Počítačové vidění je odvětví umělé inteligence, která používá stroje a hluboké učení umožnit počítače „vidět“, a analyzovat své okolí. Počítačové vidění má obrovský dopad na společnosti všech průmyslových odvětví, od maloobchodu po zemědělství. To je užitečné zejména pro problémy, kde bychom potřebovali lidské oko pohlížet na situaci. Vzhledem k širokému množství problémů, které v těchto kritériích existují, nebyly dosud objeveny nebo vyčerpány tisíce aplikací počítačového vidění.
Tento článek bude kumulativním seznamem rychle rostoucích a progresivních aplikací počítačového vidění používaných významnými průmyslovými odvětvími v roce 2021.
Počítačové Vidění ve Sportu
Hráč Představovat Sledování
AI vision může být použit rozpoznat vzory mezi pohybu lidského těla a představují více snímků ve video záznamu, nebo real-time video streamů. Odhad lidské pózy byl aplikován na videa plavců v reálném světě, kde jednotlivé stacionární kamery filmují nad a pod vodní hladinou. Tyto videozáznamy lze použít ke kvantitativnímu posouzení výkonu sportovců bez ručního anotace částí těla v každém snímku videa. Konvoluční neuronové sítě se používají k automatickému odvození požadovaných informací o póze a detekci plaveckého stylu sportovce.
Markerless Motion Capture
Kamery lze použít ke sledování pohybu lidské kostry bez použití tradiční optické markery a speciální kamery. To je nezbytné ve sportovním zachycení, kde hráči nemohou být zatíženi dodatečným oblečením nebo zařízeními pro zachycení výkonu.
Objektivní Hodnocení Výkonnosti Sportovce
Automatická detekce a rozpoznávání sport-specifické pohyby překonat omezení spojená s ruční analýzu výkonnosti metody. Datové vstupy počítačového vidění lze použít v kombinaci s daty senzorů a nositelných na těle. Populární případy použití jsou analýza plavání, analýza golfového švihu, analýza terénního běhu, alpské lyžování a detekce a hodnocení kriketového bowlingu.
Multi-Player Představovat Sledování
Pomocí Počítačového Vidění algoritmy, póze a pohybu více hráčů v týmu může být vypočtena z obou monokulární (single-kamery) a multi-view (záběry z více kamer) sportovní video souborů údajů. Potenciál využití odhadu 2D nebo 3D Představovat hráčů ve sportu je rozsáhlá a zahrnuje analýzu výkonnosti, zachycení pohybu, a nové aplikace v broadcast a immersive media.
rozpoznávání tahů
aplikace počítačového vidění lze použít k detekci a klasifikaci tahů (například ke klasifikaci tahů ve stolním tenisu). Uznání nebo klasifikace pohybů zahrnuje další výklady a označené předpovědi identifikovány instance (například rozlišování tenisových úderů jako forhend nebo bekhend). Cílem rozpoznávání mrtvice je poskytnout učitelům, trenérům a hráčům nástroje pro analýzu her stolního tenisu a efektivnější zlepšování sportovních dovedností.
v Okolí Real-Time Koučování
Počítačové Vidění založené sportovní analytics pomoci zlepšit účinnost zdrojů a snížit zpětnou vazbu časy pro čas-omezení úkolů. Trenéři a sportovci zapojené v čase-intenzivní notační úkoly, včetně post-plavat závod analýzu, mohou mít prospěch z rychlého objektivní zpětnou vazbu před dalším závodem v programu akce.
Sportovní Tým Chování, Analýzy
Analytici v profesionální tým sport pravidelně provádět analýzu získat strategické a taktické poznatky do přehrávače a týmové chování (identifikovat nedostatky, hodnotit výkon a potenciály zlepšení). Ruční analýza videa je však obvykle časově náročný proces, kdy analytici potřebují zapamatovat si a anotovat scény. Počítačové Vidění techniky mohou být použity pro výpis trajektorie data z video materiálu a aplikovat pohyb techniky analýzy odvodit příslušné týmový sport analytické opatření pro oblasti, týmu, tvorba, akce, a hráč analýzy (například v fotbalový tým sportovní analýzy).
