A la hora de configurar un robot, como el antropomófirco Atlas de Boston Dynamics que aparece haciendo ejercicio y ordenando cajas, 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.

El uso de redes neuronales en el modelo nos permite la detección de este tipo de marcadores de manera más flexible.

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”.

Cómo entrenar a tu modelo de visión artificial

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” indican 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” recuerda Rafael Muñoz.

Con este trabajo, las aplicaciones de visión artificial consiguen superar un nuevo obstáculo, avanzando en la oscuridad.

Referencia:

Berral Soler, R., Muñoz-Salinas, R., Medina-Carnicer, R. & Marín-Jiménez, M.J. (2024) ‘DeepArUco++: Improved detection of square fiducial markers in challenging lighting conditions’, Image and Vision Computing.