Computer vision er en sektor af kunstig intelligens, der bruger maskine og dyb læring for at give computere mulighed for at “se” og analysere deres omgivelser. Computer vision har en massiv indvirkning på virksomheder i alle brancher, fra detailhandel til landbrug. Det er især nyttigt for problemer, hvor vi ville have brug for et menneskes øje for at se situationen. På grund af den brede mængde af problemer, der findes i disse kriterier, tusindvis af anvendelser af computer vision er ikke blevet opdaget eller opbrugt endnu.
Denne artikel vil være et kumulativt listepost med hurtigt voksende og progressive computervisionsapplikationer, der bruges af fremtrædende industrier i 2021.
Computer Vision in Sports
Player Pose Tracking
AI vision kan bruges til at genkende mønstre mellem menneskelig kropsbevægelse og udgøre over flere rammer i videooptagelser eller realtids videostrømme. Human pose estimation er blevet anvendt på virkelige videoer af svømmere, hvor enkelt stationære kameraer film over og under vandoverfladen. Disse videooptagelser kan bruges til kvantitativt at vurdere atleternes præstationer uden manuelt at kommentere kropsdelene i hver videoramme. Convolutional neurale netværk bruges til automatisk at udlede de nødvendige positionsoplysninger og opdage en atletes svømmestil.
Markerless Motion Capture
kameraer kan bruges til at spore bevægelsen af det menneskelige skelet uden at bruge traditionelle optiske markører og specialiserede kameraer. Dette er vigtigt i sports capture, hvor spillere ikke kan belastes med yderligere ydeevne capture påklædning eller enheder.
mål atlet præstationsvurdering
automatiseret detektion og genkendelse af sportsspecifikke bevægelser overvinde begrænsningerne forbundet med manuelle præstationsanalysemetoder. Computer Vision data input kan bruges i kombination med data fra kropsbårne sensorer og bærbare. Populære use cases er svømning analyse, golfsving analyse, over jorden kører analytics, alpint skiløb, og påvisning og evaluering af cricket fodbold.
Multi-Player positionssporing
Ved hjælp af computersynsalgoritmer kan positur og bevægelse af flere holdspillere beregnes ud fra både monokulære (enkeltkameraoptagelser) og multi-visning (optagelser af flere kameraer) sportsvideodatasæt. Den potentielle anvendelse af estimering af 2D-eller 3d-positur for spillere i sport er vidtrækkende og inkluderer præstationsanalyse, motion capture og nye applikationer i udsendte og fordybende medier.
Stroke Recognition
Computer vision applikationer kan bruges til at registrere og klassificere slag (for eksempel at klassificere slag i bordtennis). Anerkendelse eller klassificering af bevægelser involverer yderligere fortolkninger og mærkede forudsigelser af den identificerede forekomst (for eksempel differentiering af tennisslag som forehand eller backhand). Stroke recognition sigter mod at give værktøjer til lærere, trænere og spillere til at analysere bordtennisspil og forbedre sportsfærdigheder mere effektivt.
nær Realtidscoaching
Computer Vision based sports analytics hjælp til forbedre ressourceeffektiviteten og reducer feedbacktiderne for tidsbegrænsede opgaver. Trænere og atleter, der er involveret i tidskrævende notationsopgaver, herunder analyse af løb efter svømning, kan drage fordel af hurtig objektiv feedback inden næste løb i begivenhedsprogrammet.
analyse af sportsholds adfærd
analytikere i professionel holdsport udfører regelmæssigt analyse for at få strategisk og taktisk indsigt i spiller-og holdadfærd (identificere svagheder, vurdere ydeevne og forbedringspotentialer). Manuel videoanalyse er dog typisk en tidskrævende proces, hvor analytikerne skal huske og kommentere scener. Computervisionsteknikker kan bruges til at udtrække banedata fra videomateriale og anvende bevægelsesanalyseteknikker til at udlede relevante holdsportanalytiske foranstaltninger til region, holddannelse, begivenhed og spilleranalyse (for eksempel i fodboldholds sportsanalyse).
automatiseret mediedækning
AI vision-teknologi kan bruge videooptagelser til at fortolke sportsspil og overføre dem til mediehuse uden nødvendigvis at gå der med fysiske kameraer. For eksempel har baseball opnået denne fordel i de sidste par år med automatisering af nyhedsdækning af spil.