Automatické Mediální Pokrytí
AI vidění technologie může využít video záznam interpretovat sportovní hry a jejich předávání mediální domy, aniž by nutně jít tam s fyzikální kamery. Například baseball získal tuto výhodu v posledních několika letech s automatizací herního zpravodajství.
sledování míče
údaje o trajektorii míče jsou jednou z nejzákladnějších a nejužitečnějších informací při hodnocení výkonu hráčů a analýze herních strategií. Sledování pohybu míče je tedy aplikace hlubokého a strojového učení k detekci a následnému sledování míče ve video rámcích. Sledování míče je důležité ve sportu s velkými poli (např. fotbal), které pomáhají hlasatelům a analytikům rychleji interpretovat a analyzovat sportovní hru a taktiku.
technologie brankové čáry
kamerové systémy mohou být použity k určení, zda byl gól vstřelen nebo ne, aby podpořily rozhodování rozhodčích. Na rozdíl od senzorů je metoda založená na vidění neinvazivní a nevyžaduje změny typických fotbalových zařízení. Takové systémy technologie brankové čáry jsou založeny na vysokorychlostních kamerách, jejichž obrazy se používají k triangulaci polohy míče. Algoritmus detekce míče, který analyzuje kandidátské oblasti míče, aby rozpoznal vzor míče.
Detekce Událostí ve Sportu
Hluboké Učení mohou být použity k detekci komplexu události z nestrukturovaných videa, jako bodování cíl v fotbalový zápas, v blízkosti mine, nebo dalších zajímavých částí hry, které nemají za následek skóre. Tato technologie může být použita pro detekci událostí v reálném čase ve sportovním vysílání, použitelné pro širokou škálu terénních sportů.
self-training zpětná vazba
počítačové vidění založené self-training systémy pro sportovní cvičení je nedávno vznikající výzkumné téma. Zatímco sebevzdělávání je nezbytné ve sportovním cvičení, praktik může postupovat v omezené míře bez pokynu trenéra. Například, jóga self-školení aplikace má za cíl, na pokyn lékaře provádět jóga správně, pomáhat v nápravě špatné držení těla a prevenci zranění. Systém sebevzdělávání poskytuje pokyny, jak upravit držení těla.
Automatické Zvýraznění Generace
Vyrábějící sportovní vrcholů je náročná práce, která vyžaduje určitý stupeň specializace, a to zejména ve sportu, s komplexní soubor pravidel, která se hraje na delší dobu (např. Kriket). Příkladem aplikace je automatické generování zvýraznění kriketu pomocí funkcí založených na událostech a vzrušení, které rozpoznávají a zachycují důležité události v kriketovém zápase. Další aplikací je automatická kurace golfových světel pomocí multimodelových vzrušujících funkcí s počítačovým viděním.
bodování sportovní aktivity
metody hlubokého učení lze použít pro bodování sportovní aktivity pro hodnocení kvality akce sportovců(hluboké funkce pro bodování sportovní aktivity). Automatické bodování sportovní aktivity lze použít při potápění, krasobruslení nebo klenbě (ScoringNet je 3D síťová aplikace CNN pro bodování sportovních aktivit). Například aplikace pro bodování potápění funguje tak, že posoudí skóre kvality potápěčského výkonu sportovce: záleží na tom, zda jsou nohy sportovce pohromadě a jejich prsty směřují rovně po celý potápěčský proces.
počítačové vidění ve zdravotnictví
detekce rakoviny
strojové učení je začleněno do lékařského průmyslu pro účely, jako je detekce rakoviny prsu a kůže. Obraz detekce umožňuje vědcům rozeznat nepatrné rozdíly mezi rakovinných a non-rakovinné obrázky, a diagnostikovat data z magnetické rezonance (MRI) a vloženy fotografie jako maligní nebo benigní.
