Visión Artificial. Grado en Ingeniería Electrónica de Comunicaciones Grado en Ingeniería en Tecnologías de la Telecomunicación. Universidad de Alcalá

Transcripción

1 Visión Artificial Grado en Ingeniería Electrónica de Comunicaciones Grado en Ingeniería en Tecnologías de la Telecomunicación Universidad de Alcalá Curso Académico 2014/2015 Curso 4º Cuatrimestre 1º (GIEC) Curso 4º Cuatrimestre 2º (GITT)

2 GUÍA DOCENTE Nombre de la asignatura: Código: Titulación en la que se imparte: Departamento y Área de Conocimiento: Carácter: Optativo Créditos ECTS: 6 Visión Artificial (GIEC), XXXXXX (GITT) Grado en Ingeniería Electrónica de Comunicaciones Electrónica / Tecnología Electrónica Curso y cuatrimestre: 4º curso / cuatrimestre 1º Profesorado: Consultar página Web: Horario de Tutoría: Consultar página Web: Idioma en el que se imparte: Español 1. PRESENTACIÓN La asignatura de Visión Artificial introduce al alumno los sistemas de visión artificial y las técnicas de procesado digital de imágenes. Los conceptos teóricos explicados se comprueban de forma práctica en el laboratorio. Se detallan y analizan diferentes alternativas de implementación de sistemas inteligentes de visión artificial. Los principales temas que se abordar son: fundamentos del procesamiento digital de imágenes, técnicas de procesamiento de imágenes en el dominio del espacio y de la frecuencia, segmentación de imágenes, técnicas de reconocimiento, introducción a la visión 3D y ejemplos de aplicación en sistemas inteligentes. Para el buen aprovechamiento de la asignatura es recomendable (aunque no necesario) tener nociones de convolución, filtrado, muestreo de señales, transformada de Fourier discreta, conversión analógico-digital y digital-analógica. 2. COMPETENCIAS Competencias profesionales: Esta asignatura contribuye a profundizar en la siguiente competencia de carácter profesional, definida en el Apartado 5 del Anexo de la Orden CIN/352/2009:

3 CSE1: Capacidad de construir, explotar y gestionar sistemas de captación, transporte, representación, procesado, almacenamiento, gestión y presentación de información multimedia, desde el punto de vista de los sistemas electrónicos. Competencias de carácter específico: Esta asignatura contribuye a adquirir las siguientes competencias específicas: CE1: Capacidad para evaluar las ventajas e inconvenientes de las diferentes alternativas de implementación de sistemas de visión artificial. CE2: Capacidad de describir, diseñar, validar y optimizar un sistema de visión artificial para el desarrollo de una determinada aplicación. CE3: Comprensión y dominio de técnicas especializadas en el procesamiento digital de imágenes. CE4: Capacidad para diseñar una aplicación de visión artificial mediante un lenguaje de programación estándar y librerías de funciones de procesamiento. 3. CONTENIDOS Bloques de contenido Total de clases, créditos u horas Presentación Fundamentos de la visión artificial. Aspectos generales sobre visión por computador. Sistemas de iluminación. Óptica. Cámaras. Adquisición y geometría de formación de imágenes. Radiometría. Fotometría. Digitalización. Introducción al color. Técnicas básicas de procesamiento de imágenes. Transformadas espaciales y frecuenciales. Tipos de filtros. Transformaciones geométricas en imágenes. Histograma. Mejora de imágenes. Operadores morfológicos 1 horas 5h (4h T + 1h L) 10h (4h T + 6h L)

4 Técnicas de segmentación. Concepto de segmentación. Fundamentos de técnicas de segmentación. Segmentación basada en regiones. Segmentación basada en bordes. Segmentación basada en el histograma. Segmentación basada en métodos probabilísticos. Evaluación (TCB 1) 13h (6h T + 7h L) 1h Representación y descripción de imágenes. Código de cadena. Firmas o signaturas. Descriptores básicos. Descriptores de Fourier. Descriptores topológicos. Momentos. Momentos invariantes. Técnicas de reconocimiento. Introducción a las técnicas de reconocimiento de objetos. Clasificación supervisada. Clasificación no supervisada. Geometría de la cámara. Modelo geométrico de la cámara (pin-hole). Coordenadas homogéneas. Transformación Euclídea 3D. Transformación euclídea en coordenadas homogéneas. Transformación proyectiva. Proyección perspectiva, afín y similaridad. Parámetros intrínsecos y extrínsecos de una cámara. Práctica final Evaluación (Presentación práctica final + TCB 2) 6h (2h T + 4h L) 12h (6h T + 6h L) 2h (T) 8h (L) 2 horas 4. METODOLOGÍAS DE ENSEÑANZA-APRENDIZAJE. ACTIVIDADES FORMATIVAS 4.1. Distribución de créditos (especificar en horas) Número de horas presenciales: Número de horas del trabajo propio del estudiante: Total horas 60 horas (57 horas de clase presencial + 3 horas de evaluación). 90 horas. 150 horas.

