Search

Este Trabajo Fin de Grado (TFG) titulado “Sistema de detección de puertas mediante visión artificial” se centra en el desarrollo de un sistema automatizado avanzado de detección de puertas y seguimiento de personas en tiempo real mediante cámaras de seguridad. El sistema utiliza técnicas avanzadas de visión artificial y está basado en el modelo de aprendizaje profundo YOLOv5, basado en redes neuronales convolucionales (CNN1) conocido por su eficiencia y precisión en la detección de objetos. El objetivo principal de este proyecto es proporcionar una herramienta robusta que mejore la calidad de vida y autonomía de las personas dependientes o con factores de riesgo, proporcionando un extra de seguridad sin la necesidad de presencia del elemento humano en todo momento. Permite identificar las puertas de una vivienda y seguidamente, mediante la detección de personas, detectar en qué habitación se encuentra la persona. Esto aumentará la seguridad en personas vulnerables al poder detectar posibles riesgos como patrones de sueño irregulares, situaciones potencialmente de peligro como haber permanecido demasiado tiempo sin movimiento por la vivienda, o la presencia de más personas en la vivienda. Todo esto, con cámaras únicamente en el exterior de las habitaciones, ya que pretende ser lo menos intrusivo posible. En resumen, este proyecto tiene el potencial de no solo de mejorar significativamente la eficiencia y la seguridad en aplicaciones de seguridad y domótica, sino también de transformar la vida de las personas vulnerables al brindarles una mayor independencia y seguridad en su vida diaria.

Este proyecto de fin de máster tiene como objetivo desarrollar y analizar diferentes modelos de visión artificial aplicados a la asistencia en la conducción de motocicletas utilizando para esto datos de entornos urbanos capturados mediante una cámara de 360 grados. La singularidad de los datos 360 permite una percepción ambiental completa, esencial para la navegación segura en motocicletas. En el estado del arte podemos encontrar numerosas propuestas para la tarea de segmentación semántica en entornos urbanos. Sin embargo, todas estas tienen el inconveniente de requerir una gran cantidad de datos etiquetados para su entrenamiento. Este problema se une a la falta de datasets públicos con datos 360 que estén etiquetados. Por estos motivos, en este proyecto se propone, en primer lugar, revisar y completar el etiquetado de una base de datos 360 propia, y, utilizando estos datos, comparar diferentes estrategias para generar y adaptar modelos de segmentación a nuevos entornos. Inicialmente se pretende establecer resultados de referencia evaluando el resultado que se podría llegar a obtener al generar un modelo de segmentación con un dominio fuente completamente etiquetado y luego aplicarlo a un conjunto de datos objetivo distinto (nuestro dataset 360), sin aplicar técnicas de adaptación. Posteriormente, se explorará cómo la adaptación al dominio y las técnicas de transfer learning pueden mejorar la precisión de la segmentación al aprovechar los conocimientos obtenidos mediante el dominio fuente (completamente etiquetado) y transferirlos al objetivo. Este enfoque no solo busca superar las limitaciones de los modelos en entornos fuera de su dominio de entrenamiento original, sino también examinar la eficacia de incorporar un conjunto limitado de datos etiquetados del dominio objetivo para refinar el modelo a través de fine tuning.

