Validation of Fruit Rotation Estimations

[ES] El presente TFG surge de una necesidad dentro de la Empresa en la que se ha desarrollado. Dicha empresa tiene un sistema de visión artificial que analiza colecciones de vistas de frutos para clasificarlos y/o detectar defectos. Para realizar el correcto enlazado de los defectos en diferentes vistas hace uso de un método que analiza la rotación en 3D entre pares de vistas consecutivas. Dicho método funciona normalmente bien, pero por diversas razones puede generar estimas erróneas de las rotaciones. El presente TFG trata de detectar cuando se han producido dichas estimas erróneas para guiar al proceso supervisor hacia métodos que no usen dichas rotaciones. El método también se usará para ajustar de manera no supervisada los parámetros del estimador de rotación de modo que se obtengan configuraciones lo más rápidas posibles dentro de las que proporcionan un porcentaje mayor de rotaciones bien estimadas
[EN] This TFG arises from a need within the company where it has been developed. This company has a computer vision system that analyzes collections of fruit views to classify them and/or detect defects. In order to correctly link the defects in different views, it uses a method that analyzes the 3D rotation between pairs of consecutive views. This method usually works well, but for various reasons it can generate erroneous estimates of the rotations. The present TFG tries to detect when such erroneous estimates have occurred in order to guide the supervisory process towards methods that do not use such rotations. The method will also be used to adjust in an unsupervised way the parameters of the rotation estimator in order to obtain the fastest possible configurations within those that provide a higher percentage of well-estimated rotations.