Cano-Rodriguez et al 2018a - Revision history

Rimni at 14:15, 16 July 2021

2021-07-16T14:15:24Z

Rimni at 12:35, 16 July 2021

2021-07-16T12:35:41Z

Show changes

Rimni at 12:20, 16 July 2021

2021-07-16T12:20:35Z

Rimni at 12:15, 16 July 2021

2021-07-16T12:15:11Z

Rimni at 12:13, 16 July 2021

2021-07-16T12:13:39Z

Rimni at 14:29, 28 May 2020

2020-05-28T14:29:39Z

Rimni at 12:48, 28 May 2020

2020-05-28T12:48:30Z

Show changes

Rimni at 14:20, 27 May 2020

2020-05-27T14:20:28Z

Rimni at 14:15, 25 May 2020

2020-05-25T14:15:17Z

Rimni at 10:48, 25 May 2020

2020-05-25T10:48:32Z

@@ Line 718: / Line 718: @@
 |style="padding:10px;"|  [[File:Draft_Gonzalez-Barbosa_236306777_2789_cilindro1.jpg|600px]]
 |-
-|  style="text-align: center;font-size: 75%;"|(a) Escaneo 3D del interior de un cilindro de frenado de autos como el mostrado en la Figura 1b
+|  style="text-align: center;font-size: 75%;"|(a) Escaneo 3D del interior de un cilindro de frenado de autos como el mostrado en la [[#img-1|Figura 1]](b)
 |-
 |style="padding:10px;"|  [[File:Draft_Gonzalez-Barbosa_236306777_9073_cilindro2.jpg|600px]]
@@ Line 893: / Line 893: @@
 aproximarse a la posición real del sistema y ambos filtros pueden ser utilizados para la estimación de la posición, sin embargo, el
 filtro de partículas es el algoritmo que realiza una mejor estimación de la posición en comparación con los otros métodos, además,
-también se puede ver en los resultados de la Tabla 2 como la desviación estándar es menor en el algoritmo filtro de partículas lo
+también se puede ver en los resultados de la [[#tab-2|Tabla 2]] como la desviación estándar es menor en el algoritmo filtro de partículas lo
 que indica que los resultados son más estables manteniéndose el LED localizado a lo largo de todo el recorrido del escaneo. Se puede
 observar como todos los valores de posiciones y el error comprendido entre los valores obtenidos se reducen drásticamente con la
@@ Line 976: / Line 976: @@
 comportamientos similares, se encontró que existe un error sistemático de 1.64 mm y 0.73 mm respectivamente logrando de esta forma
 obtener resultados que permiten mejorar la medición de la posición del LED. Los resultados del posicionamiento obtenidos con el
-sistema de medición propuesto se comparan con los resultados de trabajos existentes y se presentan en la Figura 19, la solución que
+sistema de medición propuesto se comparan con los resultados de trabajos existentes y se presentan en la [[#img-19|Figura 19]], la solución que
 proporcionan estas técnicas son cercanos a los presentados por nuestro sistema, lo que indica que el sistema de escaneo se puede
 utilizar para diferentes aplicaciones

