Impacto de algoritmos de mejora en el rendimiento de redes neuronales de detección.

Abstract

El procesamiento de imágenes mediante técnicas de inteligencia artificial ha experimentado un avance significativo en los últimos años, transformando sectores como la seguridad, la conducción autónoma, el diagnóstico médico y la visión por computador. Estas tecnologías, al permitir que las máquinas analicen y comprendan información visual, modifican la forma en que interactuamos con los sistemas automatizados y cómo estos interpretan su entorno. Dentro de este contexto, las redes neuronales convolucionales (CNN) han demostrado ser fundamentales para tareas de detección y clasificación de objetos, debido a su capacidad para identificar patrones visuales con elevada precisión. Entre los modelos más destacados, YOLO ha sobresalido por su rapidez y capacidad de realizar predicciones en tiempo real, constituyendo una herramienta eficaz en una amplia variedad de aplicaciones. No obstante, a pesar de su efectividad en condiciones ideales, la aplicación de estos modelos en entornos del mundo real presenta desafíos importantes. Uno de los factores más determinantes que puede afectar su rendimiento son las variaciones en la iluminación, ya sea por cambios en las condiciones ambientales o por limitaciones técnicas en los sistemas de captura de imágenes. Dichas variaciones alteran las características visuales de las imágenes, lo que puede reducir la precisión de los modelos de detección de objetos. Este estudio se centra en evaluar cómo las variaciones de iluminación impactan en el desempeño de los modelos de detección de objetos y en explorar estrategias para mejorar su robustez mediante la aplicación de algoritmos de mejora de imagen, tales como la máscara de enfoque (unsharp mask en inglés), ecualización de histograma, ecualización limitada adaptativa por contraste (CLAHE) y transformación logarítmica. Se analizarán los efectos de estas técnicas sobre las imágenes y se interpretarán los resultados obtenidos, con el objetivo de proporcionar conclusiones significativas.