IT202100004982A1 - Marker per reti neurali artificiali, relativo metodo implementato mediante computer di riconoscimento e interpretazione e relativo sistema - Google Patents

Marker per reti neurali artificiali, relativo metodo implementato mediante computer di riconoscimento e interpretazione e relativo sistema Download PDF

Info

Publication number
IT202100004982A1
IT202100004982A1 IT102021000004982A IT202100004982A IT202100004982A1 IT 202100004982 A1 IT202100004982 A1 IT 202100004982A1 IT 102021000004982 A IT102021000004982 A IT 102021000004982A IT 202100004982 A IT202100004982 A IT 202100004982A IT 202100004982 A1 IT202100004982 A1 IT 202100004982A1
Authority
IT
Italy
Prior art keywords
marker
angular portion
key point
internal area
elements
Prior art date
Application number
IT102021000004982A
Other languages
English (en)
Inventor
Fabio Lanzi
Matteo Fabbri
Riccardo Gasparini
Rita Cucchiara
Simone Calderara
Massimo Garuti
Lorenzo Baraldi
Original Assignee
Goatai S R L
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Goatai S R L filed Critical Goatai S R L
Priority to IT102021000004982A priority Critical patent/IT202100004982A1/it
Priority to PCT/IB2022/051625 priority patent/WO2022185156A1/en
Publication of IT202100004982A1 publication Critical patent/IT202100004982A1/it

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G06K19/06009—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking
    • G06K19/06037—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking multi-dimensional coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G06K19/06009—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking
    • G06K19/06046—Constructional details
    • G06K19/0614—Constructional details the marking being selective to wavelength, e.g. color barcode or barcodes only visible under UV or IR
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G06K7/1417—2D bar codes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
    • G06K7/1443—Methods for optical code recognition including a method step for retrieval of the optical code locating of the code in an image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
    • G06K7/1456—Methods for optical code recognition including a method step for retrieval of the optical code determining the orientation of the optical code with respect to the reader and correcting therefore