Este Trabajo de Fin de Grado aborda el diseño y desarrollo de una estación robotizada para paletizado y clasificación, utilizando RobotStudio de ABB como plataforma central. El proyecto se enriquece con una Interfaz Hombre-Máquina (HMI) desarrollada en TIA Portal, diseñada para facilitar la interacción del usuario mediante comandos de voz, lo que mejora la operatividad y eficiencia del sistema. Adicionalmente, se implementa un sistema de visión artificial, programado en Python, destinado a identificar y clasificar cajas defectuosas, elevando la precisión del proceso de clasificación. La comunicación entre los diferentes software del sistema, incluyendo RobotStudio, TIA Portal y el sistema de reconocimiento de voz en Python, se maneja utilizando protocolo TCP/IP; mientras que la conexión entre el sistema de visión en Python y RobotStudio se establece mediante sockets. Esta configuración de comunicación mejora la coordinación de los componentes, proporcionando un flujo de datos constante y estable, crucial para la eficiencia operativa de la estación. Este proyecto no solo refleja la aplicación práctica de los conocimientos técnicos adquiridos durante el grado, sino que también establece un punto de partida para futuras investigaciones y desarrollos en el campo de la Industria 4.0., This Final Degree Project addresses the design and development of a robotized station for palletizing and sorting, using ABB's RobotStudio as the central platform. The project is enhanced with a Human-Machine Interface (HMI) developed in TIA Portal, designed to facilitate user interaction through voice commands, which improves system operability and efficiency. Additionally, an artificial vision system programmed in Python is implemented to identify and classify defective boxes, increasing the accuracy of the sorting process. Communication between the different software components of the system, including RobotStudio, TIA Portal, and the voice recognition system in Python, is handled using the TCP/IP protocol, while the connection between the vision system in Python and RobotStudio is established via sockets. This communication setup enhances component coordination, providing a constant and stable data flow, crucial for the operational efficiency of the station. This project not only demonstrates the practical application of the technical knowledge acquired during the degree but also lays a foundation for future research and developments in the field of Industry 4.0., Departamento de Ingeniería de Sistemas y Automática, Grado en Ingeniería en Electrónica Industrial y Automática

En la búsqueda de precisión para determina la ubicación de un multicóptero, un GPS comercial típicamente ofrece una precisión de más de un metro bajo condiciones óptimas. Aunque esta precisión puede ser adecuada para ciertas aplicaciones, otras requieren una mayor exactitud. Este proyecto explora y evalúa diferentes tecnologías y técnicas para mejorar la precisión y lograr una localización exacta del multicóptero, permitiendo así ejecutar maniobras de aterrizaje precisas sobre plataformas designadas o simplemente el conocimiento de su localización para diversos fines. En este trabajo se investigarán cuatro métodos distintos para alcanzar este nivel de precisión: visión por computadora, reconocimiento de texturas, visión artificial y GPS de alta precisión.

En este proyecto se propone el desarrollo software de un robot móvil asistencial de bajo coste dirigido a usuarios infantiles con el fin de apoyar su desarrollo cognitivo. Con esta idea, el robot propone una serie de actividades al usuario para entrenar cualidades como la lateralidad y la psicomotricidad. El trabajo consiste en el diseño de aplicaciones que permitan la interacción de forma natural entre usuario y robot a través de voz y gestos. Para ello se hace uso del paquete de desarrollo ROS (Robot Operating System) y modelos de aprendizaje automático (en inglés machine learning) aplicados al campo de la visión artificial.

An obstacle detection system for unmanned surface vehicles is proposed, oriented towards the detection of obstacles in real time, through the use of monocular and stereo vision methods, as well as the collection of additional information with the help of external sensors included in the system. vehicle body. For image segmentation, a Raspberry Pi card will be used in which the relevant routing algorithms will be implemented and the information obtained will be recorded in databases with the help of IoT technology., Se propone un sistema de detección de obstáculos para vehículos de superficie no tripulados, orientado a la detección de obstáculos en tiempo real, mediante el uso de métodos de visión monocular y estéreo, así como la recopilación de información adicional con la ayuda de sensores externos incluidos en el sistema carrocería del vehículo. Para la segmentación de imágenes se utilizará una tarjeta Raspberry Pi en la que se implementarán los algoritmos de enrutamiento pertinentes y la información obtenida se registrará en bases de datos con ayuda de la tecnología IoT.