@@ Line 318: / Line 318: @@
 El sistema cuenta con una cámara CCD monocromática (C1) con una resolución de 2448<math>\times></math>2046 pixeles y un sensor de 1/1.45" que se
-conecta al ocular del fibroscopio utilizando un video acoplador óptico (VA) ver Figura 2. Un fibroscopio de 7 mm de diámetro (FIBRO)
+conecta al ocular del fibroscopio utilizando un video acoplador óptico (VA) ([[#img-2|Figura 2]]). Un fibroscopio de 7 mm de diámetro (FIBRO)
 con una longitud efectiva de 1320 mm, dispone de una distancia mínima de trabajo de 30.48 mm, y un campo de visión de
 aproximadamente 50 grados alrededor del eje vertical y 40 grados alrededor del eje horizontal. La configuración del sistema del
-sistema de medición propuesto se muestra en la Figura 3.
+sistema de medición propuesto se muestra en la [[#img-3|Figura 3]].
+<div id='img-3'></div>
 {| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: auto%;max-width: 80%;"
 |-
@@ Line 331: / Line 331: @@
-La Figura 4 muestra la cámara endoscópica (mC2), que utiliza tecnología  optoelectrónica para inspeccionar áreas de difícil acceso.
+La [[#img-4|Figura 4]] muestra la cámara endoscópica (mC2), que utiliza tecnología  optoelectrónica para inspeccionar áreas de difícil acceso.
 La cámara endoscópica (mC2) tiene un diámetro de 7 mm, las dimensiones son de 510.54 mm <math>\times</math> 7.62 mm <math>\times</math> 7.62 mm, la resolución es de
 x480 pixeles (JPEG), adquiere a 30 cuadros por segundo (FPS) y usa una luz LED ajustable en la punta de la cámara para iluminar
@@ Line 342: / Line 342: @@
 cámara 2 (mC2) localizan el plano de luz al interior del objeto.
 {| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: auto%;max-width: auto;"
 |-
@@ Line 359: / Line 360: @@
 ===3.1 Visión Activa===
-El diagrama de flujo de la Figura 5 muestra la metodología para realizar el dimensionamiento o escaneo 2D. En él se muestran tres
+El diagrama de flujo de la [[#img-5|Figura 5]] muestra la metodología para realizar el dimensionamiento o escaneo 2D. En él se muestran tres
-grandes bloques de operaciones delimitados con línea punteada. Procedimiento de calibración, trazabilidad, posición y orientación
+grandes bloques de operaciones delimitados con línea punteada. Procedimiento de calibración, trazabilidad, posición y orientación (POSE).
-(POSE).
+<div id='img-5'></div>
-−
 {| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: auto%;max-width: auto;"
 |-
@@ Line 378: / Line 378: @@
 El último bloque del diagrama describe como el contorno de las secciones transversales 2D definidas en el plano imagen, se
 transforma en una nube de puntos (coordenadas 2D en el mundo) utilizando los parámetros intrínsecos de la cámara y la POSE del plano
-de luz. Cada uno de los bloques mostrados en la Figura 5 se encuentra descritos en [3].
+de luz. Cada uno de los bloques mostrados en la [[#img-5|Figura 5]] se encuentra descritos en [3].
 ===3.2 Determinación de la profundidad===
 Para calcular la profundidad se usó un sistema de visión, un odómetro y un sensor magnético. Primeramente determinamos el modelo del
-sensor, después hicimos una corrección, la caracterización del sensor (Figura 6) y finalmente la fusión de los datos obtenidos
+sensor, después hicimos una corrección, la caracterización del sensor ([[#img-6|Figura 6]]) y finalmente la fusión de los datos obtenidos
 por los sensores.
+<div id='img-6'></div>
 {| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: auto%;max-width: auto;"
 |-
@@ Line 406: / Line 406: @@
 El odómetro es un sistema que está compuesto por un conjunto de tarjetas electrónicas STM 32F4 discovery que se encargan de adquirir
-y procesar la señal de los pulsos generados (Figura 7). Entre las partes que componen  el sistema se encuentra un módulo de
+y procesar la señal de los pulsos generados ([[#img-7|Figura 7]]). Entre las partes que componen  el sistema se encuentra un módulo de
 medición lineal. El módulo lineal usa un encoder opto-electrónico con un carrete acoplado al mismo, se jala un cable por un sistema
 dentado con una cadena en la que cada vuelta el encoder hace un conteo de los pulsos generados. El conteo de los pulsos generados
@@ Line 413: / Line 413: @@
 Coordenadas (CMM) y la metodología presentada en [52] para una sola dimensión. La caracterización del sensor se hizo de forma
 estadística aproximando la medición de los sensores a una distribución paramétrica normal.
+<div id='img-7'></div>
 {| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: auto;max-width: auto;"
 |-
@@ Line 428: / Line 428: @@
-El sensor magnético (ver Figura 8) está formado por un imán de posición sobre un eje de movimiento del dispositivo. El sistema de
+El sensor magnético ([[#img-8|Figura 8]]) está formado por un imán de posición sobre un eje de movimiento del dispositivo. El sistema de
 medición propone el uso de una escala magnética que funciona como un potenciómetro con una resistencia de 10K cuyo desplazamiento
 depende de las posiciones del imán, para calcular el desplazamiento lineal al hacer presión sobre la capa superior del sensor, un
@@ Line 435: / Line 435: @@
 Medición de Coordenadas (CMM) como en [52]. La caracterización del sensor de desplazamiento magnético se hizo de forma estadística
 considerando una distribución normal.
+<div id='img-8'></div>
 {| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: auto%;max-width: auto;"
 |-
@@ Line 521: / Line 521: @@
 La alineación de los sensores es importante ya que la posición inicial del  sistema se estima con esta referencia. Los datos
-obtenidos de los sensores son fusionados para mejorar la estimación de la posición del generador de luz activa (Figura 9). El
+obtenidos de los sensores son fusionados para mejorar la estimación de la posición del generador de luz activa ([[#img-9|Figura 9]]). El
 odómetro y magneto adquieren datos los cuales son corregidos usando una curva polinómica previamente calculada. Las imágenes de la
 cámara son corregidas en cuanto la distorsión radial usando los coeficientes de distorsión.
 {| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: auto%;max-width: auto;"
 |-
@@ Line 596: / Line 597: @@
 ===3.3.1 Filtro de Kalman ===
 El Filtro de Kalman(FK) se utiliza para modelar sistemas lineales en el que las mediciones del sistema se ven afectadas por ruido
 aleatorio provenientes del comportamiento del sistema. Para hacer una estimación de los valores de la posición, el filtro requiere