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Description

Descrizione di Brevetto per Invenzione Industriale avente per titolo: ?MARKER PER RETI NEURALI ARTIFICIALI, RELATIVO METODO IMPLEMENTATO MEDIANTE COMPUTER DI RICONOSCIMENTO E INTERPRETAZIONE E RELATIVO SISTEMA?.
DESCRIZIONE
La presente invenzione si riferisce ad un marker per reti neurali artificiali, ad un relativo metodo implementato mediante computer di riconoscimento e interpretazione e ad un relativo sistema.
Nel settore dell?elettronica ? noto l?uso di marker, detti anche marker fiduciali, che sono espressi come immagini e vengono riconosciuti da sistemi elettronici per fornire informazioni come, ad esempio, nel caso della realt? aumentata, una transizione dallo spazio 2D allo spazio 3D.
Il riconoscimento basato su marker si fonda sul rilevamento, all?interno di un?immagine acquisita, di alcuni pattern caratteristici individuabili in funzione del forte contrasto dei bordi (solitamente quadrati o rotondi di colore nero con sfondo bianco) rispetto al resto dell?immagine. In base alla rappresentazione dei bordi e della figura all?interno dei bordi si possono classificare i marker in differenti sottogruppi. Solitamente il riconoscimento dei bordi all?interno dell?immagine viene ottenuto distinguendo le zone dell?immagine stessa in cui i gradienti dei pixel passano, drasticamente, da un valore ad un altro. La discriminazione tra un marker ed un altro viene effettuata in base ad una codifica del valore racchiuso tra i bordi individuati. Tra le varie tipologie di marker fiduciali sono noti, ad esempio, i marker ArUco che sono del tipo di marker binari quadrati.
Le principali problematiche che si rilevano nell?utilizzo dei marker sono dovute al fatto che l?individuazione e la lettura del marker stesso dipendono inequivocabilmente dalla qualit? dell?immagine acquisita.
Inoltre, il marker pu? risultare distorto dalla prospettiva dell?immagine e, quindi, difficilmente riconoscibile e/o decodificabile.
Ne consegue che gli algoritmi deputati al loro riconoscimento devono essere programmati ad hoc per poter consentire una rapida ed efficace decodificazione.
Tale problematica ? ancora pi? sentita nel campo delle reti neurali artificiali. Una rete neurale artificiale ? un modello computazionale composto di "neuroni" artificiali, ispirato vagamente dalla semplificazione di una rete neurale biologica e viene utilizzata per risolvere problemi ingegneristici di Intelligenza Artificiale legati a diversi ambiti tecnologici come l?informatica, l?elettronica o altre discipline.
Le reti neurali fanno s? che i computer siano in grado di risolvere i problemi in modo indipendente e che migliorino le loro capacit?.
Per conseguire tale risultato, la rete neurale viene ?addestrata? cos? da poter fornire risultati il pi? affidabili possibile. Una rete neurale deve, quindi, essere in grado di elaborare in modo autonomo le informazioni relative al posizionamento e alla distorsione del marker.
Le difficolt? che si riscontrano nell?individuazione del marker nelle immagini rendono i marker stessi suscettibili di miglioramenti.
Il compito principale della presente invenzione ? quello di escogitare un marker per reti neurali artificiali che sia univocamente riconoscibile all?interno di un?immagine da parte di una rete neurale artificiale.
Un altro scopo del presente trovato ? quello di escogitare un marker per reti neurali artificiali, un relativo metodo implementato mediante computer di riconoscimento e interpretazione e un relativo sistema che consentano una rapida ed efficace decodificazione del marker da parte di una rete neurale artificiale a prescindere dal suo posizionamento all?interno di un?immagine. Altro scopo del presente trovato ? quello di escogitare un marker per reti neurali artificiali, un relativo metodo implementato mediante computer di riconoscimento e interpretazione e un relativo sistema che consentano di superare i menzionati inconvenienti della tecnica nota nell?ambito di una soluzione semplice, razionale, di facile ed efficace impiego e dal costo contenuto.
Gli scopi sopra esposti sono raggiunti dal presente un marker per reti neurali artificiali avente le caratteristiche di rivendicazione 1.
Altre caratteristiche e vantaggi della presente invenzione risulteranno maggiormente evidenti dalla descrizione di una forma di esecuzione preferita, ma non esclusiva, di un marker per reti neurali artificiali, un relativo metodo implementato mediante computer di riconoscimento e interpretazione e un relativo sistema, illustrata a titolo indicativo, ma non limitativo, nelle unite tavole di disegni in cui:
le figure 1 e 2 sono rappresentazioni schematiche di un marker secondo il trovato;
