Descubre cómo aplicamos deep learning a la mejora de imágenes submarinas para obtener resultados nítidos y fieles a la realidad.
Resumen
Este proyecto investiga la mejora de imágenes submarinas mediante técnicas de deep learning aplicadas a vehículos autónomos. La robótica móvil submarina ha facilitado —y en ocasiones hecho posible por primera vez— el análisis y reconocimiento de espacios subacuáticos. Los avances tecnológicos de los últimos años han abierto el acceso a mayor capacidad de computación, lo que ha mejorado significativamente los vehículos autónomos submarinos (Autonomous Underwater Vehicles, AUV). Gracias a ellos se obtiene una enorme cantidad de imágenes con las que trabajar.
Sin embargo, las condiciones de captura en entornos submarinos rara vez son óptimas. El uso de fuentes lumínicas artificiales provoca problemas como el exceso de iluminación, la saturación o la atenuación con la distancia. A esto se suma la pérdida de color en función de la frecuencia, lo que degrada considerablemente la calidad de las imágenes obtenidas.
Esta investigación analiza, diseña, implementa y evalúa técnicas de optimización automática de imágenes submarinas. Para ello se estudian diversas arquitecturas de deep learning: con la configuración y el entrenamiento adecuados, los modelos resultantes generan una mejora considerable sobre las imágenes originales distorsionadas.
El objetivo final es diseñar un modelo de deep learning capaz de abordar la mejora de imágenes submarinas distorsionadas y producir resultados uniformes, nítidos y fieles a la realidad. Trabajos de referencia en este campo, como los recogidos en el IEEE Xplore Digital Library, documentan los avances más recientes en visión submarina mediante redes neuronales.
Tecnologías para la mejora de imágenes submarinas
La aplicación está desarrollada en un Jupyter Notebook con Python como lenguaje base. A continuación se detallan los principales frameworks empleados en cada área:
- Deep learning: TensorFlow, Keras y Scikit-learn
- Tratamiento de imágenes: OpenCV y Scikit-image
- Representación gráfica: Matplotlib y Seaborn
- Lógica y manipulación de datos: NumPy y Pandas
Recursos relacionados
Si te interesa profundizar en proyectos similares, puedes consultar nuestra entrada sobre API para entrenamiento de redes neuronales mediante algoritmos genéticos o explorar el resto de publicaciones técnicas disponibles en el sitio.
Para cualquier consulta sobre este trabajo, no dudes en ponerte en contacto. Puedes consultar también la metodología general de nuestros proyectos en la sección de experiencia.
Palabras clave: mejora de imágenes submarinas, redes neuronales convolucionales, aprendizaje profundo, vehículos autónomos submarinos, aprendizaje automático.