Boldsporing
Boldbanedata er en af de mest grundlæggende og nyttige oplysninger i evalueringen af spillernes ydeevne og analyse af spilstrategier. Derfor er sporing af boldbevægelse en anvendelse af dyb og maskinindlæring til at opdage og derefter spore bolden i videobilleder. Fodbold) for at hjælpe nyhedsudsendere og analytikere med at fortolke og analysere et sportsspil og taktik hurtigere.
mållinjeteknologi
kamerabaserede systemer kan bruges til at bestemme, om et mål er blevet scoret eller ikke til at understøtte dommernes beslutningstagning. Forskellig fra sensorer er den visionsbaserede metode ikke-invasiv og kræver ikke ændringer i de typiske fodboldenheder. Sådanne Mållinjeteknologisystemer er baseret på højhastighedskameraer, hvis billeder bruges til at triangulere boldens position. En bold afsløring algoritme, der analyserer kandidat bold regioner for at genkende bolden mønster.
Hændelsesdetektering i sport
dyb læring kan bruges til at registrere komplekse begivenheder fra ustrukturerede videoer, som at score et mål i en fodboldkamp, næsten uheld eller andre spændende dele af et spil, der ikke resulterer i en score. Denne teknologi kan bruges til registrering af begivenheder i realtid i sportsudsendelser, der gælder for en bred vifte af feltsport.
selvuddannelse Feedback
Computer Vision based self-training systems for sports Motion er et nyligt fremvoksende forskningsemne. Mens selvtræning er vigtig i sportsøvelse, kan en praktiserende læge udvikle sig i begrænset omfang uden instruktion fra en træner. For eksempel har en yoga-selvtræningsapplikation til formål at instruere udøveren til at udføre yogastillinger korrekt, hjælpe med at rette op på dårlige stillinger og forhindre skade. Et selvuddannelsessystem giver instruktioner om, hvordan man justerer kropsholdningen.
automatisk Fremhævningsgenerering
produktion af sportshøjdepunkter er arbejdskrævende arbejde, der kræver en vis grad af specialisering, især inden for sport med et komplekst sæt regler, der spilles i længere tid (f.eks. Cricket). Et applikationseksempel er automatisk generation af Crickethøjdepunkter ved hjælp af begivenhedsdrevne og spændingsbaserede funktioner til at genkende og klippe vigtige begivenheder i en cricketkamp. En anden applikation er den automatiske kuration af golfhøjdepunkter ved hjælp af multimodel-spændingsfunktioner med computersyn.
Sportsaktivitetsscore
Deep Learning metoder kan bruges til sportsaktivitetsscore til vurdering af atleternes handlingskvalitet (dybe funktioner til Sportsaktivitetsscore). Automatisk sportsaktivitetsscoring kan bruges til Dykning, Kunstskøjteløb eller hvælving (ScoringNet er en 3D CNN-netværksapplikation til sportsaktivitetsscoring). For eksempel fungerer en dykkerscoringsapplikation ved at vurdere kvalitetsresultatet for en atletes dykkerpræstation: det betyder noget, om atletens fødder er sammen, og deres tæer peges lige gennem hele dykkerprocessen.
Computer Vision in Healthcare
kræft detektion
maskinlæring er indarbejdet i medicinske industrier til formål som bryst-og hudkræft detektion. Billeddetektering giver forskere mulighed for at udvælge små forskelle mellem kræft og ikke-kræftbilleder og diagnosticere data fra magnetisk resonansbilleddannelse (MRI) scanninger og indtastede fotos som ondartede eller godartede.
COVID-19 diagnose
computersyn kan bruges til coronavirus-kontrol. Der findes flere dyb læring computer vision modeller til røntgenbaseret COVID-19 diagnose. Den mest populære til påvisning af COVID-19-sager med digitale røntgenbilleder af brystet (CKR) hedder COVID-Net og blev udviklet af Darvin AI, Canada.