@@ Line 124: / Line 124: @@
 posicionamiento.
-La Tabla 1 muestra las principales características que presenta nuestro sistema para escanear el interior de piezas comparado con
+La [[#tab-1|Tabla 1]] muestra las principales características que presenta nuestro sistema para escanear el interior de piezas comparado con
 otros sistemas. Los artículos presentados en esta tabla utilizan luz estructurada con uno o varios planos, o proyectan luz con
 formas conocidas. Los trabajos que no usan luz estructurada, [23], detectan características en la imagen que son seguidas mientras
@@ Line 134: / Line 134: @@
 <div class="center" style="width: auto; margin-left: auto; margin-right: auto;font-size: 75%;">
 '''Tabla 1'''. Principales características de nuestro sistema de medición de interiores comparado con otras propuestas</div>
+<div id='tab-1'></div>
 <div class="center" style="width: auto; margin-left: auto; margin-right: auto;">
 {| class="wikitable" style="margin: 1em auto 0.1em auto;border-collapse: collapse;font-size:85%;width:50%;"

@@ Line 25: / Line 25: @@
 mencionar la medición del interior del cilindro maestro que forma parte del sistema de frenado de los autos, el escaneo 3D del
 interior del cuerpo humano, la medición en el interior de tuberías, la medición del interior de botellas hechas de plástico, entre
-otros (Figura 1). El presente trabajo propone el uso de un sistema de medición capaz de obtener la posición de la luz activa
+otros ([[#img-1|Figura 1]]). El presente trabajo propone el uso de un sistema de medición capaz de obtener la posición de la luz activa
 para poder dimensionar el interior del objeto, este sistema consta de dos módulos: un sistema de dimensionamiento 2D de visión
 activa, y un sistema de posicionamiento que calcula la profundidad del sistema de dimensionamiento 2D de visión activa. La
@@ Line 31: / Line 31: @@
 obtener una medición de mayor precisión y exactitud.
 {| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: 65%;"
 |-
@@ Line 42: / Line 43: @@
 consiste en la sustitución del sistema de iluminación original del fibroscopio por un sistema que proyecta una línea de luz. Esta
 línea de luz revela una sección transversal del interior del objeto bajo estudio. La línea de luz se obtiene mediante un LED de
-potencia encerrado entre 2 placas y unido por una extensión a la punta del fibroscopio (Figura 2 (a) y (b)). Las imágenes de
+potencia encerrado entre 2 placas y unido por una extensión a la punta del fibroscopio ([[#img-2|Figuras 2]](a) y (b)). Las imágenes de
 diferentes secciones transversales del objeto son capturadas por una cámara conectada al ocular del fibroscopio por medio de un
-video acoplador (Figura 2 (c)).
+video acoplador ([[#img-2|Figura 2]](c)).
+<div id='img-2'></div>
 {| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: 70%;"
 |-

