BlinkAI con aprendizaje automático ilumina la escena

Fundada en 2018, BlinkAI proporciona algoritmos para mejorar drásticamente la reconstrucción de imágenes, especialmente en condiciones de poca luz. "Utilizamos el aprendizaje automático para mejorar el rendimiento del sensor en condiciones visualmente desafiantes, ampliando el rango de lo que una cámara puede ver y detectar en el mundo real", dice Selina Liying Shen, directora ejecutiva de BlinkAI.

“Resulta que los sistemas con capacidad predictiva, que entienden lo que están a punto de ver, pueden depender de mucha menos información y aún proporcionar imágenes y videos muy precisos”, dice Zhu.

BlinkAI, una empresa del MIT Startup Exchange STEX25, está hablando con socios potenciales que tienen aplicaciones en teléfonos inteligentes, vehículos autónomos, seguridad y otros mercados. En muchos casos, la solución de software de BlinkAI puede resultar mucho más barata que las opciones alternativas en el hardware del sensor.

Video Nocturno BlinkAi

La solución de video nocturno de BlinkAI proporciona una claridad y un detalle sin precedentes en la transmisión de video con poca luz y establece un nuevo estándar en la videografía computacional nocturna. Los algoritmos de aprendizaje profundo de BlinkAI pueden potenciar el rendimiento de los sensores de imagen varias veces más allá de sus capacidades convencionales, en tiempo real y en hardware informático de bajo consumo. 

Video Nocturno BlinkAI
Video Nocturno BlinkAI

Solución RoadSight de BlinkAI

La solución RoadSight de BlinkAI mejora las cámaras de luz visible en vehículos autónomos y las aplicaciones ADAS en situaciones de conducción con poca luz. El procesamiento visual de aprendizaje automático optimizado ofrece una iluminación hasta cinco veces mejor durante la noche y otros escenarios con poca luz para ayudar a los vehículos a detectar y reconocer objetos en la carretera en tiempo real para mitigar el riesgo de colisiones.

A medida que la industria automotriz busca lograr una visión por computadora robusta en entornos visuales desafiantes, maximizar la información visual es fundamental para una alta precisión en las tareas de percepción posteriores. Roadsight ofrece soluciones computacionales rentables para un rendimiento de hardware de cámara convencionalmente limitado.

Tecnología RoadSight de BlinkAI
Tecnología RoadSight de BlinkAI

El aprendizaje perceptual sobre la tecnología Light Blink AI se basa en el trabajo postdoctoral de Zhu en Harvard en el Martinos Center for Biomedical Imaging, donde aplicó el aprendizaje automático para reconstruir imágenes médicas basadas en datos menos que ideales de dispositivos como la tomografía computarizada (TC) y Escáneres de imágenes por resonancia magnética (IRM).

La investigación se publicó en Nature en 2018 y describió cómo un método llamado AUTOMAP puede tomar datos de imágenes "ruidosos" de estas máquinas y aún así generar imágenes muy claras de alta resolución para que los radiólogos las lean y diagnostiquen con precisión.

El enfoque AUTOMAP es similar a un proceso cognitivo humano llamado aprendizaje perceptual. “Desde el nacimiento, su cerebro se entrena a sí mismo a ver, a interpretar estas señales crudas y ruidosas que provienen de la retina”, dice Zhu. “Ciertas características visuales como bordes, patrones o texturas aparecen una y otra vez. Su cerebro tiene esta asombrosa capacidad predictiva para codificar estos datos de manera muy eficiente y, por lo tanto, no necesita tanta información para crear una imagen clara ".

BlinkAI se fundó para comercializar este paradigma de manera más general en la imagen digital. “Ponemos un cerebro detrás del sensor de la cámara para que tenga más poder predictivo, mejorando el rendimiento del sensor de cinco a diez veces”, dice.