diagnóza COVID-19
počítačové vidění lze použít pro kontrolu koronaviru. Pro rentgenovou diagnostiku COVID-19 existuje několik modelů počítačového vidění s hlubokým učením. Nejoblíbenější pro detekci případů COVID-19 s digitálními rentgenovými snímky hrudníku (CXR) se jmenuje COVID-Net a byl vyvinut společností Darwin AI v Kanadě.
klasifikace buněk
strojové učení v případech lékařského použití bylo použito ke klasifikaci T-lymfocytů proti epiteliálním buňkám rakoviny tlustého střeva s vysokou přesností. Očekává se, že ML významně urychlí proces identifikace onemocnění týkající se rakoviny tlustého střeva efektivně a za malou nebo žádnou cenu po vytvoření.
analýza pohybu
neurologická a muskuloskeletální onemocnění, jako jsou blížící se mrtvice, problémy s rovnováhou a chůzí, lze detekovat pomocí modelů hlubokého učení a počítačového vidění i bez analýzy lékaře. Pose odhad počítačové vidění aplikace, které analyzují pohyb pacienta pomoci lékařům v diagnostice pacienta s lehkostí a zvýšenou přesností.
detekce masky
maskované rozpoznávání obličeje se používá k detekci použití masek a ochranných prostředků k omezení šíření koronaviru. Systémy počítačového vidění pomáhají zemím implementovat masky jako kontrolní strategii k omezení šíření koronavirové choroby. Soukromé společnosti, jako je Uber, vytvořily funkce počítačového vidění, které mají být implementovány do jejich mobilních aplikací, aby zjistily, zda cestující nosí masky nebo ne. Programy, jako je tento, zvyšují bezpečnost veřejné dopravy během pandemie koronavirů.
detekce nádorů
mozkové nádory lze pozorovat při MRI skenech a jsou často detekovány pomocí hlubokých neuronových sítí. Software pro detekci nádorů využívající hluboké učení je pro lékařský průmysl zásadní, protože dokáže detekovat nádory s vysokou přesností, aby pomohl lékařům diagnostikovat. Neustále se vyvíjejí nové metody pro zvýšení přesnosti těchto diagnóz.
skóre progrese onemocnění
počítačové vidění lze použít k identifikaci pacientů, kteří jsou kriticky nemocní, k přímé lékařské péči(kritický screening pacientů). U lidí nakažených COVIDEM-19 se zjistilo, že mají rychlejší dýchání. Hluboké učení pomocí hloubkových kamer lze použít k identifikaci abnormálních respiračních vzorců k provedení přesného a nenápadného, ale rozsáhlého screeningu lidí infikovaných virem COVID-19.
Zdravotní péče a rehabilitace
Fyzikální terapie je důležitá pro oživení tréninku z mrtvice, kteří přežili a sportovní zranění pacientů. Od dohledem profesionální poskytována nemocnice nebo lékařské agentury je dražší, domácí trénink s vizí, založené na rehabilitaci aplikace je výhodné, protože to umožňuje lidem praktikovat pohyb školení soukromě a ekonomicky. V počítačové terapii nebo rehabilitaci lze hodnocení lidské činnosti použít k pomoci pacientům při tréninku doma, vést je k řádnému provádění akcí a zabránit jim v dalších zraněních.