@@ Line 1,085: / Line 1,085: @@
 <div id="36"></div>
-[[#cite-36|[36]]]  Owczarek P.,  Go±li«ski J., Rybarczyk D.,  Kubacki A. Control of an electro-hydraulic manipulator by vision system using central point of a marker estimated via kalman filter. ICA 2016. Advances in Intelligent Systems and Computing, Springer International Publishing, pp. 587-596, 2016.
+[[#cite-36|[36]]]  Owczarek P.,  Goslinski J., Rybarczyk D.,  Kubacki A. Control of an electro-hydraulic manipulator by vision system using central point of a marker estimated via kalman filter. ICA 2016. Advances in Intelligent Systems and Computing, Springer International Publishing, pp. 587-596, 2016.
 <div id="37"></div>
-[[#cite-37|[37]]]  Stroupe A.W.,  Martin M.C.,  Balch T. Merging Gaussian distributions for object localization in multi-robot systems. In Experimental Robotics VII, Lecture Notes in Control and Information Sciences, 271:343-352, Springer, Berlin, Heidelberg, 2001.
+[[#cite-37|[37]]]  Stroupe A.W.,  Martin M.C.,  Balch T. Merging Gaussian distributions for object localization in multi-robot systems. In Experimental Robotics VII, Lecture Notes in Control and Information Sciences, Vol. 271, pp. 343-352, Springer, Berlin, Heidelberg, 2001.
 <div id="38"></div>
-[[#cite-38|[38]]] D.  Fox, W. Burgard, S. Thrun, Markov localization for mobile robots in dynamic environments, Journal of Artificial Intelligence Research 11 (1999) 391-427.
+[[#cite-38|[38]]]   Fox D.,  Burgard W.,  Thrun S. Markov localization for mobile robots in dynamic environments. Journal of Artificial Intelligence Research, 11:391-427, 1999.
 <div id="39"></div>
-[[#cite-39|[39]]] J. O'Kane, Global localization using odometry, Vol. 2006, 2006, pp. 37-42. doi:10.1109/ROBOT.2006.1641158.
+[[#cite-39|[39]]]  O'Kane J. Global localization using odometry. Proceedings 2006 IEEE International Conference on Robotics and Automation (ICRA 2006), pp. 37-42, 2006.
 <div id="40"></div>
-[[#cite-40|[40]]] L. Delahoche, C. Pegard, B. Marhic, P. Vasseur, Navigation system based on an omnidirectional vision sensor, Vol. 2, 1997, pp. 718-724.
+[[#cite-40|[40]]]  Delahoche L.,  Pégard C.,  Marhic B.  Vasseur P. Navigation system based on an omnidirectional vision sensor. In Proc. of the Int. Conf. on Intelligent Robotics and Systems 1997 (IROS’97), Vol. 2, pp. 718–724, Grenoble, France, 1997.
 <div id="41"></div>
-[[#cite-41|[41]]] P. Eberhard, Q. Tang, Sensor data fusion for the localization and position control of one kind of omnidirectional mobile robots, 2013. doi:10.1007/ 978-3-7091-1289-2\_4.
+[[#cite-41|[41]]]  Eberhard P., Tang Q. Sensor data fusion for the localization and position control of one kind of omnidirectional mobile robots.  Multibody System Dynamics, Robotics and Control, Springer, Chapter 4, pp. 45-73,  2013.
 <div id="6"></div>
-[[#cite-42|[42]]] M. Caruso, T. Bratland, C. Smith, R. Schneider, Anisotropic magnetoresistive sensors: Theory and applications, Sensors (Peterborough, NH) 16 (3) (1999) 18-26.
+[[#cite-42|[42]]]  Caruso M.,  Bratland T.,  Smith C.,  Schneider R. Anisotropic magnetoresistive sensors: Theory and applications. Sensors (Peterborough, NH), 16(3):18-26, 1999.
 <div id="43"></div>
