Detección de objetos en ambientes industriales utilizando técnicas de aprendizaje profundo
U.T.N. PID2020 código CCUTICO0007894TC
Datos del proyecto (2020)
Director: Dr. Ing. R. Gastón Araguás
Codirector: Dr. Ing. Javier A. Redolfi
Fecha de inicio y fin: 01/01/2020 al 31/12/2022
Integrantes: Dr. Ing. Eduardo A. Destéfanis, Dr. Ing. Diego González Dondo, Ing. M. Estefanía Pereyra (Becaria doctoral UTN)
Plan de investigación
La visión por computadora tiene cada vez más aplicaciones en la industria, las cuales permiten automatizar tareas repetitivas, tediosas o peligrosas como por ejemplo manejo de calidad, manejo de inventario, ordenado de piezas, líneas de ensamblaje, seguridad de los operarios, etc. Muchas de estas aplicaciones necesitan contar con un detector de los objetos de interés en las imágenes para su posterior procesamiento. En la actualidad los algoritmos que muestran mejores resultados son los basados en redes neuronales convolucionales, como por ejemplo R-CNN, Faster R-CNN o yolo. Pero debido a la cantidad de modelos existentes, a las necesidades computacionales de los mismos, a los tiempos de cómputo y principalmente a las condiciones de trabajo, resulta un tanto engorroso seleccionar el modelo que se ajuste a los requerimientos de trabajo particulares. En este proyecto se plantea evaluar el comportamiento de los algoritmos más actuales de detección de objetos basados en aprendizaje profundo ante diferentes cambios en las condiciones de trabajo como velocidad de respuesta, cambios en la iluminación, tamaños de los objetos y modificación de los entornos de funcionamiento. Para la evaluación se construirá un conjunto de datos de entrenamiento con imágenes de entornos industriales en donde se produzcan estos cambios. Como trabajo a futuro se espera que una de estas redes sea utilizada como parte de un sistema de control de seguridad de trabajo de los operarios en una fábrica de nuestra región.