Medical Skill Training
aplikace počítačového vidění se používají pro hodnocení úrovně dovedností odborných studentů na samoučících se platformách. Například pro chirurgické vzdělávání byly vyvinuty platformy chirurgického výcviku založené na simulaci. Technika hodnocení kvality akce umožňuje vyvinout výpočetní přístupy, které automaticky vyhodnocují výkon chirurgických studentů. V souladu s tím mohou být jednotlivcům poskytnuty smysluplné informace o zpětné vazbě a vést je ke zlepšení jejich úrovně dovedností.
počítačové vidění v zemědělství
sledování plodin
výnos a kvalita důležitých plodin, jako je rýže a pšenice, určují stabilitu bezpečnosti potravin. Sledování růstu plodin se tradičně opírá hlavně o subjektivní lidský úsudek a není včasné ani přesné. Aplikace počítačového vidění umožňují nepřetržitě a nedestruktivně sledovat růst rostlin a reakci na požadavky na živiny. Ve srovnání s manuální operací, real-time monitorování růstu plodin za použití technologie počítačového vidění dokáže detekovat jemné změny v plodinách v důsledku podvýživy mnohem dříve, a může poskytnout spolehlivé a přesné základ pro včasné nařízení. Aplikace počítačového vidění lze použít k měření ukazatelů růstu rostlin nebo ke stanovení fáze růstu.
detekce kvetení
Datum záhlaví pšenice je jedním z nejdůležitějších parametrů pro pšeničné plodiny. Automatický systém pozorování počítačového vidění lze použít k určení období záhlaví pšenice. Technologie počítačového vidění má výhody nízkých nákladů, malých chyb, vysoké účinnosti a dobré robustnosti a může být dynamicky a průběžně analyzována.
monitorování plantáží
v inteligentním zemědělství lze zpracování obrazu pomocí snímků dronů použít k dálkovému sledování plantáží palmového oleje. S geoprostorovými ortofotami je možné určit, která část plantážní půdy je úrodná pro vysazené plodiny. Bylo také možné identifikovat oblasti méně úrodné z hlediska růstu a také část plantážního pole, které vůbec neroste.
detekce hmyzu
rychlé a přesné rozpoznání a počítání létajícího hmyzu mají velký význam, zejména pro kontrolu škůdců. Tradiční ruční identifikace a počítání létajícího hmyzu je neefektivní a náročná na práci. Systémy založené na vidění umožňují počítání a rozpoznávání létajícího hmyzu (na základě toho, že se podíváte pouze jednou (YOLO) detekce a klasifikace objektů).
detekce chorob rostlin
automatický a přesný odhad závažnosti onemocnění je nezbytný pro zajištění potravin, zvládání nemocí a predikci ztráty výnosu. Metoda hlubokého učení zabraňuje pracnému inženýrství funkcí a segmentaci obrazu založenou na prahu. Byly vyvinuty automatické odhady závažnosti onemocnění rostlin založené na obrazu pomocí aplikací hlubokých konvolučních neuronových sítí (CNN), například k identifikaci černé hniloby jablek.
Automatické pletí
Plevele jsou považovány za škodlivé rostliny v agronomii, protože oni soutěžit s plodinami pro získání vody, minerálů a jiných živin v půdě. Postřik pesticidů pouze na přesných místech plevelů výrazně snižuje riziko kontaminace plodin, lidí, zvířat a vodních zdrojů. Inteligentní detekce a odstraňování plevelů jsou rozhodující pro rozvoj zemědělství. Systém počítačového vidění založený na neuronové síti lze použít k identifikaci rostlin brambor a tří různých plevelů pro postřik specifický na místě.
Automatická sklizeň
v tradičním zemědělství se spoléhá na mechanické operace, přičemž ruční sklizeň je základem, což má za následek vysoké náklady a nízkou účinnost. V posledních letech, s neustálým aplikace počítačového vidění technologie, high-end inteligentní zemědělské stroje na sklízení, například sklizeň stroje a vybírání roboty založené na technologie počítačového vidění, se objevily v zemědělské výrobě, který byl nový krok v automatickém sklízení plodin. Hlavním zaměřením sklizňových operací je zajistit kvalitu produktu během sklizně, aby se maximalizovala tržní hodnota. Aplikace poháněné počítačovým viděním zahrnují automatické vybírání okurek ve skleníkovém prostředí nebo automatickou identifikaci třešní v přírodním prostředí.
testování kvality zemědělských produktů
kvalita zemědělských produktů je jedním z důležitých faktorů ovlivňujících tržní ceny a spokojenost zákazníků. Ve srovnání s manuální kontroly, Počítačové Vidění poskytuje způsob, jak provádět externí kontrolu kvality a dosažení vysokého stupně flexibility a opakovatelnost při relativně nízkými náklady a s vysokou přesností. Systémy založené na strojovém vidění a počítačovém vidění se používají pro rychlé testování poškození sladkých citronů nebo nedestruktivní hodnocení kvality brambor.