la figura 3 ? una rappresentazione schematica che illustra i passi del metodo secondo il trovato.
Con particolare riferimento a tali figure, si ? indicato globalmente con 1 un marker per reti neurali artificiali.
Nell?ambito della presente trattazione, con l?espressione ?rete neurale artificiale? si intende un modello computazionale composto di "neuroni" artificiali, ispirato vagamente dalla semplificazione di una rete neurale biologica.
Il marker 1 comprende una pluralit? di elementi 2 definenti una struttura matriciale e provvisto di almeno un?area interna 3 i cui elementi 2 definiscono un codice a matrice.
In particolare, l?area interna 3 comprende una pluralit? di elementi 2 di colore bianco o nero.
A ciascuno di tali elementi 2 pu? essere associato un valore pari a 0 o a 1, in funzione del relativo colore. In altre parole, l?area interna 3 codifica un codice binario 4 per la rappresentazione di una predefinita informazione. L?area interna 3 ? decodificabile da parte di un sistema computerizzato in grado di convertire il codice binario 4 nella suddetta informazione.
Secondo il trovato, il marker 1 comprende almeno un bordo esterno 6 all?area interna 3 comprendente quattro porzioni angolari 7, 8, 9, 10 di colori differenti.
La presenza di un bordo esterno 6 con porzioni angolari 7, 8, 9, 10 di colori differenti permette al marker 1 di risultare facilmente riconoscibile anche da parte di una rete neurale artificiale.
Una rete neurale artificiale, infatti, ? in grado di elaborare autonomamente le informazioni e fornire un risultato univoco. Per conseguire tale risultato, la rete neurale deve essere ?addestrata? cos? da poter fornire risultati il pi? affidabili possibile.
Le porzioni angolari 7, 8, 9, 10 di colori differenti che circondano l?area interna 3 identificano univocamente il marker 1 e ne rendono l?identificazione estremamente rapida e inequivocabile.
Il bordo esterno 6 ? anch?esso definito da una pluralit? di elementi 2 disposti esternamente all?area interna 3.
Il bordo esterno 6 presenta uno spessore pari a uno degli elementi 2. In altre parole, gli elementi 2 di cui ? composto il bordo esterno 6 sono disposti affiancati tra loro su un unico livello.
Non si esclude, tuttavia, che il bordo esterno 6 presenti uno spessore differente.
Nella forma di attuazione mostrata nelle figure, le porzioni angolari 7, 8, 9, 10 sono definite ciascuna da tre elementi 2, disposti ad ?L? e che costituiscono gli angoli esterni del marker 1.
Non si esclude, tuttavia, che le porzioni angolari 7, 8, 9, 10 siano composte da un numero differente di elementi 2.
Utilmente, le porzioni angolari 7, 8, 9, 10 comprendono:
- una prima porzione angolare 7 i cui elementi 2 sono di colore verde; - una seconda porzione angolare 8 i cui elementi 2 sono di colore blu; - una terza porzione angolare 9 i cui elementi 2 sono di colore bianco; - una quarta porzione angolare 10 i cui elementi 2 sono di colore rosso. Pi? in dettaglio, i colori sono definiti secondo il modello RGB (Red Green Blue) in cui il colore verde ? rappresentato dal codice (0, 255, 0), il colore blu ? rappresentato dal codice (0, 0, 255), il colore bianco ? rappresentato dal codice (255, 255, 255) e il colore rosso ? rappresentato dal codice (255, 0, 0).
Il bordo esterno 6 comprende anche una pluralit? di porzioni laterali 11 i cui elementi 2 sono di colore bianco (RGB=(255, 255, 255)).
Ciascuna porzione laterale 11 ? delimitata tra due porzioni angolari 7, 8, 9, 10.
In una predefinita posizione di lettura, l?area interna 3 rappresenta una precisa successione di elementi 2 che codificano un particolare codice. Qualora il marker 1 fosse posizionato ruotato rispetto alla posizione di lettura e l?area interna 3 venisse decodificata secondo tale posizione ruotata, fornirebbe inevitabilmente un codice errato e, di conseguenza, un?informazione errata.
La disposizione delle porzioni angolari 7, 8, 9, 10 permette di determinare l?orientamento del marker 1 e di decodificare correttamente l?area interna 3. Nella posizione di lettura:
- la prima porzione angolare 7 ? disposta in alto a sinistra;
- la seconda porzione angolare 8 ? disposta in alto a destra;
- la terza porzione angolare 9 ? disposta in basso a destra; e
- la quarta porzione angolare 10 ? disposta in basso a sinistra.
Il marker 1 comprende, inoltre, almeno un bordo interno 12, interposto tra l?area interna 3 e il bordo esterno 6, i cui elementi 2 sono di colore nero (RGB=(0, 0, 0)).
Il bordo interno 12 consente un efficace riconoscimento delle porzioni angolari 7, 8, 9, 10 grazie al contrasto cromatico tra i vari colori di queste ultime e il colore nero del bordo interno stesso.