The investment in renewable energies has increased significantly in recent years, with photovoltaic solar energy emerging as one of the most prominent sources. The shift towards sustainable energy solutions is driven by the urgent need to mitigate climate change, reduce greenhouse gas emissions, and achieve energy independence. Photovoltaic (PV) technology, which converts sunlight directly into electricity using semiconductor materials, has seen substantial advancements in efficiency and cost reduction, making it a viable and attractive option for large-scale energy production. Traditionally, the maintenance of photovoltaic plants has relied on manual labor to inspect the conditions of numerous solar modules. This involves technicians physically examining each module, looking for defects such as cracks, hot spots, and dirt accumulation that can impair performance. While effective for small installations, this manual approach becomes impractical for large-scale installations comprising thousands or even millions of modules. The sheer scale of these operations requires a more efficient and comprehensive method to ensure optimal performance and longevity of the PV systems. The integration of artificial intelligence in this field has offered a pathway to optimize production and maintenance. AI technologies, including machine learning and computer vision, can automate the inspection process, providing rapid and accurate detection of defects. Presently, detecting problems on the surface of photovoltaic cells involves identifying patterns of defects using various technologies such as infrared thermography, electroluminescence imaging, and aerial drone inspections. However, this method has limitations because it does not directly correlate these issues with energy production, leading to a potential gap in understanding the actual impact of detected defects on the overall performance of the PV modules. This thesis proposes a novel approach to analyzing the state of photovolt, La inversión en energías renovables ha aumentado significativamente en los últimos años, con la energía solar fotovoltaica emergiendo como una de las fuentes más prominentes. El cambio hacia soluciones energéticas sostenibles está impulsado por la necesidad urgente de mitigar el cambio climático, reducir las emisiones de gases de efecto invernadero y lograr la independencia energética. La tecnología fotovoltaica, que convierte la luz solar directamente en electricidad utilizando materiales semiconductores, ha visto avances sustanciales en eficiencia y reducción de costos. Esto lo hace una opción viable y atractiva para la producción de energía a gran escala. Tradicionalmente, el mantenimiento de las plantas fotovoltaicas ha dependido del trabajo manual para inspeccionar el estado de numerosos módulos solares. Esto implica que los técnicos examinen físicamente cada módulo, buscando defectos como grietas, puntos calientes y acumulación de suciedad que pueden perjudicar el rendimiento. Aunque este enfoque es efectivo para instalaciones pequeñas, se vuelve impracticable para instalaciones a gran escala que comprenden miles o incluso millones de módulos. La magnitud de estas operaciones requiere un método más eficiente y completo para asegurar el rendimiento óptimo y la longevidad de los sistemas fotovoltaicos. La integración de la inteligencia artificial en este campo ha ofrecido una forma para optimizar la producción y el mantenimiento. Las tecnologías de IA, incluyendo el aprendizaje automático y la visión por computadora, pueden automatizar el proceso de inspección, proporcionando una detección rápida y precisa de defectos. Actualmente, la detección de problemas en la superficie de las celdas fotovoltaicas implica identificar patrones de defectos utilizando varias tecnologías como la termografía infrarroja, la imagen electroluminiscente y las inspecciones con drones aéreos. Sin embargo, este método tiene limitaciones porque no correlaciona directamente estos problema, Escuela de Doctorado, Doctorado en Informática

Las redes neuronales convolucionales son una familia paramétrica de funciones que han demostrado ser útiles en gran variedad de aplicaciones como la visión artificial. Sus fundamentos teóricos están basados en la estadística, pero también dependen del análisis numérico para encontrar los parámetros adecuados para resolver una tarea concreta. Explicamos los fundamentos del aprendizaje automático. Después, explicamos cómo se construyen las redes neuronales convolucionales y los principales algoritmos para su optimización numérica. Finalmente, explicamos en detalle el funcionamiento del algoritmo YOLO (mira una única vez), que es capaz de identificar objetos en imagen y generar rectángulos delimitadores para ellos en tiempo real., Convolutional Neural Networks is a family of parametric functions that has proven useful in many applications such as computer vision. Their theoretical grounds are based on statistics, but they rely on numerical analysis to find the right parameters to perform on a given task. We explain the general foundations of machine learning. Afterwards, we explain how convolutional neural networks are built and the main algorithms for their numerical optimization. Finally, we explain in detail YOLO (You Only Look Once) algorithm, which is able to identify objects in images and generate bounding boxes for them in real time., Departamento de Estadística e Investigación Operativa, Grado en Matemáticas

