    Todo está listo para la elaboración de las primeras versiones de la navegación automática del robot final del proyecto ASIR. ¡Manteneos atentos a las actualizaciones de INLOC Robotics SL para seguir la evolución de este gran proyecto! Un robot de inspección automático es un producto altamente novedoso que mejoraría enormemente la eficiencia y calidad en el mantenimiento del sistema de alcantarillado.

    Nube de Puntos

    Detección e inferencia de objetos usando una nube de puntos con cámara 3D

    La detección e identificación de objetos y personas es uno de los mayores puntos de contención en la implementación de sistemas con cierto nivel de autonomía, y es sin duda uno de los temas con mayor repercusión en el mundo de la visión por computador.

    Una correcta detección e inferencia es clave para poder llevar a cabo tareas como navegación autónoma, asistencia de brazos robot, videovigilancia o, como en nuestro caso, detección de defectos.

     

    Existen, fundamentalmente, dos formas de enfocar la detección de objetos.

    La primera se basa en la utilización de cámaras monoculares (cámaras normales, como las de nuestros móviles), que proporcionan imágenes en dos dimensiones. A esas imágenes se les aplica una serie de algoritmos, que pueden ser muy variados, con el objetivo de obtener una “caja” o delimitación que indique la presencia y localización en la imagen del objeto a detectar.

    La segunda se basa en la utilización de cámaras 3D que, como el nombre indica, además de la imagen en 2 dimensiones añaden una tercera dimensión: la profundidad. Gracias a ello podemos crear nubes de puntos, como la de la Imagen 1. En INLOC estamos usando este segundo método para percibir el entorno.

     

    El algoritmo aplicado sobre la nube de puntos

    Los algoritmos que se pueden aplicar son muy variados, desde los más simples a los más complejos.

    En este post queremos enseñar el resultado de detectar una taza de café concatenando dos algoritmos bien sencillos: primero, aplicamos un detector de bordes a la nube de puntos original. Eso nos permite exponer la geometría básica de la mayoría de los elementos; y segundo, lo pasamos por un algoritmo RANSAC, que nos hará una estimación de los parámetros de la geometría que mejor se adapte a los mencionados bordes de la nube de puntos.

     

    Nube de Puntos
    Imagen 1. La nube de puntos tal y como se obtiene de la cámara 3D. Nótese la taza de café encima de la mesa, con la pared y objetos del fondo como ruido
    Nube de Puntos Segmentada
    Imagen 2. La nube de puntos original con la taza de café detectada y localizada. Los puntos originales están en azul, los bordes en rosa, y en gris los puntos que caen dentro de la caja (en rojo) que engloba la taza

    Qué geometría usar dependerá del problema.

    En el caso de la Imagen 1, el objetivo es detectar la taza de café sobre la mesa, por lo que estimar los parámetros de un círculo es lo más lógico.

    Haciendo servir este método se consigue una detección exitosa de la taza, como se puede observar en la Imagen 2. Lo bueno de este método es que, si el objeto que se desea detectar es razonablemente simple, la detección no solamente es sencilla sino también rápida.

     

    No es, sin embargo, robusta: cuando en la nube de puntos hay objetos con geometrías complejas o muchas instancias de objetos similares en forma, las probabilidades de encontrar objetos no deseados son altas.

    Para estos casos hay que explorar soluciones híbridas, en las que la imagen RGB de cada candidato a objeto se pase a otros algoritmos como redes neuronales convolucionales, que tienen mayor capacidad de abstracción y generalización, a pesar de ser mucho más complejos y lentos.

     

    ¡Pero esa es una historia para otro post!

     

     

    Gestión de activos eficientes para el sector del agua

    Gestión de activos eficiente para el sector del agua

    El objetivo principal de la transformación digital de un sector industrial es proporcionar herramientas que permitan la total conexión entre sus elementos de forma que se pueda actuar de manera ágil y, aún más importante, centrado en el cliente. Este proceso exige un gran esfuerzo interno de gestión del cambio ya que transforma por completo la forma de trabajar y, por consiguiente, el mindset de todo su personal.

    El sector del agua, seguramente debido a las altas implicaciones de responsabilidad respecto al servicio al ciudadano, es relativamente conservador en este proceso de cambio, tan complejo como necesario, en su forma de trabajar y gestionar activos. Como consecuencia de ello, presenta un grado de digitalización bajo comparado con otros sectores productivos.