Řízení Zavlažování
Půda řízení založené na využití technologií pro zvýšení úrodnosti půdy prostřednictvím pěstování, hnojení nebo zavlažování má pozoruhodný vliv na moderní zemědělské výroby. Získáním užitečných informací o růstu zahradnických plodin prostřednictvím obrázků lze rovnováhu půdní vody přesně odhadnout, aby se dosáhlo přesného plánování zavlažování. Aplikace počítačového vidění poskytují cenné informace o vodní bilanci Řízení zavlažování. Vize založené na systému dokáže zpracovat multi-spektrální snímky pořízené pomocí bezpilotních letounů (Uav) a získat vegetační index (VI) poskytovat podporu rozhodování pro řízení zavlažování.
monitorování zemědělské půdy UAV
informace o zemědělské půdě v reálném čase a přesné pochopení těchto informací hrají základní roli v přesném zemědělství. V posledních letech, UAV, jako rychle se rozvíjející technologie, umožnila získávání zemědělských informací, které mají vysoké rozlišení, nízké náklady, a rychlá řešení. Platformy UAV vybavené obrazovými senzory poskytují podrobné informace o zemědělské ekonomice a podmínkách plodin (například nepřetržité sledování plodin). Dálkové snímání UAV přispělo ke zvýšení zemědělské produkce se snížením zemědělských nákladů.
hodnocení výnosu
prostřednictvím aplikace technologie počítačového vidění byly realizovány funkce hospodaření s půdou, detekce zralosti a odhad výnosu pro farmy. Kromě toho lze stávající technologii dobře aplikovat na metody, jako je spektrální analýza a hluboké učení. Většina z těchto metod má výhody vysoké přesnosti, nízkých nákladů, dobré přenositelnosti, dobré integrace a škálovatelnosti a může poskytnout spolehlivou podporu pro rozhodování managementu. Příkladem je odhad výnosu citrusových plodin pomocí detekce a počítání ovoce pomocí počítačového vidění. Výnos z polí cukrové třtiny lze také předpovědět zpracováním obrazů získaných pomocí UAV.
Zvířecí Sledování
Zvířata mohou být sledovány pomocí nových technik, které byly vyškoleni rozpoznat typ zvířete a jeho činy. Tam je hodně využití pro sledování zvířat v zemědělství, kde hospodářská zvířata mohou být monitorovány na dálku pro detekci onemocnění, změny v chování, nebo porodu. Kromě toho mohou vědci v zemědělství a divoké zvěři bezpečně prohlížet divoká zvířata na dálku.
Automatizace farem
Technologie jako je sklizeň, setí, pletí a roboty, autonomní traktory, a bezpilotní letouny ke sledování hospodářských podmínek a aplikovat hnojiva lze maximalizovat produktivitu s nedostatkem pracovních sil. Zemědělství může být také výhodnější, pokud je minimalizována ekologická stopa zemědělství.