Il bordo interno 12 presenta a sua volta uno spessore pari a uno degli elementi 2. Analogamente al bordo esterno 6, gli elementi 2 di cui ? composto il bordo interno 12 sono disposti affiancati tra loro su un unico livello.
Non si esclude, tuttavia, che il bordo interno 12 abbia uno spessore differente.
Conseguentemente, se l?area interna 3 ? del tipo di una matrice S ? S, il marker 1 ha una struttura matriciale (S+4) ? (S+4).
Secondo un ulteriore aspetto, il presente trovato si riferisce anche ad un metodo implementato mediante computer di riconoscimento e interpretazione di un marker per reti neurali artificiali come sopra descritto. Il presente metodo viene, dunque, eseguito mediante un sistema computerizzato di riconoscimento e interpretazione.
Il metodo secondo il trovato comprende almeno un passo di acquisizione di un?immagine 13 contenente almeno un marker 1.
Piu in dettaglio, l?immagine 13 pu? contenere una pluralit? di marker 1. L?acquisizione dell?immagine 13 viene eseguita mediante un?unit? di acquisizione di immagini 14.
L?unit? di acquisizione di immagini 14 pu? comprendere almeno una tra una fotocamera e una videocamera.
L?unit? di acquisizione di immagini 14 pu? essere di tipo fisso, ossia disposta stabilmente in una predefinita area, oppure di tipo mobile, come ad esempio una fotocamera/videocamera di uno smartphone, tablet, o simili.
In seguito, il metodo comprende un passo di rilevamento del marker 1 all?interno dell?immagine 13 mediante una prima rete neurale 15.
La prima rete neurale 15 ? configurata per riconoscere il marker 1 all?interno dell?immagine 13.
In particolare, l?immagine 13 viene analizzata al fine di trovare sotto-aree del piano immagine in cui si stima la possibile presenza di marker.
Pi? in dettaglio, la prima rete neurale 15 ? configurata per riconoscere almeno uno tra: forma, colore, pattern.
Il metodo prevede poi un passo di determinazione dell?orientamento del marker 1 mediante una seconda rete neurale 16.
Pi? in dettaglio, il passo di determinazione viene eseguito in modo da stabilire la disposizione il marker 1 nell?immagine 13, ossia determinare se ? ruotato rispetto alla posizione di lettura.
Utilmente, precedentemente al passo di determinazione, il metodo comprende almeno un passo di taglio del marker 1 rispetto ad uno sfondo dell?immagine 13 e almeno un passo di ridimensionamento del marker 1 ritagliato.
Il passo di taglio viene eseguito in modo da isolare il marker 1 da elementi dell?immagine 13 che risultano estranei al marker stesso.
Il passo di ridimensionamento viene eseguito in modo da conferire a tutti i marker 1 ritagliati una medesima dimensione predefinita.
Il passo di taglio e il passo di ridimensionamento vengono eseguiti mediante un?unit? di taglio e ridimensionamento 17.
Una volta ottimizzata la visualizzazione del marker 1, viene eseguito il passo di determinazione.
Vantaggiosamente, il passo di determinazione comprende almeno un passo di individuazione di almeno un punto chiave 18, 19, 20, 21 nel marker 1 ritagliato.
Pi? in dettaglio, il passo di determinazione comprende un passo di individuazione di una pluralit? di punti chiave 18, 19, 20, 21.
I punti chiave 18, 19, 20, 21 comprendono:
- un primo punto chiave 18 che corrisponde alla prima porzione angolare 7;
- un secondo punto chiave 19 che corrisponde alla seconda porzione angolare 8;
- un terzo punto chiave 20 che corrisponde alla terza porzione angolare 9;
e
- un quarto punto chiave 21 che corrisponde alla quarta porzione angolare 10.
Nello specifico, ciascun punto chiave 18, 19, 20, 21 corrisponde ad un punto del marker 1 in cui la relativa porzione angolare 7, 8, 9, 10 incontra il bordo interno 12.
La seconda rete neurale 16 ? configurata per determinare le coordinate dei punti chiave 18, 19, 20, 21 secondo un sistema cartesiano. In altre parole, la seconda rete neurale 16 attribuisce delle coordinate (x,y) a ciascun punto chiave 18, 19, 20, 21 cos? da stabilirne la posizione relativa e determinare l?eventuale rotazione del marker 1 rispetto alla posizione di lettura.
Infine, il metodo prevede un passo di decodificazione del marker 1 mediante una terza rete neurale 22.
La terza rete neurale 22 ? configurata per convertire l?area interna 3 in un codice binario 4.
Utilmente, precedentemente al passo di decodificazione, il metodo comprende un passo di rotazione del marker 1 ritagliato in modo che:
- il primo punto chiave 18 sia posizionato in alto a sinistra;
- il secondo punto chiave 19 sia posizionato in alto a destra;
- il terzo punto chiave 20 sia posizionato in basso a destra;
- il quarto punto chiave 21 sia posizionato in basso a sinistra.
In sostanza, il passo di rotazione permette di disporre il marker 1 nella posizione di lettura.
