NUEVAS HERRAMIENTAS PARA LA MODELIZACIÓN DE DATOS PROCEDENTES DE SENSORES

Abstract

El objetivo de esta tesis es desarrollar una metodología capaz de gestionar múltiples fuentes de datos, incluyendo imágenes y nubes de puntos 3D, así como capaz de corregir y fusionar dichas fuentes para aplicarlas a la monitorización, predicción y optimización de procesos. No obstante, trabajar con datos adquiridos mediante sensores es tedioso en muchos aspectos, entre los que se incluyen la adquisición, marcado de puntos de control o la clasificación de puntos. Para evitar estas tareas, se propone generar datos sintéticos a partir de escenarios sintéticos, evitando así adquirir tecnología con un elevado coste y construyendo conjuntos de datos de gran tamaño de manera muy eficiente. Además, los modelos de estos escenarios se pueden relacionar con etiquetas semánticas y materiales, entre otras propiedades. A diferencia del etiquetado manual, los conjuntos de datos sintéticos no incluyen información errónea que puede inducir a error a los algoritmos que utilicen dichos datos. The objective of this thesis is to develop a framework capable of handling multiple data sources by correcting and fusing them to monitor, predict, and optimize real-world processes. The scope is not limited to images but also covers the reconstruction of 3D point clouds integrating visible, multispectral, thermal and hyperspectral data. However, working with real-world data is also tedious as it involves multiple steps that must be performed manually, such as collecting data, marking control points or annotating points. Instead, an alternative is to generate synthetic data from realistic scenarios, hence avoiding the acquisition of prohibitive technology and efficiently constructing large datasets. In addition, models in virtual scenarios can be attached to semantic annotations and materials, among other properties. Unlike manual annotations, synthetic datasets do not introduce spurious information that could mislead the algorithms that will use them.