Počítačového Vidění v Dopravě
Klasifikace Vozidel
Počítačové Vidění aplikací pro automatizované klasifikace vozidel, které mají dlouhou historii. Technologie pro automatizovanou klasifikaci vozidel se vyvíjejí po celá desetiletí. S rychle rostoucí cenově dostupné senzory, jako jsou uzavřené televizní okruhy (CCTV) kamery, light detection and ranging (LiDAR), a dokonce i termální zobrazovací zařízení, vozidla mohou být detekovány, sledovány a rozděleny do několika pruhů současně. Přesnost klasifikace vozidel lze zlepšit kombinací více senzorů, jako je tepelné zobrazování, zobrazování LiDAR a viditelné kamery RGB. Existuje více oborů, například, hluboké-learning na bázi počítačového vidění řešení pro stavební vozidla detekce byla použita pro takové účely, jako je sledování bezpečnosti, produktivity, hodnocení a manažerské rozhodování.
detekce přestupků
orgány činné v trestním řízení a obce zvyšují nasazení kamerových monitorovacích systémů vozovek s cílem snížit nebezpečné jízdní chování. Tam je rostoucí využívání počítačového vidění techniky pro automatizaci detekce porušení, jako je nepřiměřená rychlost, běh červená světla nebo stopky, wrong‐way jízda a nelegální výrobě závitů.
analýza dopravního toku
analýza dopravního toku byla rozsáhle studována pro inteligentní dopravní systémy (ITS) za použití obou invazivních metod (značky, cívky pod dlažbou atd.) a neinvazivní metody, jako jsou kamery. Se vzestupem počítačového vidění a AI lze nyní video analytiku aplikovat na všudypřítomné dopravní kamery, které mohou mít obrovský dopad na své a inteligentní město. Dopravní tok lze pozorovat pomocí prostředků počítačového vidění a měřit některé z proměnných požadovaných dopravními inženýry.
detekce obsazenosti parkoviště
vizuální monitorování parkovacích míst se používá s cílem detekce obsazenosti parkoviště. Aplikace počítačového vidění napájejí decentralizovaná a efektivní řešení pro vizuální detekci obsazenosti parkovišť na základě hluboké konvoluční neuronové sítě (CNN). Existuje několik datových sad pro detekci parkovacích míst, jako jsou PKLot a CNRPark-EXT. Kromě toho byly implementovány systémy správy parkování založené na videu pomocí stereoskopických zobrazovacích (3D) nebo termálních kamer.
Automatické Rozpoznávání spz
Mnoho moderních přepravy a veřejné bezpečnosti systémů závisí na schopnosti rozpoznat a extrahovat informace spz ze statických obrázků nebo videa. Automatické rozpoznávání spz (ALPR) má v mnoha ohledech proměnila veřejné bezpečnosti a dopravních průmyslových odvětví, pomáhá povolit moderní zpoplatněné silnici řešení, což přináší obrovské úspory provozních nákladů prostřednictvím automatizace, a dokonce umožňuje zcela nové možnosti na trhu (např. policejní auto‐nasedl na spz čtení jednotky). OpenALPR je populární automatická knihovna rozpoznávání poznávacích značek založená na rozpoznávání znaků na obrázcích nebo videích registračních značek vozidel.
Vozidlo re-identifikace
vylepšení osobně re-identifikace, inteligentní dopravy a kontrolní systémy, cílem je, aby replikovat tento přístup pro vozidla pomocí vize založené na vozidlo re-identifikace. Konvenční metody pro poskytnutí jedinečného ID vozidla jsou obvykle rušivé (značka ve vozidle, mobilní telefon nebo GPS). Pro řízené nastavení jako na mýtné budky, automatické rozpoznávání spz (ALPR) je pravděpodobně nejvhodnější technologie pro přesnou identifikaci jednotlivých vozidel. Poznávací značky však podléhají změnám a padělání a ALPR nemůže odrážet hlavní speciality vozidel, jako jsou značky nebo promáčknutí. Neintruzivní metody, jako je rozpoznávání založené na obrazu, mají vysoký potenciál a poptávku, ale stále nejsou zdaleka zralé pro praktické použití. Většina stávajících technik opětovné identifikace vozidel založených na vidění je založena na vzhledu vozidla, jako je barva, struktura a tvar. Od dnešního dne, uznání jemných charakteristických rysů, jako je značka vozidla nebo model roku, je stále nevyřešenou výzvou.
