| Study programme competencies |
| Code | Study programme competences |
| A1 | CE01 - Capacidad para aplicar técnicas de análisis de datos y técnicas inteligentes en robótica y/o informática industrial |
| A4 | CE04 - Capacidad para uso y desarrollo de código y librerías que permitan captar el entorno y actuar sobre él en sistemas robóticos y/o industriales |
| A5 | CE05 - Capacidad para uso y desarrollo de código y librerías que permitan realizar visión por computador o realidad aumentada sobre sistemas robóticos y/o industriales |
| B2 | CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio |
| B5 | CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo. |
| B14 | CG9 - Aplicar conocimientos de ciencias y tecnologías avanzadas a la práctica profesional o investigadora |
| B16 | CG11 - Valorar la aplicación de tecnologías emergentes en el ámbito de la industria y la robótica |
| C3 | CT03 - Aplicar una metodología que fomente el aprendizaje y el trabajo autónomo |
| C4 | CT04 - Desarrollar el pensamiento crítico |
| C5 | CT05 - Adquirir la capacidad para elaborar un trabajo multidisciplinar |
| Learning aims | |||
| Learning outcomes | Study programme competences | ||
| Coñecer técnicas para extraer información a partir de imaxes dixitais, segmentarlas e extraer as súas características. | AC1 AC4 AC5 |
BC5 BC14 BC16 |
CC5 |
| Adquirir coñecementos de técnicas para a interpretación de obxectos presentes en imaxes dixitais. | AC1 AC4 AC5 |
BC5 BC14 BC16 |
CC5 |
| Coñecer conceptos e técnicas básicas relacionadas co seguimento de obxectos en movemento. | AC1 AC4 AC5 |
BC5 BC14 BC16 |
CC5 |
| Coñecer exemplos prácticos de métodos que combinan descriptores de características da imaxe e clasificadores. | AC1 AC4 AC5 |
BC5 BC14 BC16 |
CC5 |
| Familiarizarse cos tipos de técnicas e ferramentas que poden aplicarse na resolución problemas característicos de visión artificial na industria. | BC2 BC5 BC14 BC16 |
CC3 CC4 CC5 |
|
| Contents |
| Topic | Sub-topic |
| Extracción de información das imaxes. |
- Filtrado previo. - Segmentación. - Extracción de características. |
| Descrición, identificación e clasificación en base a características |
- Descrición, identificación e clasificación en base a características |
| Ferramentas e tecnoloxías de inspección 3D. |
- Ferramentas e tecnoloxías de inspección 3D. |
| Outras técnicas e ferramentas. |
- Cámaras intelixentes. - Deep learning. - Imaxe multiespectral e hiperespectral. |
| Planning | ||||
| Methodologies / tests | Competencies | Ordinary class hours | Student’s personal work hours | Total hours |
| Guest lecture / keynote speech | A1 B5 B14 B16 C4 C5 | 11 | 11 | 22 |
| Laboratory practice | A1 A4 A5 B2 B5 B14 B16 C3 | 10 | 18 | 28 |
| Supervised projects | B2 B5 B14 B16 C3 C4 C5 | 0 | 20 | 20 |
| Personalized attention | 5 | 0 | 5 | |
| (*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students. | ||||
| Methodologies |
| Methodologies | Description |
| Guest lecture / keynote speech | Actividade presencial na aula ou a través de TICs para a explicación oral do temario teórico fomentando a discusión e a participación dos alumnos. |
| Laboratory practice | Actividade presencial na aula ou a través de TICs para a realización de prácticas nas que se aplicarán algunhas das técnicas e estratexias vistas en teoría. Os alumnos completarán as propostas de traballos expostas polos profesores. Estas prácticas poderán estar relacionadas coa aplicación práctica de técnicas de procesamento de imaxes, a análise da solución adecuada a un problema industrial resoluble con visión artificial, ou a selección e configuración de elementos hardware-software para un sistema de visión concreto. Nos casos en que se considere necesario completarase o traballo de forma autónoma. |
