La visión por computadora, también conocida como visión artificial, es una rama de la inteligencia artificial cuyo objetivo es enseñar a las máquinas a interpretar y comprender el mundo a partir de imágenes y videos, de forma semejante a como lo hace el ser humano con la vista. Cuando una persona observa a un amigo a la distancia, puede reconocer su rostro, identificar su expresión, notar el color de su ropa e incluso anticipar sus movimientos en cuestión de segundos, todo ello de manera casi automática. La visión por computadora busca que las computadoras desarrollen una capacidad similar, permitiéndoles analizar información visual y extraer conclusiones útiles a partir de ella.
Para lograrlo, este campo combina conocimientos de matemáticas, física, estadística y aprendizaje automático. Su propósito es interpretar el contenido de una imagen: identificar qué objetos aparecen, dónde se encuentran, cómo se relacionan entre sí y qué está ocurriendo en la escena. Gracias a esta tecnología, un teléfono inteligente puede desbloquearse al reconocer el rostro de su propietario, un sistema de seguridad puede identificar personas o vehículos y un automóvil con funciones avanzadas de asistencia puede detectar peatones u obstáculos para ayudar a prevenir accidentes.
El desarrollo de esta disciplina comenzó hace varias décadas, prácticamente al mismo tiempo que surgía la inteligencia artificial. En 1966, investigadores del MIT pensaban que bastaría un proyecto de verano para conectar una cámara a una computadora y lograr que describiera lo que veía. Entre ellos se encontraba el profesor Seymour Papert, quien impulsó investigaciones pioneras en este campo. Muy pronto quedó claro que comprender una imagen era un problema muchísimo más difícil de lo que cualquiera había imaginado, y aquella tarea terminó convirtiéndose en una de las áreas más importantes de la inteligencia artificial.
A partir de entonces se desarrollaron métodos capaces de detectar bordes, formas y movimientos, inspirados en estudios sobre el funcionamiento del sistema visual de animales y seres humanos. Durante las décadas de 1980 y 1990 aparecieron técnicas matemáticas cada vez más sofisticadas, pero el mayor salto ocurrió a partir de la década de 2010 gracias al aprendizaje profundo y a las redes neuronales convolucionales (CNN), que permitieron entrenar modelos con millones de imágenes y alcanzar niveles de precisión sin precedentes. En la actualidad, estas redes continúan siendo una de las bases de la visión por computadora y, junto con arquitecturas más recientes como los transformers de visión, impulsan avances constantes en este campo.
El funcionamiento de estos sistemas comienza con una imagen digital, que en realidad es una gran matriz formada por millones de píxeles, donde cada uno almacena información sobre color y brillo. Antes de analizarla, suele realizarse un preprocesamiento para ajustar aspectos como el tamaño, la iluminación o el ruido, facilitando así el trabajo del modelo. Posteriormente, las redes neuronales analizan la imagen mediante filtros que recorren cada región para detectar patrones simples, como bordes, líneas, texturas o colores. Conforme la información avanza por las distintas capas de la red, esos patrones básicos se combinan para formar representaciones cada vez más complejas, hasta reconocer objetos completos, personas, animales o escenarios. Durante el entrenamiento, el modelo optimiza millones de parámetros mediante algoritmos como la retropropagación (backpropagation), reduciendo progresivamente sus errores hasta aprender a realizar la tarea con gran precisión.
La visión por computadora puede desempeñar numerosas tareas. Una de las más comunes es la clasificación de imágenes, que consiste en determinar a qué categoría pertenece una fotografía, por ejemplo, si muestra un perro, un automóvil o una radiografía con signos de neumonía. Otra tarea es la detección de objetos y su posición dentro de la imagen. La segmentación va un paso más allá al clasificar cada píxel según el objeto al que pertenece, delimitando con gran precisión personas, edificios, árboles u otros elementos. También existen aplicaciones para el seguimiento de objetos en video, el reconocimiento facial, la estimación de la postura del cuerpo humano, la reconstrucción tridimensional de escenas a partir de imágenes y la generación automática de descripciones de lo que aparece en una fotografía. Los modelos más recientes, basados en transformers, son capaces de comprender mejor el contexto general de una escena y relacionar la información visual con el lenguaje natural.