-[[#cite-43|[43]]] C. Schott, R. Racz, F. Betschart, R. Popovic, A new two-axis magnetic position sensor, Vol. 1, 2002, pp. 911-915.
+[[#cite-43|[43]]]  Schott C., Racz R.,  Betschart F.,  Popovic R. A new two-axis magnetic position sensor. SENSORS, 2002 IEEE, Vol. 2,  pp. 911-915, 2002.
 <div id="44"></div>
-[[#cite-44|[44]]] M. Bosch-Jorge, A. Soriano, A. Valera, A. J. Sánchez Salmerón, Detección y seguimiento de objetos móviles utilizando un escáner láser mediante filtros de kalman, Comité Español de Automática (CEA-IFAC), Valencia (Spain), 2014.
+[[#cite-44|[44]]] Bosch-Jorge M.,  Soriano A.,  Valera A.,  Sánchez Salmerón A.J. Detección y seguimiento de objetos móviles utilizando un escáner láser mediante filtros de kalman. Comité Español de Automática (CEA-IFAC), Valencia (Spain), 2014.
 <div id="45"></div>
-[[#cite-45|[45]]] J. Woo, Y. . Kim, J. . Lee, M. . Lim, Localization of mobile robot using  particle filter, in: 2006 SICE-ICASE International Joint Conference, 2006, pp. 3031-3034
+[[#cite-45|[45]]]  Woo J.,  Kim Y.,  Lee J.,  Lim M. Localization of mobile robot using  particle filter. In 2006 SICE-ICASE International Joint Conference, pp. 3031-3034, 2006.
 <div id="46"></div>
-[[#cite-46|[46]]] P. Vadakkepat, L. Jing, Improved particle filter in sensor fusion for tracking randomly moving object, IEEE Transactions on Instrumentation and  Measurement 55 (5) (2006) 1823-1832.
+[[#cite-46|[46]]] Vadakkepat P.,  Jing L. Improved particle filter in sensor fusion for tracking randomly moving object. IEEE Transactions on Instrumentation and  Measurement, 55(5):1823-1832, 2006.
 <div id="47"></div>
-[[#cite-47|[47]]] C. Yuan, M. Lianchuan, W. Ma, Mobile target tracking based on hybrid open-loop monocular vision motion control strategy, Discrete Dynamics in Nature and Society 2015.
+[[#cite-47|[47]]]  Yuan C.,  Lianchuan M.,  Ma W. Mobile target tracking based on hybrid open-loop monocular vision motion control strategy. Discrete Dynamics in Nature and Society,  10 pp., 2015.
 <div id="48"></div>
-[[#cite-48|[48]]] Z. Boukhers, K. Shirahama, F. Li, M. Grzegorzek, Object detection and depth estimation for 3d trajectory extraction, in: Proceedings - International Workshop on Content-Based Multimedia Indexing, Vol. 2015-July, 2015.
+[[#cite-48|[48]]]  Boukhers Z.,  Shirahama K.,  Li F.,  Grzegorzek M. Object detection and depth estimation for 3d trajectory extraction. In Proceedings of International Workshop on Content-Based Multimedia Indexing, Vol. 2015, July 2015.
 <div id="49"></div>
-[[#cite-49|[49]]] A. K. Sanjay S., S.D Kamble, Object detection and tracking using particle filters (5 2015).
+[[#cite-49|[49]]] Sakharkar S.S.,  Kamble S.D., Khobragade A.S. Object detection and tracking using particle filters. International Journal of Computer Trends and Technology(IJCTT),  Vol. 22(1), April 2015.
 <div id="50"></div>
-[[#cite-50|[50]]] J.-Y. Bouguet, Camera calibration toolbox for matlab (2015).
+[[#cite-50|[50]]]  Bouguet J.-Y. Camera calibration toolbox for Matlab, 2015.
 <div id="51"></div>
-[[#cite-51|[51]]] J. Y. Bouguet, Camera calibration toolbox for Matlab (2008).
+[[#cite-51|[51]]] Bouguet J.-Y. Camera calibration toolbox for Matlab, 2008.
 <div id="52"></div>