5 4.2. Estrategias metodológicas, materiales y recursos didácticos En el proceso de enseñanza-aprendizaje se realizarán las siguientes actividades formativas: Clases teóricas y resolución de ejemplos. Clases prácticas: laboratorio y resolución de ejercicios y problemas. Tutorías: individuales y/o grupales. Además se podrán utilizar, entre otros, los siguientes recursos complementarios: Trabajos individuales o en grupo: conllevando además de su realización, la correspondiente exposición pública ante el resto de compañeros para propiciar el debate. Asistencia a conferencias, reuniones o discusiones científicas relacionadas con la materia. A lo largo del curso al alumno se le irán proponiendo actividades y tareas tanto teóricas como prácticas. Se realizarán distintas prácticas coordinadamente con la impartición de los conceptos teóricos, de manera que el alumno pueda experimentar tanto individualmente como en grupo, consolidando así los conceptos adquiridos. Para la realización de las prácticas, el alumno dispondrá en el laboratorio de un puesto con un ordenador con el hardware y software adecuado para el tratamiento digital de imágenes. Durante todo el proceso de aprendizaje de la asignatura, el alumno deberá hacer uso de distintas fuentes y recursos bibliográficos o electrónicos, de manera que se familiarice con los entornos de documentación que utilizará profesionalmente.

6 5. EVALUACIÓN: Procedimientos, criterios de evaluación y de calificación 5.1. CRITERIOS DE EVALUACIÓN El objetivo del proceso de evaluación es analizar qué competencias ha adquirido el alumno y en qué grado. Se plantean las pruebas y procedimientos detallados más adelante con el fin de extraer y valorar los criterios de evaluación que se exponen a continuación: Que el alumno comprenda los algoritmos básicos y avanzados de procesamiento digital de imágenes. Que el alumno sea capaz de resolver correctamente problemas relacionados con la visión artificial. Que el alumno integre los conocimientos conceptuales explicados en los distintos temas de teoría para poder resolver de manera creativa y original los problemas que se le planteen. Que el alumno implemente en la práctica algoritmos de tratamiento digital de imágenes que den solución a los problemas planteados integrando los conocimientos adquiridos sobre el funcionamiento de los sistemas de visión artificial, haciendo uso de los recursos bibliográficos y herramientas informáticas a su alcance. Que el alumno sea capaz de generar documentación correctamente redactada, clara y precisa sobre el trabajo realizado en el laboratorio. Que el alumno exponga y defienda de manera clara y razonada sus propuestas para la resolución de los problemas planteados. 5.2 PROCEDIMIENTOS Y CRITERIOS DE CALIFICACIÓN El proceso de evaluación está fundamentado en la evaluación continua del estudiante. No obstante, los alumnos tendrán un plazo de quince días para solicitar por escrito al Director de la Escuela Politécnica Superior su intención de acogerse al modelo de evaluación final aduciendo las razones que estimen convenientes. La evaluación del proceso de aprendizaje de todos los alumnos que no cursen solicitud al respecto o vean denegada la misma se realizará, por defecto, de acuerdo al modelo de evaluación continua. Antes de detallar los instrumentos de evaluación se incluye a continuación una tabla en la que se describe la relación entre dichos instrumentos y los criterios de evaluación señalados anteriormente así como el porcentaje de la calificación asignado a cada parte.

7 Instrumentos de evaluación Tests de conocimiento s Prácticas de laboratorio y práctica final Criterio de evaluación Que el alumno comprenda los algoritmos básicos y avanzados de procesamiento digital de imágenes. Que el alumno sea capaz de resolver correctamente problemas relacionados con la visión artificial. Que el alumno integre los conocimientos conceptuales explicados en los distintos temas de teoría para poder resolver de manera creativa y original los problemas que se le planteen. Que el alumno implemente en la práctica algoritmos de tratamiento digital de imágenes que den solución a los problemas planteados integrando los conocimientos adquiridos sobre el funcionamiento de los sistemas de visión artificial, haciendo uso de los recursos bibliográficos y herramientas informáticas a su alcance. Que el alumno sea capaz de generar documentación correctamente redactada, clara y precisa sobre el trabajo realizado en el laboratorio. Que el alumno exponga y defienda de manera clara y razonada sus propuestas para la resolución de los problemas planteados. Para cada modelo de evaluación descrita anteriormente se llevarán a cabo los siguientes procedimientos y se tendrán en cuenta los criterios de calificación que se exponen a continuación. Convocatoria ordinaria: 1) Evaluación continua: a) Dos tests de conocimientos básicos (TCB) a lo largo del curso, que consistirán en una serie preguntas de respuesta múltiple que abordarán los aspectos más básicos de los temas impartidos. (30% de la nota final del alumno). El alumno que no haya demostrado la adquisición de los conocimientos básicos en estos dos TCBs, se le ofrecerá la opción de poder recuperarlos mediante una prueba teórico-práctica, realizada en la misma sesión que la prueba de evaluación final. b) Prácticas de laboratorio, de asistencia obligatoria. Las prácticas cubrirán los conocimientos adquiridos en la parte teórica de la asignatura y consistirán en pequeñas prácticas guiadas. (30% de la nota final del alumno). c) Una práctica final que resuelva una aplicación global de visión artificial, aplicando e interrelacionando muchos de los conocimientos adquiridos de forma conjunta y coordinada en la resolución del problema (40% de la nota final del alumno, desglosado en: 15% la calidad técnica del trabajo, 15% la memoria del trabajo y 10% la presentación del mismo).

