Saltar al contenido principal

[Vision AI] Superación de Artefactos Borrosos de Caja Negra: Superresolución Profunda (EDSR vs FSRCNN) y Apilamiento Multifotograma (#4)

· Lectura de un minuto
Jihwan Park (jaybee)
Jihwan Park (jaybee)
AI & Robotics Engineer

Resultados de Superresolución EDSR

📌 Key Takeaways (Puntos Clave)

  • Problema: Las matrículas recortadas suelen medir menos de 40x20 píxeles; la interpolación bicúbica estándar desenfoca los trazos impidiendo el OCR.
  • Solución: Red residual profunda EDSR_x4 (EDSR_x4.pb) combinada con apilamiento de 3 a 5 fotogramas consecutivos.
  • Resultado: Densidad de píxeles cuadruplicada y precisión de EasyOCR mejorada del 32% a más del 91%.

1. Motor de Superresolución EDSR_x4​

import cv2
from cv2 import dnn_superres

sr = dnn_superres.DnnSuperResImpl_create()
sr.readModel("EDSR_x4.pb")
sr.setModel("edsr", 4)
enhanced_plate = sr.upsample(plate_roi)

2. Apilamiento de Imágenes Multifotograma​

Comparación de Apilamiento Multifotograma

Promediar parches alineados a lo largo del tiempo cancela el ruido del sensor y mejora la nitidez de los caracteres.

3. Próxima Entrega​

En la Entrega #5, concluiremos con la optimización de EasyOCR, el filtrado regex y el motor de votación temporal mayoritaria (evolución v01 a v11).