@@ Line 1,001: / Line 1,001: @@
 <div id="8"></div>
-[[#cite-8|[8]]] R. Melo, J. Barreto, G. Falcão, A new solution for camera calibration and real-time image distortion correction in medical endoscopy-initial technical  evaluation., IEEE transactions on bio-medical engineering 59 (3) (2012) 634-44. doi:10.1109/TBME.2011.2177268.
+[[#cite-8|[8]]]  Melo R., Barreto J.,  Falcão G. A new solution for camera calibration and real-time image distortion correction in medical endoscopy-initial technical  evaluation. IEEE Transactions on Bio-Medical Engineering, 59(3):634-44, 2012.
 <div id="9"></div>
-[[#cite-9|[9]]] C. Schmalz, F. Forster, A. Schick, E. Angelopoulou, An endoscopic 3d scanner based on structured light, Medical Image Analysis 16 (5) (2012) 1063-1072.doi:10.1016/j.media.2012.04.001
+[[#cite-9|[9]]] Schmalz C., Forster F.,  Schick A.,  Angelopoulou E. An endoscopic 3d scanner based on structured light. Medical Image Analysis, 16(5):1063-1072, 2012.
 <div id="10"></div>
-[[#cite-10|[10]]] M. Hayashibe, N. Suzuki, Y. Nakamura, Laser-scan endoscope system for intraoperative geometry acquisition and surgical robot safety management., Medical image analysis 10 (4) (2006) 509-19. doi:10.1016/j.media. 2006.03.001.
+[[#cite-10|[10]]]  Hayashibe M.,  Suzuki N.,  Nakamura Y. Laser-scan endoscope system for intraoperative geometry acquisition and surgical robot safety management. Medical Image Analysis, 10(4):509-19, 2006.
 <div id="11"></div>
-[[#cite-11|[11]]] C.h. Wu, Y. n. Sun, C.c. Chang, Three-Dimensional Modeling From Endoscopic Video Using Geometric Constraints Via Feature Positioning, IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING 54 (7) (2007) 1199-1211.
+[[#cite-11|[11]]]  Wu C.H.,  Sun Y.N.,  Chang C.C. Three-dimensional modeling from endoscopic video using geometric constraints via feature positioning. IEEE Transactions on Biomedical Engineering, 54(7):1199-1211,  2007.
 <div id="12"></div>
-[[#cite-12|[12]]] ] C. Wu, S. Narasimhan, B. Jaramaz, Shape-from-shading under near point lighting and partial views for orthopedic endoscopy, in: Proceedings of the  First Int. Workshop on PACV 2007.
+[[#cite-12|[12]]] ] C. Wu,  Narasimhan S.,  Jaramaz B. Shape-from-shading under near point lighting and partial views for orthopedic endoscopy. In Proceedings of the  First Int. Workshop on Photometric Analysis For Computer Vision - PACV 2007, 8 pp., Rio de Janeiro, Brazil,  2007.
 <div id="13"></div>
-[[#cite-13|[13]]] G.h. Wang, J.q. Han, X.m. Zhang, Three-dimensional reconstruction of endoscope images by a fast shape from shading method, Measurement Science and Technology 20 (12) (2009) 125801. doi:10.1088/0957-0233/ 20/12/125801.
+[[#cite-13|[13]]] Wang G.H.,  Han J.Q.,  Zhang X.M. Three-dimensional reconstruction of endoscope images by a fast shape from shading method. Measurement Science and Technology, 20 (12):125801, 2009.
 <div id="14"></div>
-[[#cite-14|[14]]] L. Criante, A. Lucesoli, B. Farabollini, F. Bonifazi, T. Rozzi, F. Simoni, Size measurement in endoscopic images by low coherence interferometry, Journal of Optics A: Pure and Applied Optics 11 (3) (2009) 034007. doi: 10.1088/1464-4258/11/3/034007.
+[[#cite-14|[14]]] Criante L.,  Lucesoli A.,  Farabollini B.,  Bonifazi F.,  Rozzi T.,  Simoni F. Size measurement in endoscopic images by low coherence interferometry. Journal of Optics A: Pure and Applied Optics, 11(3):034007, 2009.
 <div id="15"></div>
-[[#cite-15|[15]]] J. Penne, K. Höller, M. Stürmer, T. Schrauder, A. Schneider, R. Engel brecht, H. Feussner, B. Schmauss, J. Hornegger, Time-of-Flight 3-D endoscopy., Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and
+[[#cite-15|[15]]]  Penne J.,  Höller K.,  Stürmer M.,  Schrauder T.,  Schneider A.,  Engelbrecht R.,  Feussner H.,  Schmauss B.,  Hornegger J. Time-of-flight 3-D endoscopy. International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI 2009), 12 (Pt 1), 467-474, 2009.
-Computer-Assisted Intervention 12 (Pt 1) (2009) 467-74.
 <div id="16"></div>
-[[#cite-16|[16]]] C. Daul, W. Blondel, From 2D towards 3D cartography of hollow organs,  in: Computing Science and Automatic Control, CCE 2010, no. Cce, 2010, pp. 285-293.
+[[#cite-16|[16]]]  Daul C.,  Blondel W. From 2D towards 3D cartography of hollow organs.  7th IEEE International Conference on ElectricalEngineering, Computing Science and Automatic Control, CCE 2010, CCE 201, pp. 285-293, Tuxtla Gutiérrez, Mexico, Sept. 2010.
 <div id="17"></div>

