CACIC 2026 // Workshop de Computación Gráfica, Imágenes y Visualización
Evaluación comparativa entre aprendizaje profundo y seguimiento de identidad para el reconocimiento de tableros
Angelo V. Perrotta · Santiago M. González · Franco A. Balich · Néstor Balich
Universidad Abierta Interamericana · Facultad de Tecnología Informática
Centro de Altos Estudios en Tecnología Informática · Laboratorio de Robótica Física e Inteligencia Artificial
El problema // 01
64 casillas. Cuál está ocupada y por qué pieza?
Reconstruir la posición de un tablero físico a partir de una imagen, en forma digital y sin que nadie la cargue a mano.
Por qué // 02
Un robot que juega sobre un tablero real
Toda la cadena depende de la primera etapa. Si la percepción falla, lo que sigue no tiene sentido.
Estado del arte // 03
El camino estándar es clasificar cada pieza
Un modelo aprende a reconocer las doce clases posibles a partir de imágenes etiquetadas.
- ·Wölflein y Arandjelović (2021) · visión tradicional más dos redes convolucionales, una de ocupación y otra de clasificación
- ·Naik y colaboradores (2025) · detección basada en YOLO en tiempo real
- ·Masouris y van Gemert (2023) · arquitecturas de extremo a extremo
- ·Czyzewski y colaboradores (2020) · detección de la retícula asistida por redes neuronales
El costo // 04
Tres limitaciones que arrastra clasificar
01 · Datos
Necesita muchas imágenes anotadas. Alguien tiene que etiquetar pieza por pieza.
02 · Entrenamiento
Consume tiempo y recursos de cómputo cada vez que cambia algo.
03 · Generalización
Queda atado a los estilos de pieza vistos durante el entrenamiento.
La pregunta // 05
Y si no clasificamos ninguna pieza?
Si se conoce la posición inicial y se observa la partida jugada a jugada, la identidad se mantiene por seguimiento, y las reglas del ajedrez validan cada cambio.
Punto de partida // 06
El prototipo geométrico inicial
Localización en cascada, rectificación por homografía y detección de ocupación. Sin aprendizaje automático.
Resolvió bien
- +Localización del tablero
- +División en 64 casillas
- +Ocupación de cada casilla
Quedó pendiente
- −Identificar el tipo de pieza, delegado en un modelo externo que no generalizaba
Paradigma A // 07
Aprendizaje profundo
- ·YOLOv8 variante pequeña
- ·6.588 imágenes de tableros reales, repositorio público
- ·100 épocas desde pesos preentrenados
- ·12 clases de pieza
- ·Salida en notación FEN
Cómo trabaja
Detecta las piezas y devuelve recuadro, clase y confianza. El centro de cada recuadro se proyecta sobre la cuadrícula rectificada y asigna la pieza a su casilla.
Cámara oblicua, cerca de 60 grados respecto del plano del tablero. Es la disposición con la que fue entrenado.
Paradigma A // 08
Detecciones con su clase y confianza, y la reconstrucción digital de la posición. Vista oblicua, el ángulo natural de este paradigma.
Paradigma B // 09
Seguimiento de identidad
La propuesta del trabajo. No clasifica ninguna pieza en ningún momento.
Posición inicial
En ajedrez es siempre la misma. La identidad de las 32 piezas se conoce de entrada.
Persistencia
Entre dos lecturas consecutivas cambian muy pocas casillas. El cambio es la señal.
Reglas del ajedrez
Determinan qué transiciones son posibles. Lo que no encaja se descarta.
Paradigma B // 10 · flujo
Paradigma B // 11
Localización y ocupación
Localización, cascada de tres
- 149 esquinas internas del patrón 7×7, con refinamiento subpíxel
- 2Transformada de Hough sobre las líneas de la cuadrícula
- 3Análisis de contornos hasta hallar un cuadrilátero compatible
Homografía a 800 × 800 píxeles.
Ocupación, por diferencia
Comparación contra una referencia del tablero vacío tomada en la calibración.
De cada casilla se usa la región central, descartando un 15 % de cada lado para evitar las líneas divisorias.
Si la proporción de píxeles que cambiaron supera el umbral, la casilla está ocupada. El bando sale por segmentación de color.
Paradigma B // 12
Transferencia de identidad
Movimiento simple
Una casilla ocupada se vacía y una vacía se ocupa, mismo bando.
La identidad se transfiere del origen al destino.
Captura
Una casilla se vacía y otra cambia de bando.
La pieza capturada se retira del seguimiento.
Paradigma B // 13
Identidad superpuesta
Cada cubo lleva la letra de la identidad asignada desde la posición inicial. El color indica el bando.
Los cubos difieren del blanco y negro de las casillas, así que la segmentación evita el problema clásico de confundir una pieza clara apoyada sobre una casilla clara.
Cobertura del reglamento // 14
Los tres casos especiales
Enroque
4 cambios simultáneos del mismo bando. Solo hay cuatro combinaciones posibles, se resuelve con una tabla fija.
Captura al paso
3 cambios. Se vacía también la casilla del peón capturado, que no coincide con el destino. Ese desajuste la distingue.
Promoción
Sin cambio de conteo, pero sí de identidad. Al llegar a la última fila se reemplaza por la pieza elegida.
Montaje experimental // 15
Equipo
- ·Intel Core i5, 13.ª generación · 16 GB RAM
- ·Logitech C920e en alta definición
- ·Iluminación blanca de laboratorio
- ·Tres repeticiones por caso, se informa el promedio
Cuatro conjuntos de medidas
- 1Detección del tablero
- 2Ocupación de casillas
- 3Identificación y seguimiento
- 4Generalización de ángulo
Resultados // 16 · tablero y ocupación
Acá los tres empatan
Aprend. profundo
64 de 64
Seguimiento
64 de 64
Prototipo geom.
64 de 64
Resultados // 17 · identificación
Identificación de piezas y exactitud del seguimiento
Resultados // 18 · generalización de ángulo
Cada uno en su ángulo, y en el del otro
Resultados // 19 · condiciones adversas
Robustez
| Paradigma | Condición | Resultado |
|---|---|---|
| Aprendizaje profundo | Iluminación tenue | 10 de 16 piezas |
| Aprendizaje profundo | Reflejos intensos | 11 de 16 piezas |
| Aprendizaje profundo | Oclusión de piezas | falla |
| Seguimiento | Iluminación tenue | 64 de 64 casillas |
| Seguimiento | Reflejos intensos | 64 de 64 casillas |
Síntesis // 20
| Propiedad | Aprend. profundo | Seguimiento | Prototipo geom. |
|---|---|---|---|
| Requiere un modelo entrenado | Sí | No | No |
| Requiere datos etiquetados | Sí | No | No |
| Admite piezas no estándar | No | Sí | Sí |
| Reconoce desde cualquier posición | Sí | No | Sí |
| Registra la secuencia de jugadas | No | Sí | No |
| Valida legalidad | No | Sí | No |
| Salida | FEN | PGN | Ocupación |
Conclusión // 21
El paradigma cambia el eje del problema
En lugar de invertir esfuerzo en reconocer cada pieza, lo invierte en mantener la coherencia de la partida a lo largo del tiempo.
Lo que mostramos
- ·Ninguno domina en todas las condiciones
- ·El nicho lo define el ángulo, los datos y el tipo de pieza
- ·El seguimiento encaja con el robot que mira desde el inicio
Lo que sigue
- ·Implementar los casos especiales
- ·Caracterizar el costo computacional por cuadro
- ·Ampliar repeticiones y medir dispersión
- ·Integrar con el brazo en construcción