La revolución en la industria automotriz gracias al Deep Learning

En este artículo te explicamos en qué consiste el Deep Learning y cómo se combina con la visión artificial para el desarrollo de nuevas aplicaciones en automoción.

El aprendizaje es una de las claves de la Inteligencia Artificial avanzada, puesto que necesitamos que las máquinas aprendan por sí solas y aprendan de su propia experiencia. La Inteligencia Artificial es el concepto general a partir del cual se pueden explicar otras técnicas derivadas como, por ejemplo, el Machine Learning, donde hay que guiar a la máquina en cada una de las fases del proceso para que aprenda, a través de la práctica, a identificar lo que queremos de manera automática.

Dando un paso más hacia delante se encuentra el Deep Learning, que trabaja de manera diferente: en vez de programar a la máquina para que siga unas determinadas reglas y así solucionar un problema, el propio algoritmo de la máquina es el que debe identificar patrones o anomalías para crear un modelo.

La Visión Artificial es una de las áreas donde el Deep Learning proporciona una mejora considerable en comparación con algoritmos más tradicionales. Las aplicaciones reales del Deep Learning en el sector industrial son infinitas, ya que la automatización de los procesos industriales abarca un sinfín de posibilidades. Uno de los ejemplos más claros es el sector de la automoción.

¿Qué es el Deep Learning y cómo funciona?

La evolución y aplicaciones de la visión artificial han estado estrechamente relacionadas con el desarrollo de las cámaras fotográficas y la obtención de imágenes desde la perspectiva científica que se ha producido desde el siglo XIX, como las imágenes telescópicas o las radiografías.

El origen como tal de la visión artificial industrial se remonta a los años 60 y al origen de un prototipo automatizado basado en cámaras de visión y sistemas de procesamiento de las imágenes captadas. Con ello se buscaba la forma de tener acceso a cómo eran ciertas estructuras y al análisis de su contenido, a través del procesamiento de imágenes con ayuda de ordenadores y softwares.

La historia de la visión artificial marca su hito en la década de los 80 con el desarrollo de la ingeniería informática y la creación de procesadores más sofisticados y rápidos, dando lugar a microprocesadores capaces de captar, procesar y reproducir imágenes tomadas por una cámara a la que podían estar conectada de forma remota.

Introducción sobre Deep Learning – HALCON

Aplicaciones clave para la industria automotriz que utilizan Visión Artificial y Deep Learning

1. Deep Learning en reconocimiento facial

El reconocimiento facial es una solución biométrica que mide o identifica características únicas de un rostro humano. Convierte imágenes en píxeles para un mayor aprendizaje y procesamiento. En reconocimiento facial, la red está hecha para aprender de bases de datos existentes y nuevas de imágenes humanas. Como es lógico, cuanto mayor sea el número de imágenes para que el algoritmo aprenda, mejor será la precisión. En aplicaciones automotrices, el reconocimiento facial se utiliza para identificar a los conductores en una flota de automóviles, para personalizar la experiencia del conductor, etc.

2. Deep Learning en detección de objetos

La conducción autónoma es la palabra de moda en la industria del automóvil en esta década. Cuando hablamos de conducción autónoma o de sistemas avanzados de ayuda a la conducción (ADAS), la detección de objetos basada en visión artificial con Deep Learning facilita una plataforma para que el sistema comprenda varios objetos que un vehículo puede encontrar mientras está en la carretera, tales como peatones, animales o señales de tráfico. La detección de peatones es un problema histórico no solo para los ADAS sino también en robótica.

3. Deep Learning en sistemas de monitorización de conductores (DMS)

Las distracciones al volante son unos de los principales factores que incrementan el riesgo de sufrir accidentes de tráfico. Se estima que 1 de cada 5 accidentes en todo el mundo son causados por conductores distraídos o somnolientos. Para reducir este factor de riesgo, los sistemas DMS monitorizan diversas características y expresiones faciales para predecir el estado de alerta del conductor. Sin embargo, esta tarea no es nada fácil, ya que las características varían de un individuo a otro, y aquí es donde entran en juego los modelos de Deep Learning basados ​​en CNN.