@@ Line 980: / Line 980: @@
 <span id='_Ref449083719'></span>
 <div id="1"></div>
-[[#cite-1|[1]]] Z. Zhang, Flexible camera calibration by viewing a plane from unknown orientations, Computer Vision, 1999. The Proceedings of the Seventh IEEE International Conference on 1 (1999) 666-673.
+[[#cite-1|[1]]]  Zhang Z. Flexible camera calibration by viewing a plane from unknown orientations.  Proceedings of the Seventh IEEE International Conference on Computer Vision, pp. 666-673, 1999.
 <div id="2"></div>
-[[#cite-2|[2]]] S. Rupp, C. Winter, T. Wittenberg, Camera Calibration from Fiberscopic Views with Accuracy Evaluation, Bildverarbeitung für die Medizin 2006.
+[[#cite-2|[2]]]  Rupp S.,  Winter C.,  Wittenberg T. Camera calibration from fiberscopic views with accuracy evaluation. Bildverarbeitung für die Medizin,  pp. 424-428, 2006.
 <div id="3"></div>
-[[#cite-3|[3]]] O. Icasio-Hernández, J.-J. Gonzalez-Barbosa, J. Hurtado-Ramos, M. Viliesid-Alonso, 3d reconstruction of hollow parts analyzing images acquired by a fiberscope, Measurement Science and Technology 25 (7). doi:10.1088/0957-0233/25/7/075402.
+[[#cite-3|[3]]]  Icasio-Hernández O.,  Gonzalez-Barbosa J.-J.,  Hurtado-Ramos J.,  Viliesid-Alonso M. 3d reconstruction of hollow parts analyzing images acquired by a fiberscope. Measurement Science and Technology 25 (7), 2014.
 <div id="4"></div>
-[[#cite-4|[4]]] L. Chen, V. Bavigadda, T. Ko_dis, R. Howe, Fiber optic projection-imaging system for shape measurement in confined space, The ScientificWorld Journal 2014. doi:10.1155/2014/206569
+[[#cite-4|[4]]]  Chen L.,  Bavigadda V.,  Kofidis T.,  Howe R. Fiber optic projection-imaging system for shape measurement in confined space. The ScientificWorld Journal, 28:206569, 2014.
 <div id="5"></div>
-[[#cite-5|[5]]] T. Stehle, D. Truhn, T. Aach, C. Trautwein, J. Tischendorf, Camera calibration for fish-eye lenses in endoscopy with an application to 3D reconstruction, in: Proceedings IEEE International Symposium on Biomedical Imaging (ISBI), IEEE, Washington, D.C., 2007, pp. 1176-1179 (CD_ROM, ISBN: 1-4244-0672-2).
+[[#cite-5|[5]]]  Stehle T.,  Truhn D.,  Aach T.,  Trautwein C.,  Tischendorf J. Camera calibration for fish-eye lenses in endoscopy with an application to 3D reconstruction. In Proceedings IEEE International Symposium on Biomedical Imaging (ISBI), IEEE, Washington D.C., pp. 1176-1179, 2007.
 <div id="6"></div>
-[[#cite-6|[6]]] J. Barreto, J. Santos, Ray-based calibration of rigid medical endoscopes, The 8thWorkshop Omnidirectional Vision Camera Networks and Non Classical Cameras.
+[[#cite-6|[6]]]  Barreto J.,  Santos J. Ray-based calibration of rigid medical endoscopes.  The 8th Workshop Omnidirectional Vision Camera Networks and Non Classical Cameras (OMNIVIS), Marseille, France, 2008.
 <div id="7"></div>
-[[#cite-7|[7]]] J. P. Barreto, J. Roquette, P. Sturm, F. Fonseca, Automatic Camera Calibration Applied to Medical Endoscopy, Procedings of the British Machine Vision Conference 2009 (2009) 52.1-52.10doi:10.5244/C.23.52.
+[[#cite-7|[7]]]  Barreto J.P.,  Roquette J.,  Sturm P.,  Fonseca F. Automatic camera calibration applied to medical endoscopy. Procedings of the British Machine Vision Conference, 52.1-52.10, 2009.
 <div id="8"></div>

