Contexto:

Los sistemas de medición basados en visión (VBM) están ganando popularidad como una alternativa asequible y apta para aplicaciones científicas y de ingeniería. Cuando se utilizan cámaras como instrumentos, el desenfoque de movimiento suele surgir como una degradación de imagen recurrente e indeseable, que de hecho contiene información cinemática que normalmente se descarta.

Método:

Este artículo introduce un enfoque alternativo para medir la aceleración relativa a partir de una imagen borrosa real de movimiento lineal uniformemente acelerado invariante. Esto se hace utilizando mapeo homomórfico para extraer la point spread function (PSF) característica de la imagen borrosa, así como regresión de aprendizaje automático. Se tomaron un total de 125 imágenes borrosas de movimiento uniformemente acelerado en un entorno de luz y distancia controladas, en cinco aceleraciones diferentes en un rango de 0,64 a 2,4 m/s2. Este estudio evaluó 19 variantes tales como ensambles de árboles, procesos Gaussianos (GPR) y regresión lineal, regresión con máquina de vectores de soporte (SVM) y regresión con árboles.

Resultados:

El mejor resultado de RMSE corresponde a GPR (Matern 5/2), con 0,2547 m/s2 y una velocidad de predicción de 530 observaciones por segundo (obs/s). Además, se utilizaron algunos métodos novedosos de aprendizaje profundo para obtener el mejor valor de RMSE (0,4639 m/s2 para Inception ResNet v2, con una velocidad de predicción de 11 obs/s.

Conclusiones:

El método propuesto (mapeo homomórfico y aprendizaje automático) es una alternativa válida para calcular la aceleración a partir del desenfoque de movimiento invariante en aplicaciones en tiempo real cuando el ruido aditivo no es dominante, incluso superando las técnicas de aprendizaje profundo evaluadas.

        · resumo em Inglês     · texto em Inglês     · Inglês ( pdf )