Mercedes Marzoa Tanco

Doctorado

Un robot autónomo móvil es una máquina capaz de extraer información de su ambiente y usar ese conocimiento para moverse en forma segura cumpliendo un propósito. La navegación es una de las actividades más importantes y desafiantes que debe tenerse en cuenta al trabajar con un robot autónomo móvil. La navegación es una colección de algoritmos que permite resolver las dificultades que aparecen al tratar de responder a las siguientes preguntas: a dónde debo ir, cuál es la mejor forma de llegar, dónde he estado (construcción de mapas) y dónde estoy (localización).

Desarrollar esta colección de algoritmos no es una tarea simple debido a varios factores. Los más relevantes son los que tienen que ver con la incorporación de información sensorial con ruido al mapa y la otra es la fuerte relación entre localización y construcción de mapas. Este último aspecto se refiere al hecho que para construir mapas se debe estar localizado y para localizarse hay que tener un mapa.

En esta tesis se propone crear un sistema de navegación visual robusto que posibilite a un robot autónomo móvil para exteriores moverse de forma autónoma y precisa por el campo. En este sentido, se busca generar un robot extensible que sirva como base para realizar diferentes funciones, como ser aplicación automática de productos fitosanitarios, monitoreo del crecimiento de las plantas, entre otros casos de estudio en los que será evaluado el sistema desarrollado.

Tutores: Matias Di Martino, Gonzalo Tejera

Más Información

Maestría

El problema de super-resolución refiere al proceso de mejorar la resolución espacial de una imagen estimando la alta resolución a partir de una o varias imágenes degradadas de baja resolución. Estas técnicas han sido ampliamente investigadas debido al gran impacto que tienen en variadas aplicaciones, como ser aplicaciones médicas, imágenes satelitales o vídeo vigilancia. Recientemente con el desarrollo de las redes neuronales profundas han surgido varias alternativas eficaces para resolver este problema.

En este trabajo se presenta el estado del arte para los algoritmos de super-resolución, utilizando métodos mono-imagen y multi-imagen. Se comparan los métodos basados en redes neuronales profundas con un método variacional propuesto recientemente (STV). En particular, se estudia como impactan las diferentes estrategias con la incertidumbre en la estimación de la traslación entre las imágenes de baja resolución.

Para entrenar los métodos basados en redes neuronales es necesario generar muestras sintéticas a partir de imágenes de alta resolución. Se evalúa como la elección de los métodos de sub-muestreo y sobre-muestreo afecta el aprendizaje de las redes. Además, se cuantifica el impacto de entrenar y testear una red utilizando datos generados con diferentes modelo de degradación. Los experimentos sugieren que la definición de estos pasos juegan un papel fundamental y afectan significativamente lo que las redes aprenden.

Se realizan experimentos con imágenes satelitales, suponiendo el modelo de degradación desconocido.

Por último, se proporciona como resultado adicional de esta tesis, un programa de código abierto que permite mejorar la resolución de una imagen, seleccionando el tipo de red (mono- imagen o multi-imagen) y el modelo de degradación con el que se generan los datos de entrenamiento. La interfaz puede ser utilizada para reproducir los resultados aquí presentados.

Tutores: Andrés Almansa, Matias Di Martino, Gonzalo Tejera

Documento Final Presentación final Aplicación

Proyecto de grado

Proyecto de grado sobre localización y conteo de manzanas mediante visión por computadora.

Se realizó el estudio del estado del arte sobre el reconocimiento de frutos en árboles utilizando visión por computadora. Se llevaron a cabo diferentes técnicas para reconocer manzanas. En una primera etapa se realizó el reconocimiento de los pixeles pertenecientes a manzanas utilizando diferentes técnicas y comparando los resultados de las mismas, como características se utilizó el matiz, la saturación y la densidad de bordes presentes en las manzanas. Las técnicas utilizadas para la clasificación fueron K Nearest Network, Support Vector Machine y Árbol de Decisión. Se estudió la efectividad de las diferentes técnicas y se realizó una comparación de las mismas.

Luego de tener reconocidos los pixeles pertenecientes a manzanas, se estudió y desarrolló una técnica para reconocer manzanas en sí mismas y realizar el conteo por imagen. Para ello se utilizaron operaciones morfológicas, detección de círculos de Hough y estudio del área e intersecciones de los círculos obtenidos.

Integrantes: Mercedes Marzoa, Sebastian Caggiano

Tutores: Matias Di Martino, Gonzalo Tejera

Web