IMPORTANCIA

0 La visión por computadora y robótica, disciplina que estudia cómo procesar, analizar e interpretar imágenes de forma automática, es una tecnología que se ha incorporado cada vez más en nuestra vida cotidiana. Por su gran versatilidad, bajo costo y alta efectividad, tiene aplicaciones en muchos ámbitos

0 Este campo representa hoy en día un campo de investigación importante a muchos diversos niveles: industria, seguridad, medicina y inspección

VISION 3D ROBOTICA

0 Uno de los más recientes desarrollos en la visión artificial es la disponibilidad comercial y con algoritmos y herramientas de software que pueden procesar y medir los píxeles de la tercera dimensión. Las aplicaciones más comunes funcionan en 2 dimensiones, X e Y. En el mundo real, esto se traduce en la ubicación exacta de un objeto dentro de la imagen - o la posición real de un producto sobre una cinta transportadora. Un sistema de visión 3D puede extrapolar la posición de un pixel, no sólo en las direcciones X e Y, sino también a la Z. Visión artificial 3D se logra usando una variedad de técnicas, que incluyen (pero no se limitan a la visión estéreo, las nubes de puntos, o triangulación 3D. Visión en 3D podría convertirse en un equipo estándar en los robots, de acuerdo con expertos en el campo de la visión artificial.

SISTEMA DE ADQUISICION 3D

0 Una habilidad esencial para la navegación autónoma de robots es la capacidad para obtener información del medio que rodea al robot. El proceso de adquisición se realiza de una manera rápida sin tener la restricción de detener el movimiento del robot. La información obtenida de esta relación son valores de profundidad (disparidad) del ambiente. Luego, con la información geométrica de la cámara y con el valor de disparidad se calcula la distancia a la que se encuentran los puntos del entorno, obteniendo así una nube de puntos 3D del ambiente de navegación del robot

RECONSTRUCCION DE LA GEOMETRIA 3D

0 En las últimas tres décadas, tras muchas investigaciones ha hecho importantes contribuciones al problema de la reconstrucción de la geometría 3D de una escena desde múltiples puntos de vista. Si bien este problema ya está bien tratada en el caso de los entornos estáticos, la comprensión de los entornos 3D dinámicos plantea retos difíciles. Esto incluye la utilización de un gran número de sensores de imágenes basado en el concepto de que da tareas de detección complejas, como comprensión de escena 3D, deben ser resueltos por un gran número de procesos perceptivos paralelos pero simples.

AMBITO DE RECONSTRUCCION GEOMETRICA

0 La descripción de objetos tridimensionales en un plano, utilizando proyecciones bidimensionales, se remonta a más de dos mil años. Fue Monge el primero que sistematizó y simplificó los métodos existentes, dando lugar al nacimiento de la geometría descriptiva. El problema contrario de cómo reconstruir automáticamente la estructura de un objeto tridimensional (estructura geométrica y topológica) a partir de su proyección, empezó a atraer la atención sólo a finales de los 60, motivado por el desarrollo de los ordenadores digitales.

0 La reconstrucción, implica determinar la relación geométrica y topológica de las partes atómicas de un objeto. No debe confundirse con el reconocimiento o restitución, que se usa en visión artificial y que implica la identificación de un objeto mediante algún sistema de acoplamiento de plantillas.

ALGORITMO DE RECONSTRUCCION A PARTIR DE VISTAS MULTIPLES

0 En este caso se ha obtenido un algoritmo de reconstrucción que obtiene el modelo BRep. El algoritmo tiene como aportación más original la utilización de una axonometría oblicua (obtenida por un método basado en el Teorema de Pohlke y en el método Eckhart), para guiar y validar el proceso de reconstrucción de vértices y aristas del modelo tridimensional . Es decir, que el algoritmo realiza la generación automática de axonometrias oblicuas a partir de las tres proyecciones diédricas de un objeto poliédrico. Lo cual, además de consistir en si un método operativo en el campo del dibujo en dos dimensiones, es útil para determinar la topología.

GENERACION AUTOMATICA DE AXOMETRIA OBLICUA

RECONSTRUCCION DE OBJETOS 3D

0 Medición 3D sigue siendo un gran desafío. Aunque una gran cantidad de investigación está involucrada en sistemas de visión estereoscópica, la mayor parte de los problemas geométricos se puede minimizar cuando el sistema se utiliza para aplicaciones industriales. Al igual que con todos los sistemas de visión artificial, la iluminación es siempre un reto, y lo mismo es cierto para las aplicaciones 3D. Si hay demasiada o muy poca luz, el contraste sufre e incluso el mejor algoritmo de visión no puede extraer las coordenadas 3D de la imagen.

0 La buena noticia es que - con el tiempo – las tareas imposibles de hoy se convierten en un procedimiento operativo estándar del mañana. Pronto el control visual encabezará la lista de sistemas maduros, la visión le permitirá nuevos niveles de ahorro de trabajo y mejoras de productividad en todos los sectores de las industrias

EXPLICACION DEL ALGORITMO

0 El algoritmo comienza con la adquisición de un par estéreo y la generación de un mapa de disparidad denso para obtener puntos 3D. El Algoritmo Consiste de un proceso de adaptación basada en la correlación de área, seguido con una operación de post-filtrado que utiliza una combinación del filtro a la izquierda y otra a la derecha para comprobar o rechazar las zonas con textura insuficiente. El detector función es entonces aplicado a la imagen izquierda de la imagen estéreo para seleccionar puntos de interés. Dos nubes de puntos se encuentran en el extremo disponible para cada par estéreo: la nube de puntos pixel y su correspondiente Nube de puntos 3D.

EXPLICACION DEL ALGORITMO

ESTIMACION DEL ALGORITMO

REALIZACION DE UN EJEMPLO

0 los resultados obtenidos para este caso de prueba se informan En este experimento, el algoritmo se aplicó a 320 × 240 px imágenes estéreo, tras la cámara girada 10 ° alrededor del eje de paneo (x).

Imágenes de la izquierda (a) antes y (b) después de la rotación, con características seleccionadas.

REALIZACION EJEMPLO

Pares de puntos (a) después de seguimiento de correlación cruzada basado en normalización, y (b) después de los partidos falsos mediante comprobación de coherencia mutua y robusta de estadística

Resultado Iterativo del punto más cercano (ICP): (a) las correspondencias finales trazada en el plano de la imagen, (b) - (c) la posición absoluta y errores de orientación durante la iteración

REALIZACION DE UN EJEMPLO

Pares finales en el espacio 3D (a) antes y (b) después del registro, utilizando correlación y la ICP. Al final, los puntos cuadrados rojos se superponen a los correspondientes puntos redondos negros

RESULTADOS