8 Para considerar superada la evaluación continua, (demostrando la adquisición de las competencias) los alumnos deberán cumplir las siguientes condiciones: Que el alumno haya demostrado comprensión de los algoritmos básicos y avanzados de procesamiento digital de imágenes obteniendo más de un 4 sobre 10, como media en los tests de conocimientos básicos (TCB) o en su recuperación. Que el alumno haya demostrado que es capaz de dar solución a los problemas planteados integrando los conocimientos adquiridos sobre el funcionamiento de los sistemas de visión artificial, haciendo uso de los recursos bibliográficos y herramientas informáticas a su alcance, que sea capaz de generar documentación correcta sobre ello, y exponerlo de forma clara y razonada. Se entiende que el alumno ha superado estas competencias si obtiene más de un 4 sobre 10 en la parte práctica del laboratorio (prácticas de laboratorio más práctica final). Obtener una calificación global ponderada igual o superior a 5 (sobre 10) entre todos los apartados enumerados en la evaluación continua (apartados (a) a (c)). El alumno que no solicite la evaluación final y no participe en el proceso de evaluación continua, se calificará como No Presentado en la convocatoria ordinaria. Se considerará que un alumno participa en el proceso de evaluación continua en el momento que realiza alguno de los tests de conocimientos básicos (TCB). 2) Evaluación final Los alumnos que opten y se les conceda la evaluación final deberán superar una prueba final con los siguientes contenidos: a) Una prueba teórico-práctica, que abarcará de manera amplia los contenidos de todos los temas de las clases de teoría y ejercicios. (50%). b) Prueba práctica de laboratorio, que cubrirá los objetivos programados en la parte correspondiente de la asignatura (50%). Para considerar superada la evaluación final el alumno tendrá que obtener una calificación global ponderada igual o superior a 5 (sobre 10) entre las pruebas (a) y (b). Convocatoria extraordinaria: 1) Evaluación continua: Los alumnos que, habiendo participado en el proceso de evaluación continua no obtengan una nota final superior a 5 sobre 10 en la convocatoria ordinaria se podrán presentar a la convocatoria extraordinaria de julio. Esta convocatoria constará de tres partes, cada una de las cuales podrá ser convalidada si el alumno ya tiene superada la parte correspondiente en la convocatoria ordinaria: 1) Un examen que abarcará todos los conocimientos teóricos cubiertos en la asignatura y podrá ser convalidado si el alumno ha superado los dos TCB s en convocatoria ordinaria (apartado (a)). (30% de la nota final).

9 2) Un examen que abarcará todos los conocimientos cubiertos en el laboratorio y podrá ser convalidado si el alumno ha superado las prácticas del laboratorio (apartado (b)). (30% de la nota final). 3) Entrega de una práctica final, con las mismas características que la del apartado (c) de la convocatoria ordinaria. (40% de la nota final). 2) Evaluación final: El procedimiento y el criterio de calificación para este tipo de evaluación serán idénticos en ambas convocatorias. 6. BIBLIOGRAFÍA Bibliografía Básica Documentación preparada explícitamente para esta asignatura por el profesorado de la misma, y que será proporcionada a los alumnos de manera directa, o con su publicación en la web de la asignatura. David A. Forsyth and Jean Ponce. Computer vision: A Modern Approach. Prentice Hall. Pearson Education International. MATLAB Image Processing Toolbox. ( Bibliografía Complementaria Libros: Rafael C. Gonzalez and Richard E. Woods. Digital Image Processing. Prentice Hall. William K. Pratt. Digital Image Processing. Wiley Interscience. Richard Hartley and Andrew Zisserman. Multiple View Geometry in Computer Vision. Cambridge University Press Linda G. Shapiro, George C. Stockman. Computer Vision. Prentice Hall. Oliver Faugeras and Quang-Tuan Loung. The geometry of multiple Images. The MIT press. Kenneth R. Castleman. Digital Image Processing. Prentice Hall. Dona H. Ballard and Christopher M. Brown. Computer Vision. Prentice Hall Oliver Faugeras. Three- Dimensional Computer Vision. A geometric View point. The MIT press. Andrew Balke and Alan Yuille. Active Vision, The MIT Press. Robert M. Haralick and Shapiro. Computer and Robot Visison (vol I y II). Páginas web: The computer vision home page (

10 IEEE Xplore (