[Resumo]: Explórase a aplicación de técnicas de aprendizaxe automática ao ámbito da histopatoloxía, centrándose na segmentación semántica de imaxes de tecidos. A investigación céntrase no desenvolvemento e adestramento de modelos baseados en redes neuronais convolucionais, co obxectivo de automatizar e mellorar a precisión na diagnose patolóxica. A implantación de arquitecturas avanzadas, como a U-Net, combinada con técnicas de acrecentamento de datos, demostrou ser prometedora para capturar detalles morfolóxicos complexos e mellorar a capacidade de xeneralización dos modelos. Os resultados iniciais obtidos tras o desenvolvemento do proxecto son satisfactorios. Con todo, o traballo permitíu identificar varias direccións de traballo futuro que permitan melloralos, incluíndo a exploración de novos modelos, a implantación de técnicas de aprendizaxe transferida e a avaliación do rendemento con datos adicionais., [Abstract]: We explore the application of machine learning techniques in the field of histopathology, focusing on semantic image segmentation of tissue samples. The research centers on the development and training of convolutional neural network-based models to automate and enhance diagnostic accuracy. The implementation of advanced architectures, such as U-Net, combined with data augmentation techniques, has proven promising in capturing complex morphological details and improving model generalization. The initial results achieved after the project’s development are satisfactoy. Moreover, the work provided insights into several directions for future work that would allow improvement, including the exploration of alternative models, the application of transfer learning techniques, and performance evaluation with additional data.

[Resumen]: En el sector industrial, una gestión eficiente de áreas de trabajo, tiempo y recursos es crucial para maximizar la productividad y reducir costes de operación. En entornos con múltiples líneas de producción en cadena es fundamental minimizar los tiempos de inactividad para mantener el flujo de trabajo y garantizar una producción continua. El uso de cámaras de Circuito Cerrado de Televisión (Closed-Circuit Television) (CCTV) facilita las tareas de monitorización y control en entornos industriales. Sin embargo, la inspección manual de imágenes y vídeo es una tarea costosa que consume mucho tiempo, lo que destaca la necesidad de un sistema automatizado para el análisis y la monitorización eficiente del entorno de producción con la capacidad de detectar anomalías y enviar alertas. Los métodos computacionales basados en técnicas de Deep Learning (DL) se han convertido en referentes en la resolución de una amplia variedad de problemas debido a su capacidad para extraer patrones complejos a partir de datos visuales. En este trabajo se propone el uso de técnicas avanzadas de procesado de imagen y DL para el control automático del estado de las líneas de montaje. El sistema recibe imágenes capturadas por la cámara CCTV, analiza cada línea individualmente para determinar si está vacía, ocupada o en estado indeterminado debido a obstrucciones externas, e integra estas predicciones en un análisis temporal para la generación de estadísticas de producción, identificación de eventos de interés, como líneas inactivas durante períodos prolongados y envío de alertas. El enfoque propuesto busca mejorar la eficiencia en la monitorización de los procesos de producción, reducir la supervisión manual y optimizar la gestión de los procesos industriales., [Abstract]: In the industrial sector, efficient management of work areas, time, and resources is crucial for maximizing productivity and reducing operational costs. In environments with multiple production lines, minimizing downtime is essential to maintain workflow and ensure continuous production. The use of CCTV cameras facilitates monitoring and control tasks in industrial settings. However, manual inspection of images and video is a costly and time-consuming task, highlighting the need for an automated system for efficient analysis and monitoring of the production environment with the capability to detect anomalies and send alerts. Computational methods based on Deep Learning (DL) techniques have become benchmarks in solving a wide range of problems due to their ability to extract complex patterns from visual data. This work proposes the use of advanced image processing techniques and deep learning for the automatic monitoring of assembly lines. The system receives images captured by CCTV cameras, analyzes each line individually to determine if it is empty, occupied, or in an indeterminate state due to external obstructions, and integrates these predictions into a temporal analysis for generating production statistics, identifying points of interest such as inactive lines during extended periods, and sending alerts. The proposed approach aims to enhance the efficiency of production process monitoring, reduce manual supervision, and optimize industrial process management.

