Computer Vision

¿Que es Computer Vision?

Computer Vision es una rama de la inteligencia artificial que se centra en desarrollar sistemas informáticos capaces de analizar y comprender imágenes y videos. Los sistemas de Computer Vision utilizan técnicas de aprendizaje automático y procesamiento de imágenes para extraer información y conocimiento a partir de imágenes y videos.

Los sistemas de Computer Vision se utilizan en una gran variedad de aplicaciones, como la detección de objetos en imágenes, el reconocimiento de rostros, la vigilancia de seguridad y la robotización. Por ejemplo, los sistemas de Computer Vision pueden utilizarse para clasificar imágenes de alimentos en categorías como frutas, verduras o carnes, o para detectar accidentes en carreteras a partir de imágenes de cámaras de vigilancia. Algunas de las bibliotecas más populares para trabajar con computer vision en Python son OpenCV, Scikit-image y Pillow.

En resumen, Computer Vision es una rama de la inteligencia artificial que se centra en desarrollar sistemas capaces de comprender y extraer información de imágenes y videos. Los sistemas de Computer Vision se utilizan en una amplia gama de aplicaciones en diferentes campos.

¿En qué áreas del AEC podría aplicarse?

El Computer Vision es una tecnología que se puede aplicar en una amplia gama de campos, incluyendo el ámbito del AEC (Arquitectura, Ingeniería y Construcción).

Algunas de las posibles áreas en las que el Computer Vision puede ser utilizado en el AEC incluyen la automatización de procesos de diseño y construcción, la creación de modelos 3D de edificios y otras estructuras, la identificación y corrección de errores en planos y dibujos técnicos, la inspección y monitorización de edificios y obras de construcción, detección y seguimiento de personas y vehículos en obras de construcción, la identificación de materiales de construcción y su ubicación en una obra, la medición precisa de dimensiones y áreas en edificios y otras estructuras, la identificación de patrones y tendencias en la construcción y el uso de edificios, entre otros.

Cuál es la relevancia de Computer vision en la actualidad

La Computer Vision es una tecnología cada vez más relevante en la actualidad debido a su capacidad para procesar y comprender imágenes y videos de forma automática. Esto permite que se puedan desarrollar una gran variedad de aplicaciones que pueden mejorar la eficiencia y la precisión en una amplia gama de campos, incluyendo el AEC.

Además, el avance de la tecnología de aprendizaje profundo y otros avances en el campo del Machine Learning están permitiendo que se desarrollen modelos cada vez más precisos y eficientes de Computer Vision, lo que está ampliando aún más su campo de aplicación.

En resumen, la Computer Vision es una tecnología cada vez más relevante en la actualidad debido a su capacidad para mejorar la eficiencia y la precisión en una amplia gama de campos.

Qué relación tiene esto con el almacenamiento de imágenes y los blobs

El almacenamiento de imágenes y los blobs (binarios grandes) tienen una relación directa con el Computer Vision en tanto que éste suele requerir el almacenamiento y el procesamiento de grandes cantidades de imágenes y videos para poder entrenar y utilizar los modelos de Computer Vision.

Los blobs son una forma común de almacenar y manipular datos binarios de forma eficiente, lo que los hace ideales para el almacenamiento y el procesamiento de imágenes y videos en el contexto del Computer Vision.

Por lo tanto, el almacenamiento de imágenes y los blobs son una pieza fundamental en el desarrollo y la aplicación de la tecnología de Computer Vision.

Ejemplos casos prácticos:

// Identificar objetos en una imagen
import cv2

# Cargamos la imagen en una variable
imagen = cv2.imread('imagen.jpg')

# Convertimos la imagen a escala de grises
imagen_gris = cv2.cvtColor(imagen, cv2.COLOR_BGR2GRAY)

# Aplicamos el algoritmo de Canny para detectar bordes
bordes = cv2.Canny(imagen_gris, 100, 200)

# Detectamos los contornos en la imagen
contornos, _ = cv2.findContours(bordes, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# Dibujamos los contornos en la imagen original
cv2.drawContours(imagen, contornos, -1, (0, 255, 0), 3)

# Mostramos la imagen resultante
cv2.imshow('Imagen con contornos', imagen)
cv2.waitKey(0)

// Detectar y contar vehículos en una imagen o un vídeo
import cv2

# Cargamos la imagen o el vídeo
captura = cv2.VideoCapture('imagen_o_video.jpg')

# Creamos un clasificador de vehículos utilizando un modelo preentrenado
clasificador = cv2.CascadeClassifier('modelo_clasificador_vehiculos.xml')

# Contador de vehículos
contador = 0

# Repetimos el proceso para cada frame del vídeo
while True:
  # Leemos el frame actual
  _, frame = captura.read()

  # Convertimos el frame a escala de grises
  frame_gris = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

  # Detectamos los vehículos en el frame
  vehiculos = clasificador.detectMultiScale(frame_gris)

  # Dibujamos un rectángulo alrededor de cada vehículo detectado
  for (x, y, w, h) in vehiculos:
    cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)

    # Incrementamos el contador de vehículos
    contador += 1

  # Mostramos el frame actual con los vehículos detectados
  cv2.imshow('Deteccion de vehiculos', frame)

  # Si se presiona la tecla 'q', detenemos el bucle
  if cv2.waitKey(1) & 0xFF == ord('q'):
    break

# Mostramos el contador de vehículos
print('Se han detectado {} vehiculos'.format(contador))

# Liberamos la captura de video
captura.release()

# Cerramos todas las ventanas
cv2.destroyAllWindows()

En este ejemplo, primero cargamos una imagen o un vídeo en una variable utilizando la función VideoCapture de OpenCV. Luego, creamos un clasificador de vehículos utilizando un modelo preentrenado, y creamos un contador de vehículos.

En el bucle, leemos el frame actual del vídeo y lo convertimos a escala de grises. Luego, utilizamos el clasificador para detectar vehículos en el frame y dibujamos un rectángulo alrededor de cada uno. Finalmente, incrementamos el contador de vehículos y mostramos el frame en pantalla.