Il metodo comprende anche un passo di rettifica del marker 1 ritagliato, mediante trasformazione omografica.
Il passo di rettifica viene eseguito in modo da correggere eventuali distorsioni del marker 1 ritagliato, causati dalla prospettiva dell?immagine 13, e di ritagliarlo nuovamente per eliminare le parti non rilevanti per il successivo passo di decodificazione.
Il passo di rotazione e il passo di rettifica vengono eseguiti mediante un?unit? di rotazione e rettifica 23.
Il passo di decodificazione comprende almeno un passo di associazione di ciascun elemento 2 di colore bianco dell?area interna 3 ad un valore binario pari a 1 e di ciascun elemento 2 di colore nero dell?area interna 3 ad un valore binario pari a 0, a generare un codice binario 4.
Precedentemente al passo di rilevamento del marker 1, il metodo comprende un passo di allenamento di almeno una tra la prima rete neurale 15, la seconda rete neurale 16 e la terza rete neurale 22.
Il passo di allenamento comprende:
- un primo passo di allenamento mediante un dataset artificiale; e
- un secondo passo di allenamento mediante il dataset artificiale unito ad un dataset reale.
Pi? in dettaglio, il passo di allenamento viene eseguito per tutte e tre le reti neurali 15, 16, 22.
Il dataset artificiale viene creato in modo automatico a partire da immagini 13 randomiche sulle quali viene sovraimposto un numero casuale di marker 1 con posizioni, angolazioni, prospettiva, illuminazione, saturazione, trasparenza, ecc. casuali, mediante un software di creazione di immagini. Tali immagini 13 vengono annotate in modo completamente automatico, essendo note al software di creazione di immagini le posizioni dei marker 1 sul piano immagini e le coordinate dei relativi punti chiave 18, 19, 20, 21. Le reti neurali 15, 16, 22 vengono, dunque, allenate su questo dataset artificiale ad ottenere una prima versione funzionante del sistema di riconoscimento e interpretazione.
Il dataset reale viene creato da immagini 13 reali dove dei veri marker 1 sono stati stampati, ritagliati e posti in modo realistico nella scena.
In seguito, si ha una annotazione semi-automatica del dataset reale, eseguita mediante la prima versione del sistema.
L?annotazione semi-automatica prevede che data un?immagine 13 reale la posizione di tali marker 1 e, in particolare la posizione dei relativi punti chiave 18, 19, 20, 21, viene dapprima stimata dalla prima versione del sistema e successivamente corretta (se necessario) manualmente da un annotatore umano.
Infine, il secondo passo di allenamento viene effettuato mediante la prima versione del sistema su un dataset finale ottenuto dall?unione del dataset artificiale e del dataset reale, ad ottenere una versione finale del sistema di riconoscimento e interpretazione.
Secondo un terzo aspetto, il presente trovato si riferisce anche ad un sistema di riconoscimento e interpretazione di marker per reti neurali artificiali. Il sistema comprende:
- almeno un?unit? di acquisizione di immagini 14 configurata per acquisire almeno un?immagine 13 contenente almeno un marker 1 come sopra descritto; e
- almeno un?unit? di elaborazione e controllo 15, 16, 17, 22, 23 configurata per eseguire il metodo come sopra descritto.
Nello specifico, l?unit? di acquisizione di immagini 14 pu? comprendere almeno una tra una fotocamera e una videocamera.
L?unit? di acquisizione di immagini 14 pu? essere di tipo fisso, ossia disposta stabilmente in una predefinita area, oppure di tipo mobile, come ad esempio una fotocamera/videocamera di uno smartphone, tablet, o simili.
L?unit? di elaborazione e controllo 15, 16, 17, 22, 23 comprende:
- almeno una prima rete neurale 15 configurata per eseguire il passo di rilevamento;
- almeno un?unit? di taglio e ridimensionamento 17 configurata per eseguire il passo di taglio e il passo di ridimensionamento;
- almeno una seconda rete neurale 16 configurata per eseguire il passo di determinazione;
- almeno un?unit? di rotazione e rettifica 23 configurata per eseguire il passo di rotazione e il passo di rettifica; e
- almeno una terza rete neurale 22 configurata per eseguire il passo di decodificazione.
Si ? in pratica constatato come l?invenzione descritta raggiunga gli scopi proposti e in particolare si sottolinea il fatto che il presente marker, grazie alla presenza di un bordo esterno provvisto di porzioni angolari di colori differenti e di un bordo interno in colore nero, risulta univocamente riconoscibile all?interno di un?immagine da parte di una rete neurale artificiale.
Inoltre, il marker, il metodo e il sistema secondo il trovato consentono una rapida ed efficace decodificazione del marker da parte di una rete neurale artificiale a prescindere dal suo posizionamento all?interno di un?immagine.

Claims (10)

RIVENDICAZIONI
1) Marker (1) per reti neurali artificiali, comprendente una pluralit? di elementi (2) definenti una struttura matriciale e provvisto di almeno un?area interna (3) i cui elementi (2) definiscono un codice a matrice, caratterizzato dal fatto di comprendere almeno un bordo esterno (6) a detta area interna (3) comprendente quattro porzioni angolari (7, 8, 9, 10) di colori differenti. 2) Marker (1) secondo la rivendicazione 1, caratterizzato dal fatto che dette porzioni angolari (7, 8, 9, 10) comprendono:
- una prima porzione angolare (7) i cui elementi (2) sono di colore verde; - una seconda porzione angolare (8) i cui elementi (2) sono di colore blu; - una terza porzione angolare (9) i cui elementi (2) sono di colore bianco; - una quarta porzione angolare (10) i cui elementi (2) sono di colore rosso.
3) Marker (1) secondo la rivendicazione 2, caratterizzato dal fatto che: - detta prima porzione angolare (7) ? disposta in alto a sinistra;
- detta seconda porzione angolare (8) ? disposta in alto a destra;
- detta terza porzione angolare (9) ? disposta in basso a destra;
- detta quarta porzione angolare (10) ? disposta in basso a sinistra.
4) Marker (1) secondo una o pi? delle rivendicazioni precedenti, caratterizzato dal fatto che comprende almeno un bordo interno (12), interposto tra detta area interna (3) e detto bordo esterno (6), i cui elementi (2) sono di colore nero.
5) Marker (1) secondo una o pi? delle rivendicazioni precedenti, caratterizzato dal fatto che detta area interna (3) comprende una pluralit? di elementi (2) di colore bianco o nero.
6) Metodo implementato mediante computer per il riconoscimento e l?interpretazione di un marker (1) secondo una o pi? delle rivendicazioni precedenti, caratterizzato dal fatto di comprendere i seguenti passi:
- acquisizione di un?immagine (13) contenente almeno un marker (1); - rilevamento di detto marker (1) all?interno di detta immagine (13) mediante una prima rete neurale (15);
- determinazione dell?orientamento di detto marker (1) mediante una seconda rete neurale (16);
- decodificazione di detto marker (1) mediante una terza rete neurale (22).
7) Metodo secondo la rivendicazione 6, caratterizzato dal fatto che, precedentemente a detto passo di determinazione, comprende almeno un passo di taglio di detto marker (1) rispetto ad uno sfondo di detta immagine (13) e almeno un passo di ridimensionamento di detto marker (1) ritagliato.
8) Metodo secondo la rivendicazione 6 o 7, caratterizzato dal fatto che detto passo di determinazione comprende almeno un passo di individuazione di almeno un punto chiave (18, 19, 20, 21) in detto marker (1) ritagliato, in cui: - un primo punto chiave (18) corrisponde a detta prima porzione angolare (7);
- un secondo punto chiave (19) corrisponde a detta seconda porzione angolare (8);
- un terzo punto chiave (20) corrisponde a detta terza porzione angolare (9);
- un quarto punto chiave (21) corrisponde a detta quarta porzione angolare (10).
9) Metodo secondo una o pi? delle rivendicazioni da 6 a 8, caratterizzato dal fatto che, precedentemente a detto passo di decodificazione, comprende un passo di rotazione di detto marker (1) ritagliato in modo che:
- detto primo punto chiave (18) sia posizionato in alto a sinistra;
- detto secondo punto chiave (19) sia posizionato in alto a destra;
- detto terzo punto chiave (20) sia posizionato in basso a destra;
- detto quarto punto chiave (21) sia posizionato in basso a sinistra.
10) Metodo secondo una o pi? delle rivendicazioni da 6 a 9, caratterizzato dal fatto che detto passo di decodificazione comprende almeno un passo di associazione di ciascun elemento (2) di colore bianco di detta area interna (3) ad un valore binario pari a 1 e di ciascun elemento (2) di colore nero di detta area interna (3) ad un valore binario pari a 0, a generare un codice binario (4).
IT102021000004982A 2021-03-03 2021-03-03 Marker per reti neurali artificiali, relativo metodo implementato mediante computer di riconoscimento e interpretazione e relativo sistema IT202100004982A1 (it)

Priority Applications (2)

Application Number Priority Date Filing Date Title
IT102021000004982A IT202100004982A1 (it) 2021-03-03 2021-03-03 Marker per reti neurali artificiali, relativo metodo implementato mediante computer di riconoscimento e interpretazione e relativo sistema
PCT/IB2022/051625 WO2022185156A1 (en) 2021-03-03 2022-02-24 Marker for artificial neural networks, related computer-implemented method for the recognition and interpretation and related system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
IT102021000004982A IT202100004982A1 (it) 2021-03-03 2021-03-03 Marker per reti neurali artificiali, relativo metodo implementato mediante computer di riconoscimento e interpretazione e relativo sistema

Publications (1)

Publication Number Publication Date
IT202100004982A1 true IT202100004982A1 (it) 2022-09-03

Family

ID=76159721

Family Applications (1)

Application Number Title Priority Date Filing Date
IT102021000004982A IT202100004982A1 (it) 2021-03-03 2021-03-03 Marker per reti neurali artificiali, relativo metodo implementato mediante computer di riconoscimento e interpretazione e relativo sistema

Country Status (2)

Country Link
IT (1) IT202100004982A1 (it)
WO (1) WO2022185156A1 (it)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120039529A1 (en) * 2010-08-14 2012-02-16 Rujan Entwicklung Und Forschung Gmbh Producing, Capturing and Using Visual Identification Tags for Moving Objects
US20190294936A1 (en) * 2016-12-20 2019-09-26 Universidad De Alicante Method for detecting and recognizing long-range high-density visual markers
US20190384954A1 (en) * 2018-06-18 2019-12-19 Abbyy Production Llc Detecting barcodes on images

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120039529A1 (en) * 2010-08-14 2012-02-16 Rujan Entwicklung Und Forschung Gmbh Producing, Capturing and Using Visual Identification Tags for Moving Objects
US20190294936A1 (en) * 2016-12-20 2019-09-26 Universidad De Alicante Method for detecting and recognizing long-range high-density visual markers
US20190384954A1 (en) * 2018-06-18 2019-12-19 Abbyy Production Llc Detecting barcodes on images

Also Published As

Publication number Publication date
WO2022185156A1 (en) 2022-09-09

Similar Documents

Publication Publication Date Title
DE102020100684B4 (de) Kennzeichnung von graphischen bezugsmarkierern
CN103345755B (zh) 一种基于Harris算子的棋盘格角点亚像素提取方法
CN105279787B (zh) 基于拍照的户型图识别生成三维房型的方法
US20200125887A1 (en) Tire image recognition method and tire image recognition device
JP4868530B2 (ja) 画像認識装置
EP1870835B1 (en) Two-dimensional code
CN109211207B (zh) 一种基于机器视觉的螺钉识别与定位装置
CN103049731B (zh) 一种点分布型彩色编码标志的解码方法
CN109523551B (zh) 一种获取机器人行走姿态的方法及系统
CN110400278B (zh) 一种图像颜色和几何畸变的全自动校正方法、装置及设备
CN104484658A (zh) 一种基于多通道卷积神经网络的人脸性别识别方法及装置
CN104537625A (zh) 一种基于方向标志位的Bayer彩色图像插值方法
JP2007003233A (ja) コードターゲット、コード検出システム、及び３次元情報取得システム
CN105574161B (zh) 一种商标图形要素识别方法、装置和系统
RU2729399C1 (ru) Способ обнаружения и распознавания визуальных маркеров большой дальности и высокой плотности
WO2020151148A1 (zh) 基于神经网络的黑白照片色彩恢复方法、装置及存储介质
CN106022430A (zh) 合成型彩色二维图码的生成、识读方法及装置
CN116490901A (zh) 设施平面图中包括的标记分析装置及方法
CN103033171B (zh) 基于颜色与结构特征的编码标志
CN113012096B (zh) 显示屏子像素定位及亮度提取方法、设备以及存储介质
CN107665489A (zh) 一种基于计算机视觉的玻璃二面角检测方法
CN106599010B (zh) 图码搜索法
CN112991517B (zh) 一种纹理影像编解码自动匹配的三维重建方法
CN112686872B (zh) 基于深度学习的木材计数方法
CN112270716B (zh) 一种人工视觉地标的解码定位方法