Infinity Neural 2017 – actualidad El primer sistema de conteo de aforos homologado por el CEM, con >99% de precisión y multicámara en tiempo real.
- El problema
- Medir el aforo con precisión certificable en espacios multitudinarios (ferias, casinos, fiestas populares), donde una sola cámara no cubre portones anchos y el solape entre cámaras provoca dobles conteos.
- Decisión de stack
- Prototipo en Python (YOLOv2 + un algoritmo de tracking propio) reescrito en C++ con CUDA para escalar en rendimiento; multithreading para procesar muchas cámaras con una sola GPU.
- El reto técnico
- Fusionar y sincronizar en tiempo real hasta 12 cámaras alineadas en una única vista sobre la que corren las analíticas, con una configuración fina del solape para no contar dos veces a la misma persona.
- Impacto
- Precisión superior al 99% homologada por el CEM (Centro Español de Metrología) — el primer sistema de conteo certificado. Robusto con hasta 200 personas bajo una misma cámara (San Fermines).
Detección de highlights por gesto y mapas de calor de jugadores a partir del vídeo de cada partido.
- El problema
- Extraer automáticamente los mejores momentos de un partido y analítica de los jugadores a partir de un vídeo ya grabado, optimizando coste y tiempo de proceso.
- El reto técnico
- Diferenciar el gesto elegido para el highlight (brazos levantados) de movimientos similares del juego (smashes, voleas): una algoritmia sobre las articulaciones (YOLO Pose) que detecta los verdaderos positivos sin añadir falsos.
- Impacto
- Procesado con workers GPU en RunPod para optimizar coste y tiempo, con fuerte foco en multithreading.
Infinity Neural 2017 – actualidad Conteo por torno, detección de fraude y aforo de andén desplegados en toda la red de Renfe.
- El problema
- Controlar accesos y andenes a escala de toda una red ferroviaria: conteo por torno, fraude (dos personas a la vez, salto del torno), personas con objetos, saltos a la vía y aforo.
- Impacto
- Desplegado en toda la red de Renfe y auditado periódicamente por el cliente, validando su precisión de forma recurrente.
Univ. der Bundeswehr München sep 2016 – ene 2017
Trabajo de Final de Grado: una cámara 3D y un brazo robótico que detecta un objeto, se acerca y lo coge.
- El problema
- Ensamblar una cámara 3D con un brazo robótico motorizado y un algoritmo de visión para detectar un objeto y su distancia, seguirlo, acercarse y agarrarlo automáticamente.
- El reto técnico
- La cámara 3D pierde profundidad a menos de 0,5 m; se resolvió interpolando con la odometría de las ruedas para estimar la posición en el rango cercano, además de la cinemática inversa del brazo.