Detekce Chodců
detekce chodců je zásadní pro inteligentní dopravní systémy, pohybuje se v rozmezí od autonomní řízení do infrastruktury, dohled, řízení dopravy, tranzitu bezpečnosti a účinnosti, a vymáhání práva. Detekce chodců zahrnuje mnoho typů senzorů, jako jsou tradiční CCTV nebo IP kamery, termovizní zařízení, blízké infračervené zobrazovací zařízení a Palubní RGB kamery. Detekce chodců algoritmy mohou být založeny na infračervené záření, tvar, funkce, gradient funkce, strojové učení, pohybu nebo funkce. Detekce chodců spoléhající se na hluboké konvoluční neuronové sítě dosáhla významného pokroku, a to i při detekci silně uzavřených chodců.
detekce dopravních značek
počítačové vidění aplikace se používají pro detekci a rozpoznávání dopravních značek. Techniky vidění jsou aplikovány na segmentové dopravní značky z různých dopravních scén (pomocí segmentace obrazu) a používají algoritmy hlubokého učení pro rozpoznávání a klasifikaci dopravních značek.
Systémy pro Zabránění Srážce
detekce Vozidel a varování detekce nedílnou součástí většiny pokročilých asistenčních systémů pro řidiče (ADAS). Hluboké neuronové sítě byly nedávno použity k prozkoumání hlubokého učení a jeho použití pro autonomní systémy vyhýbání se kolizím.
monitorování stavu vozovky
aplikace pro detekci vad a hodnocení stavu založené na počítačovém vidění jsou vyvinuty pro monitorování betonové a asfaltové civilní infrastruktury. Posouzení stavu chodníku poskytuje informace pro nákladově efektivnější a důslednější rozhodnutí týkající se správy sítě chodníků. Obecně platí, že tísňové kontroly chodníků se provádějí pomocí sofistikovaných vozidel pro sběr dat a / nebo průzkumů na zemi. Hloubkové Strojové Učení Přístup k rozvoji asfalt chodníku stavu index byl vyvinut tak, aby člověk-nezávislý, levný, efektivní, a bezpečný způsob, automatizované chodníku nouzi detekce pomocí Počítačového Vidění. Další aplikací je aplikace počítačového vidění pro detekci silničních výmolů pro přidělení údržby silnic a snížení počtu souvisejících nehod vozidel.
Infrastruktura pro Hodnocení Stavu
Pro zajištění bezpečnosti a provozuschopnosti civilní infrastruktury je nutné vizuálně zkontrolovat a posoudit jeho fyzický a funkční stav. Systémy pro kontrolu a monitorování civilní infrastruktury založené na počítačovém vidění se používají k automatickému převodu obrazových a obrazových dat na použitelné informace. Aplikace pro kontrolu počítačového vidění se používají k identifikaci konstrukčních součástí, charakterizaci lokálního a globálního viditelného poškození a detekci změn z referenčního obrazu. Takové monitorovací aplikace zahrnují statické měření deformace a posunutí a dynamické měření posunutí pro modální analýzu.
detekce pozornosti řidiče
rozptýlené řízení-jako je snění – používání mobilních telefonů a pohled na něco mimo auto-představuje velkou část úmrtí na silnicích po celém světě. Umělá inteligence se používá k pochopení chování při řízení, k nalezení řešení pro zmírnění incidentů v silničním provozu. Technologie sledování silnic se používají k pozorování porušení prostoru pro cestující, například při detekci bezpečnostních pásů založených na hlubokém učení při sledování silnic. Technologie monitorování řidičů ve vozidle se zaměřují na vizuální snímání, analýzu a zpětnou vazbu. Chování řidiče lze odvodit jak přímo z kamer směřujících dovnitř řidiče, tak nepřímo z kamer nebo senzorů směřujících ven. Techniky založené na analýze videa směřující k řidiči detekují obličej a oči pomocí algoritmů pro směr pohledu, odhad pozice hlavy a monitorování výrazu obličeje. Hluboké a algoritmů strojového učení, které byly uvedeny tísíce kousků dat pozorný vs. nepozorný obličeje může detekovat rozdíly mezi oči, které jsou zaměřené a nezaměřené, stejně jako známky z řízení pod vlivem. Existuje několik aplikací založených na vidění pro klasifikaci polohy řidiče v reálném čase s několika metodami hlubokého učení (RNN a CNN) používanými při detekci rozptýlení řidiče.