En la era digital actual, la calidad del audio se ha vuelto fundamental en diversas áreas como el streaming, las videollamadas y las conferencias virtuales. Problemas comunes como fluctuaciones en el volumen, ruido de fondo y claridad insuficiente pueden afectar negativamente la experiencia del usuario, disminuyendo la eficacia de la comunicación y la satisfacción del espectador. Estos problemas son especialmente críticos para streamers, profesionales que dependen de videollamadas y participantes en conferencias, donde la claridad y la consistencia del audio son esenciales para transmitir mensajes de manera efectiva. Este trabajo se centra en el desarrollo de un software para mejorar la calidad del audio capturado por el micrófono mediante el uso de técnicas de seguimiento facial (facetracking) basadas en Inteligencia Artificial (IA). La aplicación ajusta dinámicamente el volumen de entrada del micrófono en función de la distancia del usuario a la cámara, optimizando así la calidad del sonido en tiempo real. El objetivo principal del proyecto es implementar un sistema que utilice algoritmos de visión por computadora y aprendizaje automático para detectar y seguir la posición del rostro del usuario. Basándose en esta información, el software ajusta el nivel de ganancia del micrófono para compensar la variación en la distancia, garantizando una experiencia de audio más consistente y clara. El desarrollo de la aplicación incluyó varias fases: el diseño e implementación del modelo de IA para el seguimiento facial, los cálculos necesarios para determinar la distancia a la lente, la integración del módulo de ajuste de audio según la distancia y la implementación de una interfaz intuitiva del software. Además, como módulos adicionales se ha diseñado una puerta de ruido, un selector en pantalla de la posición del micro, un input de offset del micro respecto a la lente y un corrector de la contribución del campo sonoro indirecto respecto al decaimiento de la ganancia en reci

La UPCT dispone de tres bibliotecas gestionadas por el servicio CRAI: Antigones, Alfonso XIII y CIM. Se necesita una solución automatizada de monitorización del aforo para cada biblioteca y disponer de informes con el histórico de ocupación. En este proyecto se ha diseñado una solución integral de monitorización del aforo de bajo coste, usando visión artificial y el procesamiento de flujos RSTP de imágenes de cámaras cenitales en las puertas de entrada a cada biblioteca. En los requisitos de diseño se ha tenido en cuanta la normativa de protección de datos y la normativa GPDR, de obligado cumplimiento en la UPCT. Se ha diseñado e implementado un módulo de conteo del flujo de entradas y salidas de personas usando Python, librería OpenCV y adaptando un modelo Yolo preentrenado con transfer learning. También se ha hecho un algoritmo de tracking a medida para el problema del flujo de paso de personas por el punto de control. A su vez, se ha implementado una arquitectura software para un servidor edge-computing, basada en módulos con contenedores docker, que garantiza la recepción de flujos RSTP de imágenes y genera secuencias de frames a una cola FIFO con RabbitMQ. Se tiene un contenedor con el módulo de Conteo y tracking que procesa por lotes datos de la cola con una optimización de recursos del server que permite gestionar las tres bibliotecas con un retardo acotado. El servidor se completa con un servicio de generación de informes, visualización de datos en tiempo real usando Grafana, API REST con el dato de ocupación en tiempo real y herramientas varias para la administración y monitorización del sistema. El sistema ha estado en depuración y pruebas en producción durante tres meses con las tres bibliotecas y se ha demostrado un servicio robusto y estable con una tasa de éxito en la estimación del conteo superior al 90%.

