Lors de la configuration d’un robot, comme l’Atlas anthropomorphe de Boston Dynamics qui apparaît en train de faire de l’exercice et d’organiser des cartonsles marqueurs de repère sont le guide qui les aide à se déplacer, à détecter des objets et à déterminer leur emplacement exact. Il s’agit d’un outil de vision par ordinateur utilisé pour estimer la position des objets. À première vue, ce sont des codes carrés plats en noir et blanc avec un contraste marqué qui pourrait s’apparenter au système de marquage QR mais avec un avantage : ils peuvent être détectés de beaucoup plus loin.
En logistique, une caméra au plafond permet d’identifier automatiquement l’emplacement d’un colis grâce à ces repères, ce qui permet un gain de temps et d’argent. La faiblesse du système résidait jusqu’à présent dans les conditions d’éclairage, car les techniques classiques de vision par ordinateur qui localisent et décodent avec précision les marqueurs échouent dans des situations de faible luminosité.
Les chercheurs Manuel J. Marín, Rafael Berral et Rafael Muñoz, dans leur laboratoire PHOTO UCO
Pour résoudre ce problème, les chercheurs Rafael Berral, Rafael Muñoz, Rafael Medina et Manuel J. Marín du groupe de recherche Applications de vision artificielle de l’Université de Cordoue ont développé un système qui permet, pour la première fois, de détecter et de décoder les marqueurs Fiducial sous conditions d’éclairage difficiles, en utilisant des réseaux de neurones.
“L’utilisation de réseaux neuronaux dans le modèle nous permet de détecter ce type de marqueurs de manière plus flexible, résolvant ainsi le problème de l’éclairage pour toutes les phases du processus de détection et de décodage”, explique le chercheur Rafael Berral. L’ensemble du processus est composé de trois étapes : la détection des marqueurs, l’affinement des coins et le décodage des marqueurs, chacune basée sur un réseau neuronal différent.
C’est la première fois qu’une solution complète est apportée à ce problème, car comme le souligne Manuel J. Marín « il existe de nombreux travaux qui, dans des situations d’éclairage optimales, ont tenté d’accélérer la vitesse, par exemple, mais le problème du mauvais éclairage ou bien de nombreuses ombres n’avaient pas été entièrement résolues pour améliorer le processus.
Comment entraîner votre modèle de vision par ordinateur
Lors de la formation de ce modèle qui présente une solution de bout en bout, l’équipe a créé un ensemble de données synthétiques qui reflète avec précision le type de circonstances d’éclairage pouvant être rencontrées lors de l’utilisation d’un système de marquage extérieur. de conditions idéales. Une fois formé, “le modèle a été testé avec des données du monde réel, certaines produites ici en interne et d’autres comme référence à partir d’autres travaux antérieurs”, indiquent les chercheurs.
Les données générées artificiellement pour entraîner le modèle et celles provenant de situations d’éclairage défavorables dans le monde réel sont disponibles ouvertement, de sorte que le système pourrait être appliqué aujourd’hui, “puisque le code est publié et des installations sont fournies pour tester le code avec n’importe quelle image dans laquelle apparaissent des marqueurs de référence”, se souvient Rafael Muñoz.
Grâce à ces travaux, les applications de vision artificielle parviennent à surmonter un nouvel obstacle, en avançant dans l’obscurité.
Référence:
Berral Soler, R., Muñoz-Salinas, R., Medina-Carnicer, R. & Marín-Jiménez, MJ (2024) DeepArUco++ : Détection améliorée des marqueurs de repère carrés dans des conditions d’éclairage difficiles, Informatique d’image et de vision,https://doi.org/10.1016/j.imavis.2024.105313.
#Les #chercheurs #lUCO #améliorent #vision #artificielle #dans #des #conditions #faible #éclairage