    Hay una clara tendencia a que los usuarios cada vez demanden más información a tiempo real, son menos tolerantes a los fallos en el servicio y los recursos de que disponen las empresas gestoras son finitos y limitados. Así, se hace necesaria la implantación de sistemas de monitorización que permita al usuario obtener datos -sobre todo de un bien como el agua-, por un lado, y por el otro, a los gestores disponer de información para llevar a cabo tareas de mantenimiento preventivo y, sobre todo, planificarlo adecuadamente teniendo en cuenta las necesidades de la red y los recursos de los que se dispone.

     

    Ejemplos de transformación digital en el sector del agua

    Si bien es cierto que en los últimos años se ha popularizado el uso de tecnología en la gestión de infraestructuras en el mundo del agua, coincidiendo con la explosión de las Smart Cities, observamos que la mayoría de los procesos digitalizados pertenecen a la gestión de la red de agua potable. Tenemos como ejemplos el empleo de gemelos digitales, el mapeo de infraestructuras mediante sistemas GIS, el empleo de big data para ofrecer servicios de valor añadido al usuario, puntos de muestreo automático para la determinación de la calidad… Esto es debido, como comentaba anteriormente, a las exigencias del usuario, que es cada vez más demandante de información y es cada vez más consciente de lo que consume.

     

    Point Cloud

    La transformación digital también ha llegado a las Estaciones Depuradoras de Aguas Residuales (EDAR), que disponen de paneles de control y de procesos altamente sensorizados y digitalizados para dar cumplimiento a la normativa de vertidos, así como cumplir con objetivos ambientales mediante la optimización energética.

     

     

    Sin embargo, en este proceso de transformación y modernización del sector, iniciado en las partes visibles del ciclo integral del agua, parece que nos hayamos olvidado de las infraestructuras enterradas, el sistema de alcantarillado. Esto ha dado lugar a que se sigan dando casos de desbordamientos o vertidos al mar en épocas de lluvia intensa.

    Es aquí donde nuestro producto SEWDEF, sistema automático de análisis de inspecciones en alcantarillado, ofrece información objetiva para la gestión eficiente del alcantarillado. Las inspecciones de la red de alcantarillado se realizan mediante imágenes grabadas desde cámaras de TV que se analizan manualmente, dando lugar a un informe sujeto a la percepción subjetiva y experiencia del operador, dificultando la trazabilidad temporal del estado de la infraestructura y el estudio de su velocidad de degradación.

     

    Sewdef es una herramienta para la transformación digital en el sector del agua

     

    El sistema SEWDEF es una aplicación web procesada en entorno cloud, accesible desde cualquier lugar y a través de cualquier dispositivo con conexión a Internet. Basa su funcionamiento en la combinación de algoritmos de visión por computador, Inteligencia Artificial (Deep Learning) y robótica móvil.

    De esta manera, los gestores de infraestructuras serán capaces de obtener información objetiva del estado de la red de alcantarillado y su evolución temporal para conocer su velocidad de degradación para planificar y priorizar acciones de mantenimiento preventivo.


    Últimas Entradas

    • Lector de huella digitalLector de huella digital
    • Detección de textoSegmentación y decodificación de texto en una imagen
    • Colaboración proyecto ASIRColaboración proyecto ASIR: Navegación autónoma de robots en alcantarillado
    Back To Top
    INLOC Robotics
      • Aviso legal
      • Política de privacidad
      • Política de cookies
      © INLOC Robotics 2021
      Esta web utiliza cookies propias y de terceros para optimizar y adaptarse a tu navegación y preferencias, entre otras tareas. Si continuas navegando, entenderemos que aceptas nuestra política de privacidad.
      Más información...Aceptar
      Privacy & Cookies Policy

      Privacy Overview

      This website uses cookies to improve your experience while you navigate through the website. Out of these cookies, the cookies that are categorized as necessary are stored on your browser as they are essential for the working of basic functionalities of the website. We also use third-party cookies that help us analyze and understand how you use this website. These cookies will be stored in your browser only with your consent. You also have the option to opt-out of these cookies. But opting out of some of these cookies may have an effect on your browsing experience.
      Necesarias
      Siempre activado

      Necessary cookies are absolutely essential for the website to function properly. This category only includes cookies that ensures basic functionalities and security features of the website. These cookies do not store any personal information.

      No necesarias

      Any cookies that may not be particularly necessary for the website to function and is used specifically to collect user personal data via analytics, ads, other embedded contents are termed as non-necessary cookies. It is mandatory to procure user consent prior to running these cookies on your website.