@@ Line 935: / Line 935: @@
 |}
 </center>
 <div class="center" style="width: auto; margin-left: auto; margin-right: auto;font-size: 75%;">
@@ Line 950: / Line 951: @@
-Los resultados experimentales muestran que el error de medición del sensor propuesto está dentro del 1%. Este resultado se compara a continuación con el obtenido en otros trabajos, en los que se presentan sistemas que proporcionan información útil para aplicaciones de navegación e inspección de tuberías y modelado 3D. Autores como [59] presentan un sistema de visión capaz de obtener información de la profundidad con un error de estimación menor al 2%. Un sistema de visión para el escaneo de tuberías 3D como el propuesto en [60], en el método de escaneo consiste en proyectar un haz de luz  circular sobre la  superficie del tubo, que permite calcular la posición de escaneo con  una resolución de menos del 1%.  En [61] demuestran  cómo se puede realizar la medición del perfil interno de piezas cilíndricas con una resolución del 2 %. Mientras que en [62] proponen un sistema de medición para la reconstrucción 3D de tuberías,  el método consiste en estimar el movimiento de la cámara  con referencia las coordenadas 3D de la sección de luz, este sistema puede estimar el movimiento de la cámara  con un error del 3 %. En  [63] proponen un método de localización simultánea para estimar con precisión la posición de un instrumento utilizado con aplicaciones quirúrgicas, con una precisión menor del  2%. En [64] proponen un sistema para la inspección de tuberías que consiste en un robot móvil que se desplaza en el interior del ducto, la posición del móvil es medida a través de un distanciómetro láser con una precisión del 3%.  En [65] presentan una técnica de estimación de la posición de la cámara dentro de la tubería con una precisión del 1%. De los resultados obtenidos con el sistema de medición propuesto en nuestro trabajo, se deduce que la precisión de nuestro sensor puede considerarse del mismo nivel que los trabajados mencionados, lo que demuestra que este sensor es adecuado para utilizarse en procesos donde es posible adaptar mediciones ópticas donde se espera que el sistema sea capaz de evaluar el perfil de la superficie interna de la pieza a medir.
+Los resultados experimentales muestran que el error de medición del sensor propuesto está dentro del 1%. Este resultado se compara a continuación con el obtenido en otros trabajos, en los que se presentan sistemas que proporcionan información útil para aplicaciones de navegación e inspección de tuberías y modelado 3D. Autores como [59] presentan un sistema de visión capaz de obtener información de la profundidad con un error de estimación menor al 2%. Un sistema de visión para el escaneo de tuberías 3D como el propuesto en [60], en el método de escaneo consiste en proyectar un haz de luz  circular sobre la  superficie del tubo, que permite calcular la posición de escaneo con  una resolución de menos del 1%.  En [61] demuestran  cómo se puede realizar la medición del perfil interno de piezas cilíndricas con una resolución del 2%. Mientras que en [62] proponen un sistema de medición para la reconstrucción 3D de tuberías,  el método consiste en estimar el movimiento de la cámara  con referencia las coordenadas 3D de la sección de luz, este sistema puede estimar el movimiento de la cámara  con un error del 3%. En  [63] proponen un método de localización simultánea para estimar con precisión la posición de un instrumento utilizado con aplicaciones quirúrgicas, con una precisión menor del  2%. En [64] proponen un sistema para la inspección de tuberías que consiste en un robot móvil que se desplaza en el interior del ducto, la posición del móvil es medida a través de un distanciómetro láser con una precisión del 3%.  En [65] presentan una técnica de estimación de la posición de la cámara dentro de la tubería con una precisión del 1%. De los resultados obtenidos con el sistema de medición propuesto en nuestro trabajo, se deduce que la precisión de nuestro sensor puede considerarse del mismo nivel que los trabajados mencionados, lo que demuestra que este sensor es adecuado para utilizarse en procesos donde es posible adaptar mediciones ópticas donde se espera que el sistema sea capaz de evaluar el perfil de la superficie interna de la pieza a medir.
 {| style="text-align: center; border: 1px solid #BBB; margin: 1em auto; width: auto;max-width: auto;"