Počítačové Vidění v Maloobchodě a Výrobě
Sledování Zákazníků
Strategicky umístěné počítání zařízení v celém maloobchodě může sbírat data prostřednictvím strojového učení procesů o tom, kde zákazníci tráví svůj čas, a na jak dlouho. Analytika zákazníků může zlepšit porozumění maloobchodním prodejnám o interakci se spotřebiteli a zlepšit optimalizaci rozvržení obchodu.
Lidé Počítání
Počítačové Vidění algoritmy jsou vyškoleni s příklady dat pro detekci lidí a počítat s nimi tak, jak jsou zjištěny. Taková technologie počítání lidí je užitečná pro obchody ke shromažďování údajů o úspěchu jejich obchodů a může být také použita v situacích týkajících se COVID-19, kdy je v obchodě povolen omezený počet lidí najednou.
Detekce Krádež
Maloobchodníci mohou detekovat podezřelé chování jako loudat nebo přístup k oblastem, které jsou off-limity pomocí počítačového vidění algoritmy, které jsou samostatně analyzuje scénu.
analytika čekací doby
aby se zabránilo netrpělivým zákazníkům a nekonečným čekacím linkám, maloobchodníci implementují technologii detekce front. Detekce fronty používá kamery ke sledování a počítání počtu nakupujících v řadě. Jakmile je dosaženo prahu zákazníků, systém vydává upozornění pro úředníky, aby otevřeli nové pokladny.
sociální vzdálenost
aby bylo zajištěno dodržování bezpečnostních opatření, společnosti používají detektory vzdálenosti. Kamera sleduje pohyb zaměstnanců nebo zákazníků a používá hloubkové senzory k posouzení vzdálenosti mezi nimi. V závislosti na jejich poloze systém nakreslí kolem osoby červený nebo zelený kruh.
Produktivita Analytics
Produktivita analytics sledovat dopad změny na pracovišti, jak zaměstnanci tráví svůj čas a zdroje a implementovat různé nástroje. Taková data mohou poskytnout cenný vhled do řízení času, spolupráce na pracovišti, a produktivita zaměstnanců.
Řízení Kvality
systémy řízení Jakosti, zajištění organizace dosahuje požadavků zákazníka o řešení svých zásad, postupů, pokynů, interních procesů dosáhnout celkové spokojenosti spotřebitelů rychlost.
Skill training
Další aplikací systémů zorného pole je optimalizace provozu montážních linek v průmyslové výrobě. Hodnocení lidské činnosti může pomoci vytvořit standardizované akční modely související s různými operačními kroky a také vyhodnotit výkon vyškolených pracovníků. Automaticky posuzování akce kvalitu pracovníků může být prospěšné tím, že zlepšuje pracovní výkon, podpora efektivity výroby (LEAN optimalizace), a co je důležitější, objevování, nebezpečné akce, než dojde k poškození.
co bude dál?
technologie hlubokého a strojového učení byla použita k vytváření aplikací počítačového vidění desítkami způsobů a pro průmyslová odvětví všech typů.
- Prozkoumejte 8 aplikací počítačového vidění pro kontrolu coronavirus
- zjistěte vše o odhadu lidské pozice pomocí počítačového vidění.
- Podívejte se na náš kompletní přehled detekce objektů v roce 2021.
- Přečtěte si případovou studii o aplikaci počítačového vidění pro monitorování zvířat.