“Los algoritmos de señalización de imágenes actuales fallan en condiciones de poca luz, donde las particularidades del sensor de imagen y sus perfiles de ruido muy complicados se vuelven muy importantes, y los algoritmos tradicionales simplemente no son lo suficientemente adaptables y sofisticados para manejar cada sensor de la mejor manera”. él dice.

“Con AUTOMAP, entrenamos una red neuronal para procesar de manera óptima los fotogramas sin procesar que provienen de los sensores ópticos en cada modelo de cámara individual”, dice Zhu. “Realmente podemos concentrarnos en las particularidades de los modelos de cámaras individuales, cuyos diseños y procesos de fabricación pueden ser muy diferentes. Aprendemos las complicadas propiedades del ruido que están contaminando las señales que le interesan. Y podemos desenredar el ruido de la señal con ese entendimiento, de modo que nuestra salida sea mucho más clara ".

Resolver este problema con el software BlinkAI será más económico que con un hardware de sensor más caro. Y la demanda del enfoque está creciendo rápidamente a medida que las cámaras se implementan en cantidades cada vez mayores en todo tipo de dispositivos y vehículos. Sus sensores ópticos a menudo son cada vez más pequeños, para adaptarse a cámaras más compactas y reducir los costos. Eso significa que los sensores captan incluso menos luz, lo que es un problema aún mayor porque las aplicaciones aún esperan trabajar con imágenes de muy alta resolución. "Así que cada píxel tiene menos consumo de luz, y eso es un problema real en condiciones de oscuridad", dice Zhu.

Construyendo los mercados
BlinkAI, que ha recaudado $ 2.5 millones hasta la fecha, fue nombrada compañía MIT STEX25 esta primavera. “Puede ser difícil para una empresa nueva llegar a las grandes corporaciones”, dice Shen. "Pero el programa STEX25 proporciona una relación muy profunda con numerosas corporaciones, y nuestras conexiones con estas corporaciones están acelerando el proceso general de participación".

Entre los clientes potenciales, la startup está hablando con varios fabricantes de teléfonos inteligentes. “En este momento, las cámaras a menudo se convierten en la principal ventaja competitiva para los teléfonos inteligentes, y nuestra capacidad para ofrecer fotografías de video y con poca luz mucho mejores es importante”, dice Shen.

Se están abriendo otras oportunidades en los automóviles, cuyos fabricantes están agregando rápidamente cámaras para brindar capacidades avanzadas de asistencia al conductor y preparando diseños para entregar vehículos totalmente autónomos dentro de unos años. “Nuestras tecnologías permitirán que los automóviles funcionen mejor en entornos con poca luz, así como en entornos visualmente desafiantes como la lluvia, la nieve y la niebla”, dice ella.

“A medida que se colocan más y más de estos sensores en los vehículos, comienzan a surgir preocupaciones de seguridad reales”, dice Zhu. "La importancia de las imágenes claras se vuelve más crítica a medida que comenzamos a tener vehículos de navegación automática que se basan en buenas imágenes para tomar decisiones que a menudo son de vida o muerte".

BlinkAI también espera mejores imágenes con poca luz para ayudar a la navegación en drones y otros tipos de vehículos, y para mejorar una amplia gama de sistemas de seguridad visual.

“Encontraremos muchas formas de utilizar el aprendizaje automático para mejorar el rendimiento del sensor en condiciones visualmente desafiantes y ayudar a establecer la próxima generación de sensores de imágenes inteligentes que amplifiquen las capacidades de percepción crítica de los dispositivos y vehículos del futuro”, resume Shen.

Felipe Argüello
Felipe Argüello

Felipe Argüello es el fundador de Infoteknico. Ingeniero con más de 30 años de experiencia trabajando en América Latina, Estados Unidos y Europa en las áreas de ingeniería, consulta técnica, proyectos, ventas y entrenamiento en soluciones de alta tecnología y seguridad electrónica.

Artículos: 781

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *