Sistema de Eventos Acadêmicos da UFMT, XI Mostra da Pós-Graduação

Tamanho da fonte: 
Otimização do processo de coleta de dados usando sensor RGB-D Intel RealSense
Elton Fernandes Santos, Scheila Geiele Kamchen, Luciano Bastos Lopes, Laurimar Gonçalves Vendrusculo

Última alteração: 02-10-19

Resumo


A visão computacional emprega métodos de alto desempenho para construir soluções inteligentes com aplicações em diversas áreas. Recentemente, vários estudos têm investigado métodos de captura de imagem 3D para resolver problemas em áreas como, medicina, arquitetura, educação, automação industrial, dentre outras. Principalmente em etapas de desenvolvimento de produtos tecnológicos, é imprescindível o armazenamento dos dados para processamento, isso porque, esse processo envolve muitos testes sucessivos. Entretanto, os sensores RGB-D não foram projetados para essa finalidade. Geralmente, a taxa de dados é superior ao limite de banda do disco rígido, limitando a coleta em apenas alguns minutos. Uma opção adotada em estudos que utilizam esta tecnologia é armazenar os dados de profundidade em arquivos textuais do tipo .CSV, pois  ocupam menor espaço em disco, mesmo assim, a sobrecarga do sistema é um fator crítico. E ainda, os novos modelos de câmera da Intel® realSense podem fornecer fluxo de profundidade de até 90 FPS (frames per second), sem uma abordagem adequada, esse recurso fica inacessível. Este trabalho tem como objetivo otimizar o processo de coleta de dados usando câmeras de profundidade. Para isso, foi realizado um ensaio com 1.000 arquivos csv a fim avaliar os erros inseridos por quantização e a taxa de compressão. O erro RMSE foi de 0,52 cm e o erro médio absoluto percentual de 0,3%, os quais representam resultados satisfatórios, já que os erros de medição desses sensores estão bem acima desse liminar. Adicionalmente, os arquivos iniciais ocupavam 1,6 GB após a conversão, os mesmos dados ocuparam 52,3MB, ou seja, uma redução de 97%. O tempo para importar os 1.000 arquivos em csv usando a função genfromtxt em python foram de 232s e após a conversão, foi reduzido para 3,7s. Embora, no processo de coleta, a conversão do arquivo seja realizada em tempo real, é mais rápido converter e salvar em extensão .png do que apenas salvar em CSV.


Palavras-chave


Imagem de profundidade, RealSense, OpenCV