En este trabajo de investigación se muestran diversos casos de aplicación específicas de la visión artificial orientada a la hidrología urbana como la técnica LSPIV (Large Scale Particle Image Velocimetry), medición de niveles de agua y el análisis del transporte de cargas contaminantes en la superficie de una calle durante episodios de lluvia. En esta comunicación se incluyen los resultados preliminares obtenidos exponiéndose las principales consideraciones relativas a su implementación mediante sistemas de procesamiento de bajo coste y consumo. Los trabajos presentados se están desarrollando en el ámbito de las actividades de investigación conjunta del proyecto Co-UDlabs (www.Co-UDlabs.eu), proyecto europeo H2020 liderado por la Universidade da Coruña y cuyo objetivo general es integrar las actividades de investigación e innovación en el campo de los sistemas de drenaje urbano (UDS) promoviendo una comunidad europea de innovación en materia de drenaje urbano para hacer frente a los acuciantes retos que se presentan en cuanto a salud pública, riesgo de inundaciones y cuidado del medio ambiente.

[spa]En el presente trabajo fin de máster se ha diseñado e implementado un sistema automatizado que simula a pequeña escala, un proceso industrial real, integrando diversas tecnologías clave en el ámbito de la automatización industrial. Para ello, se han evaluado y seleccionado diferentes maquetas disponibles en el laboratorio de automática de la universidad, basándose en sus capacidades de aprendizaje. Estas maquetas tienen la funcionalidad de alimentar de piezas al sistema automatizado mediante el uso de actuadores neumáticos, identificar el tipo de pieza y medir su altura mediante diferentes sensores y, clasificar las piezas identificadas a través de una cinta transportadora. Permiten así trabajar con diversas señales de sensores y actuadores, tanto eléctricos como neumáticos. Además, para el transporte preciso de las piezas entre las diferentes maquetas que componen el sistema automatizado, se ha empleado un brazo robótico de grandes prestaciones, equipado con una herramienta tipo pinza que se acciona neumáticamente. Asimismo, se ha desarrollado un sistema de visión artificial para el reconocimiento de las piezas introducidas en el proceso, que permite de forma complementaria identificar el tipo de pieza y medir su altura. En cuanto al diseño de la automatización del proceso planteado, se ha seguido las recomendaciones de la guía GEMMA, la cual es una herramienta previa a la utilización del GRAFCET que proporciona las pautas a seguir para modelar siguiendo un diseño estructurado, los distintos modos de marcha y paro del sistema, el correcto funcionamiento del proceso productivo, además de contemplar la respuesta del sistema ante la aparición de anomalías o situaciones de emergencia, asegurando que todos los posibles estados del sistema sean considerados y correctamente gestionados. Para la implementación del sistema integrado de automatización, una vez instalados y restaurados todos los equipos necesarios, se ha llevado a cabo la programación estructurada de la

El propósito principal de este trabajo es estudiar el potencial, la viabilidad y la eficiencia de la OpenMV Cam H7 Plus en aplicaciones de visión artificial con Deep Learning. Para ello, se llevarán a cabo una serie de experimentos y estudios de caso en los que se implementarán y evaluarán diferentes modelos de redes neuronales. Estos modelos se utilizarán para tareas como el reconocimiento de objetos, la clasificación de imágenes y la segmentación semántica de imágenes, demostrando así la capacidad de la OpenMV Cam H7 Plus para abordar problemas complejos en diversas áreas de aplicación. En conclusión, la combinación de la visión artificial y el aprendizaje profundo en sistemas embebidos como la OpenMV Cam H7 Plus representa un avance significativo en la capacidad para desarrollar soluciones inteligentes y autónomas. Este enfoque no solo mejora la eficiencia y efectividad de las aplicaciones actuales, sino que también abre nuevas oportunidades para la creación de tecnologías emergentes relacionadas con la visión artificial que podría tener un impacto en el desarrollo de las tecnologías que nos rodean.