| Supervised projects | Traballo/s de profundización práctica sobre algún tema de teoría propostos polos profesores da asignatura. Os alumnos realizarán un ou varios traballos de estudo ou deseño dos aspectos relevantes dunha técnica ou solución de visión artificial no contexto proposto polos profesores. Os traballos serán expostos e discutidos diante dos compañeiros e entregados por escrito. Os traballos serán realizados polos alumnos de forma autónoma e o seu avance será tutorizado polos profesores. |
| Personalized attention |
|
|
| Assessment | |||
| Methodologies | Competencies | Description | Qualification |
| Supervised projects | B2 B5 B14 B16 C3 C4 C5 | Propoñerase un ou varios traballos tutelados que deberán ser desenvolvidos de forma autónoma polo alumno fóra das clases e que terán que ser presentados e defendidos. Disporase de atención personaliza por parte do profesor, que computa na avaliación. É imprescindible obter unha cualificación mínima de 4,5 puntos sobre 10 nesta metodoloxía para superar a asignatura. | 40 |
| Laboratory practice | A1 A4 A5 B2 B5 B14 B16 C3 | Propoñeranse un ou varios traballos prácticos de aplicación de técnicas concretas de visión artificial ao longo do curso que serán desenvolvidos polos alumnos e entregados para a súa avaliación. É imprescindible obter unha cualificación mínima de 4,5 sobre 10 nesta metodoloxía para superar a materia. Poderase valorar positivamente a asistencia e participación activa nas clases ata un máximo de 1 punto sobre 10. |
60 |
| Assessment comments | |||
|
- A avaliación desta materia está baseada na superación das dúas metodoloxías principais: Traballos Tutelados e Prácticas de Laboratorio. A nota mínima para superar a materia será dun 5 sobre 10, sumando a nota de ambas as metodoloxías (a condición de que se supere a nota mínima esixida en cada metodoloxía). - No caso de que o alumno non supere a materia na convocatoria ordinaria, deberá repetir na convocatoria extraordinaria aquelas actividades que non foron superadas coas modificacións que se indiquen. - Os alumnos con matrícula a tempo parcial poderán acumular a porcentaxe da nota correspondente á asistencia a clase nas outras actividades. Esta condición deberá notificarse aos profesores da materia. - É requisito para superar a materia entregar, expoñer/defender os traballos e prácticas na data que se indique. - CONVOCATORIA ADIANTADA (decembro). Aplican as mesmas metodoloxías. O alumno deberá porse en contacto cos profesores a comenzos do primero cuatrimestre (setembro) para que se lle comuniquen os traballos a entregar e dispoña de tempo para a súa realización e revisión. |
|||
| Sources of information |
| Basic |
Richard Szeliski (2010). Computer vision: algorithms and applications. Springer
Gonzalo Pajares, Arturo De La Escalera, Enrique Alegre (2016). Conceptos y métodos en visión por computador. Comité Español de Automática
Sandypan Dey (2018). Hands-On Image Processing with Python. Packt Publishing |
|
|
|
| Complementary |
Marvin, R., Ng'ang'a, M., & Omondi, A. (2018). Python Fundamentals. Packt Publishing |
|
Libros accesibles de forma libre a través do proxecto CVONLINE (http://homepages.inf.ed.ac.uk/rbf/cvonline/support/overview.htm). Os libros están dispoñibles na seguinte páxina:
Documentación da librería Scikit- Image Documentación da librería OpenCV Versión borrador online gratuíta do libro "Computer Vision: Algorithms and Applications": Versión borrador online gratuíta do libro "Conceptos y métodos en visión por Computador": |
| Recommendations | ||
| Subjects that it is recommended to have taken before | ||
|
| Subjects that are recommended to be taken simultaneously |
| Subjects that continue the syllabus |
| Other comments | |
|
A entrega de traballos documentais que se realicen nesta materia:
|