Menu
inlocrobotics_logo
INLOC Robotics
    • SEWDEF
    • Ingeniería
    • Planes
    • Sobre nosotros
    • Blog
    • Contacto
    • EspañolEspañol
      • EspañolEspañol
      • CatalàCatalà
      • EnglishEnglish
    Close Menu
    Nube de Puntos
    diciembre142020

    Detección e inferencia de objetos usando una nube de puntos obtenida con una 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 eficiente para el sector del agua Colaboración proyecto ASIR: Navegación autónoma de robots en alcantarillado

    Related Posts

    Colaboración proyecto ASIR

    Colaboración proyecto ASIR: Navegación autónoma de robots en alcantarillado

    Gestión de activos eficientes para el sector del agua

    Gestión de activos eficiente para el sector del agua

    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.