En el contexto de la producción industrial, donde la eficiencia y la calidad son elementos cruciales, la aplicación de tecnologías avanzadas desempeña un papel fundamental. Este Trabajo de Fin de Máster trata de dar una solución específica dentro del ámbito de la Visión Artificial, centrándose en el control de calidad del etiquetado de las botellas de Licor 43 [1], un producto manufacturado por el Grupo Zamora [2]. Este proyecto se enmarca en la colaboración con Biyectiva Technology [3], una empresa especializada en soluciones de visión con sede en Cartagena, Murcia. En el presente trabajo se pretende detectar defectos en el etiquetado de botellas. Para ello, se propone una metodología basada en el registro de imágenes y técnicas de morfología matemática. La idea fundamental es alinear las imágenes de producción con imágenes de referencia de productos sin desperfectos, permitiendo así la comparación y evaluación de posibles defectos en tiempo real, permitiendo el rechazo de botellas en las que se detecten estos desperfectos en el etiquetado. La estructura de este Trabajo de Fin de Máster se organiza en capítulos para abordar de manera sistemática los aspectos fundamentales del problema y la solución propuesta. Inicialmente, se establece el contexto y la problemática específica que motiva la investigación, lo cual nos permite saber de qué partimos y a dónde vamos. A continuación, se explora el marco teórico que respalda la metodología propuesta, dividiéndolo en las dos secciones principales que intervienen en este proyecto: registro de imagen y segmentación mediante morfología matemática. Esto da una visión general de los conocimientos necesarios para entender el proyecto. El desarrollo de la solución se presenta detalladamente en el Capítulo 3, donde se describen las diferentes etapas del proceso, como la segmentación de la etiqueta y el registro rígido y deformable. Los resultados obtenidos, incluyendo la elección de parámetros óptimos y el análisis de las diferent

En este vídeo, se presenta una guía completa sobre cómo utilizar el software de visión artificial Sherlock para enviar y recibir información a través de los protocolos TCP/IP y UDP/IP. Los objetivos de este tutorial son: - Aprender a enviar y recibir información de otros sistemas. - Integrar estos protocolos en sus propios programas de manera eficiente.

Únete a Eugenio Ivorra, profesor del departamento de ingeniería de sistemas y automática, en esta guía detallada sobre cómo utilizar el software de visión artificial Sherlock V8. Aprenderás a identificar diferentes tipos de imágenes, cargar secuencias de imágenes y detectar y solucionar errores comunes durante la carga. Este tutorial está diseñado para ayudarte a dominar el manejo de imágenes en Sherlock V8 de manera eficiente y efectiva.

[ES] Novo Nordisk está interesada en ampliar el uso de robots móviles autónomos con ruedas (AMR) para automatizar diversos procesos relacionados con la intralogística y el control de calidad. Estos procesos se realizan a menudo en grandes instalaciones que incluyen varios niveles, por lo que puede ser necesario desplazarse entre las distintas plantas mediante ascensores. Sin embargo, para automatizar estos procesos en zonas industriales antiguas, los AMR deben poder interactuar con los sistemas de ascensores existentes que ya utilizan las personas para el transporte y otros procesos. Experimentos anteriores han demostrado que se necesita un mayor grado de conciencia y autonomía alrededor de humanos para operar y evitar problemas de seguridad en estos casos. Por ello, Novo Nordisk está interesada en estudiar la viabilidad de desarrollar un sistema para entrar, salir y manejar ascensores de forma autónoma, que sea a la vez consciente de la presencia humana y pueda integrarse en un AMR sobre ruedas., [EN] Novo Nordisk is interested in scaling up the use of wheeled Autonomous Mobile Robots (AMRs) to automate various processes related to intralogistics and quality control. These processes are often performed in large facilities that include multiple levels, and therefore, a requirement for traversing between individual floors via elevators may be present. Dedicated systems for this can be included in greenfield sites, however, to automate these processes at brownfield sites, AMRs must be able to interface with existing lift systems that are already used by humans for transport or other processes. Previous experiments have shown that a larger degree of human awareness and autonomy is needed to operate and avoid safety issues in these cases. Novo Nordisk is therefore interested in studying the feasibility of developing a system for autonomously entering, exiting and operating elevators, that is both human-aware and can be integrated on a wheeled off-the-shelf AMR.

En este video se realiza una guía de cómo utilizar algoritmos de OCR en el software de visión artificial Sherlock para la lectura de códigos alfanuméricos. Los objetivos son que aprendáis a: - Conocer los distintos tipos de algoritmos de OCR - Utilizar dichos algoritmos para leer de forma fiable códigos en imágenes.