Las aplicaciones de esta tecnología ya forman parte de la vida cotidiana. En el ámbito de la medicina, ayuda a los especialistas a analizar mamografías, tomografías y resonancias magnéticas para detectar enfermedades de manera más rápida. En la industria automotriz, los sistemas de asistencia a la conducción emplean cámaras y algoritmos de visión por computadora para reconocer carriles, señales de tránsito, peatones y otros vehículos. En las fábricas, inspecciona automáticamente los productos para detectar defectos casi imperceptibles. También está presente en los filtros de redes sociales que reconocen el rostro de una persona, en las aplicaciones que traducen textos utilizando la cámara del teléfono, en los sistemas de videovigilancia inteligente, en drones que supervisan cultivos para identificar plagas o enfermedades y en tiendas automatizadas capaces de reconocer los productos que los clientes toman de los estantes.
Uno de los mayores impulsos para esta disciplina llegó con la creación de ImageNet, una enorme base de datos desarrollada bajo el liderazgo de la científica Fei-Fei Li. Con más de 14 millones de imágenes etiquetadas manualmente y organizadas en miles de categorías, este conjunto de datos se convirtió en el principal banco de entrenamiento para los algoritmos modernos, permitiéndoles aprender a reconocer objetos con una precisión cada vez mayor y acelerando de forma decisiva el avance del aprendizaje profundo aplicado a la visión por computadora.
La visión por computadora también está ayudando a preservar el patrimonio histórico y cultural. Gracias a técnicas de restauración digital basadas en inteligencia artificial, hoy es posible recuperar películas antiguas deterioradas, eliminar daños, estabilizar imágenes, aumentar su resolución, reconstruir fotogramas perdidos e incluso colorear escenas históricas con un notable grado de realismo, aunque estas tareas suelen requerir supervisión humana para obtener los mejores resultados.
Entre las curiosidades más conocidas de esta disciplina se encuentra el famoso reto de distinguir fotografías de perros Chihuahua de imágenes de panecillos con chispas de chocolate (muffins). Aunque para la mayoría de las personas la diferencia resulta evidente, ambos comparten patrones visuales sorprendentemente parecidos en ciertas fotografías, lo que durante años representó un desafío para muchos algoritmos de clasificación de imágenes.
Sin embargo, las condiciones de iluminación, los ángulos inusuales, las oclusiones o la aparición de objetos poco representados durante el entrenamiento pueden reducir su precisión. Además, el entrenamiento de modelos avanzados suele requerir enormes cantidades de datos y una considerable capacidad de procesamiento. Aun así, los avances continúan acelerándose, con modelos más eficientes y sistemas capaces de combinar información visual, textual y de otras fuentes para comprender el entorno de una manera cada vez más cercana a la percepción humana.
La conducción autónoma ofrece otro ejemplo de los retos que enfrenta esta tecnología. Un objeto tan ligero e inofensivo como una bolsa de plástico movida por el viento puede ser interpretado erróneamente por algunos sistemas como un obstáculo sólido, provocando frenadas bruscas innecesarias. Por ello, los vehículos combinan cámaras con sensores como radares y, en algunos casos, sistemas LiDAR para reducir este tipo de errores y mejorar la seguridad.
La visión por computadora ha convertido en realidad muchas ideas que hace apenas unas décadas parecían propias de la ciencia ficción.
Referencias:
- Convolutional neural network – Wikipedia
- A review of convolutional neural networks in computer vision | Artificial Intelligence Review | Springer Nature Link
- What Is Computer Vision? – Intel
- What are Convolutional Neural Networks? | IBM
- What Is Computer Vision? | IBM
- What Is Computer Vision? | Microsoft Azure
- Computer vision – Wikipedia