32 VISIÓN ARTIFICIAL Otras aplicaciones no industriales Es importante destacar la dificultad, pero buen porcen- taje de éxito y ayuda, de otras aplicaciones no industria- les en entornos abiertos. El problema en estos entornos suele concentrarse en la alta tasa de variabilidad de las condiciones de iluminación así como la falta de control del objeto de observación. Estas características hacen dificultan la generalización de las soluciones y penalizan sus tasas de éxito. En los sistemas de seguridad y vigilancia para entornos abiertos se suele contar con cámaras infrarrojas y tér- micas para adaptarse a cualquier condición de ilumina- ción diurna, nocturna o artificial [11]. Los populares sistemas ALPR (Automatic License Plate Recognition) para tráfico y carreteras suelen contar con una o dos cá- maras de rango visible e infrarroja para minimizar las di- ficultades del reconocedor de caracteres. Con tasas mayores del 95% de éxito en entornos relativamente controlados (como aparcamientos donde los vehículos paran en determinados puntos, como barreras) los nive- les descienden peligrosamente en casos totalmente abiertos e incontrolados. Las cámaras infrarrojas se uti- lizan en unión a iluminadores infrarrojos que hacen brillar las matrículas de los vehículos y mejorar la detección y el reconocimiento de éstas. Sistemas como el BusVigía que determina automáticamente la invasión de vehícu- los particulares los carriles de uso exclusivo de auto- buses [12] o los fotorrojos [13] para la detección de vehículos infractores en cruces con control semafórico, son casos de éxito de la visión artificial en entornos ur- banos. Conclusión La visión artificial está viviendo un apasionante momen- to con su integración con éxito en entornos industriales. Cada vez hay mayores apuestas por soluciones basadas en visión artificial, tanto en aplicaciones industriales como no industriales. Las competencias de esta rama se adquieren progresivamente, ya sea desde la inmer- sión profesional (fundamentalmente ingenieros indus- triales e informáticos en proyectos de visión) hasta la creación de seminarios y talleres especializados e im- partidos por profesionales del sector (empresas de so- luciones, distribuidores comerciales, etc.). También, empiezan a surgir iniciativas en la academia para intro- ducir estos temas de gran interés profesional a recién egresados de títulos universitarios, como el Máster Ofi- Visión industrial con aplicaciones en inspección automática [10]. cial en Visión Artificial de la Universidad Rey Juan Car- los [14], el único especializado 100% de la zona centro del país, y en el que tienen también cabida profesiona- les en busca de reciclaje o cursos concretos más resu- midos. I Referencias [1] MVTec Software GmbH, http://www.halcon.com [2] MATROX Imaging, http://www.matrox.com [3] Khronos OpenCV http://www.opencv.org [4] Mathworks MATLAB http://www.mathworks.es/products/matlab [5] Point Grey, http://www.ptgrey.com/support/kb/index.asp?a=4&q=115 [6] NVIDIA Corp. http://www.nvidia.com/cuda [7] Vision Online http://www.visiononline.es/es/productos-vision-artificial/trevista [8] KHS http://www.khs.com/en/products/single-machines/inspec- tion/foreign-substance-detection/in-empty-cans/innocheck-eci- empty-can-inspector.html [9] JasVisio http://www.jasvisio.com/productos/inspeccion-de-defectos- en-el-cierre-de-latas.html [10] INFAIMON, http://www.infaimon.com [11] Bosch http://www.boschsecurity.com [12] BusVigia http://www.busvigia.com [13] Vaxtor Systems, http://www.vaxtor.es/vaxalpr-alprfotorojo-sp.html [14] Máster Oficial en Visión Artificial de la Universidad Rey Juan Carlos (Móstoles, Madrid), www.gavab.etsii.urjc.es/master tecnología