Diseño y modelado matemático de un sistema optoelectrónico multisensor para adquisición de información espectral y de profundidad

Martínez Ayala, Elizabeth Juliana; Cuadrado Flechas, Juan Pablo; Urrea Vecino, Sergio Andrés

Diseño y modelado matemático de un sistema optoelectrónico multisensor para adquisición de información espectral y de profundidad

dc.contributor.advisor	García Arenas, Hans Yecid
dc.contributor.advisor	Pertuz Arroyo, Said David
dc.contributor.advisor	Argüello Fuentes, Henry
dc.contributor.author	Martínez Ayala, Elizabeth Juliana
dc.contributor.author	Cuadrado Flechas, Juan Pablo
dc.contributor.author	Urrea Vecino, Sergio Andrés
dc.contributor.evaluator	Plata Gómez, Arturo
dc.contributor.evaluator	Villamizar Mejía, Rodolfo
dc.date.accessioned	2022-04-22T16:14:43Z
dc.date.available	2022-04-22T16:14:43Z
dc.date.created	2022-04-01
dc.date.issued	2022-04-01
dc.description.abstract	Una imagen es la representación visual de una escena, que tradicionalmente es adquirida por uno o varios instrumentos optoelectrónicos que capturan información de las distintas dimensiones que la conforman. Por ello actualmente diversas plataformas han propuesto arquitecturas que permiten capturar información de distintas dimensiones, las cuales están compuestas por cámaras, RGB, de infrarrojo y múltiples sensores como LiDAR, que permiten desarrollar aplicaciones diversas, entre las que se encuentra la conducción autónoma, la realidad virtual y la reconstrucción de escenas en tres dimensiones (3D). Específicamente en este trabajo se propone una arquitectura de adquisición de información de espacio, profundidad y color que está compuesta por dos cámaras RGB, y una cámara de infrarrojo cercano. Además se desarrolló una red de inteligencia artificial, red DNet, que permitió la reconstrucción de mapas de profundidad, y la estimación de la mejor distancia entre cámaras RGB para imágenes sintéticas e imágenes de implementación. Específicamente, para la evaluación de la red empleando imágenes sintéticas de entrenamiento, se obtuvo que siguiendo las métricas de PSNR y SSIM la mejor configuración para estimar un mapa de profundidad es de un metro de distancia entre cámaras y un nivel de profundidad de 1 metro. Por otra parte, en validación se encontró que se tienen buenas reconstrucciones para distintos de niveles de profundidad, si se conserva en cada caso una distancia entre cámaras de 1 metro. Finalmente, se encuentra que la red tiene un rendimiento aceptable para imágenes capturadas en entorno real no controlado con el sistema implementado.
dc.description.abstractenglish	An image is the visual representation of a scene, which has been traditionally acquired by one or more optoelectronic instruments that capture information from different dimensions that describes a scene. For this reason, nowadays, diverse platforms had proposed architectures that capture the information of the dimensions that compose a scene, these platforms are usually built using a set of RGB, infrared cameras, and multiple sensors such as Lidar. Specifically, these platforms allow the development of diverse applications, like autonomous driving, virtual reality, and the reconstruction of scenes in three dimensions (3D). Specifically, this work proposed an architecture for the acquisition of space, depth, and color information, composed by two RGB cameras and a near-infrared camera. In addition, an artificial intelligence network, DNet network, was developed, to estimate depth map reconstructions, and to estimate the performance of the model varying the distance between RGB cameras for synthetic and implementation images. Specifically, for the evaluation of the network using synthetic training images, it was found that following the PSNR and SSIM metrics, the best distance between the two cameras to estimate a depth map is a distance of one meter for a depth level of one meter. For the validation process, it was found that if the two cameras were placed at a distance of one meter the reconstruction is preserved for each depth level. Finally using the implementation of the system proposed, it is found that the network has acceptable performance for images captured in a real uncontrolled environment.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electrónico
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/10148
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Electrónica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Estéreo visión
dc.subject	LiDAR
dc.subject	Profundidad
dc.subject	Desenfoque
dc.subject	Fusión
dc.subject	Aprendizaje Profundo
dc.subject.keyword	Stereo Vision
dc.subject.keyword	Depth
dc.subject.keyword	LiDAR
dc.subject.keyword	Defocus
dc.subject.keyword	Fusion
dc.subject.keyword	Deep Learning
dc.title	Diseño y modelado matemático de un sistema optoelectrónico multisensor para adquisición de información espectral y de profundidad
dc.title.english	Design and mathematical modeling of a multisensor optoelectronic system for acquisition of spectral and depth information
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type