Celleklassificering
maskinindlæring i tilfælde af medicinsk brug blev brugt til at klassificere T-lymfocytter mod tyktarmskræft epitelceller med høj nøjagtighed. ML forventes at fremskynde processen med sygdomsidentifikation med hensyn til tyktarmskræft effektivt og med ringe eller ingen omkostninger efter oprettelse.
bevægelsesanalyse
neurologiske og muskuloskeletale sygdomme som modkørende slagtilfælde, balance-og gangproblemer kan detekteres ved hjælp af dybe læringsmodeller og computersyn, selv uden lægeanalyse. Pose estimering computer vision applikationer, der analyserer patientens bevægelse hjælpe læger med at diagnosticere en patient med lethed og øget nøjagtighed.
Maskedetektion
maskeret ansigtsgenkendelse bruges til at detektere brugen af masker og beskyttelsesudstyr for at begrænse spredningen af coronavirus. Computersynssystemer hjælper lande med at implementere masker som en kontrolstrategi til at indeholde spredning af coronavirus sygdom. Private virksomheder som Uber har oprettet computersynsfunktioner, der skal implementeres i deres mobilapps for at opdage, om passagerer bærer masker eller ej. Programmer som dette gør offentlig transport sikrere under coronaviruspandemien.
Tumordetektion
hjernetumorer kan ses i MR-scanninger og opdages ofte ved hjælp af dybe neurale netværk. Tumordetekteringsprogrammer, der bruger dyb læring, er afgørende for den medicinske industri, fordi den kan opdage tumorer med høj nøjagtighed for at hjælpe læger med at stille deres diagnoser. Nye metoder udvikles konstant for at øge nøjagtigheden af disse diagnoser.
sygdomsprogression Score
computersyn kan bruges til at identificere patienter, der er kritisk syge til direkte lægehjælp (kritisk patientscreening). Mennesker inficeret med COVID-19 viser sig at have hurtigere åndedræt. Dyb læring med dybdekameraer kan bruges til at identificere unormale åndedrætsmønstre for at udføre en nøjagtig og diskret, men alligevel storskala screening af mennesker inficeret med COVID-19-virus.
sundhedspleje og rehabilitering
fysioterapi er vigtig for genopretningstræning af slagtilfælde overlevende og sportsskadepatienter. Da tilsyn af en professionel leveret af et hospital eller et medicinsk agentur er dyrt, foretrækkes hjemmetræning med en visionsbaseret rehabiliteringsapplikation, fordi det giver folk mulighed for at øve bevægelsestræning privat og økonomisk. I computerstøttet terapi eller rehabilitering kan evaluering af menneskelig handling anvendes til at hjælpe patienter med træning derhjemme, guide dem til at udføre handlinger korrekt og forhindre dem i yderligere skader.
medicinsk færdighedstræning
computervisionsapplikationer bruges til at vurdere færdighedsniveauet for ekspertstuderende på selvlæringsplatforme. For eksempel er simuleringsbaserede kirurgiske træningsplatforme udviklet til kirurgisk uddannelse. Teknikken til handlingskvalitetsvurdering gør det muligt at udvikle beregningsmetoder, der automatisk vurderer de kirurgiske studerendes præstationer. Derfor kan meningsfulde feedbackoplysninger gives til enkeltpersoner og vejlede dem til at forbedre deres færdighedsniveauer.
Computer Vision i landbruget
Afgrødeovervågning
udbyttet og kvaliteten af vigtige afgrøder som ris og hvede bestemmer stabiliteten af fødevaresikkerheden. Traditionelt afhænger overvågningen af afgrødevækst hovedsageligt af subjektiv menneskelig vurdering og er ikke rettidig eller nøjagtig. Computer Vision-applikationer gør det muligt kontinuerligt og ikke-destruktivt at overvåge plantevækst og reaktionen på næringsstofbehov. Sammenlignet med manuelle operationer kan realtidsovervågning af afgrødevækst ved at anvende computervisionsteknologi registrere de subtile ændringer i afgrøder på grund af underernæring meget tidligere og kan give et pålideligt og nøjagtigt grundlag for rettidig regulering. Computer Vision applikationer kan bruges til måling af plantevækstindikatorer eller til at bestemme vækststadiet.
Blomstringsdetektion
overskriftsdatoen for hvede er en af de vigtigste parametre for hvedeafgrøder. En automatisk computer vision observation system kan bruges til at bestemme hvede overskrift periode. Computer vision teknologi har fordelene ved lave omkostninger, lille fejl, høj effektivitet og god robusthed og kan analyseres dynamisk og kontinuerligt.
Plantageovervågning
I intelligent landbrug kan billedbehandling med dronebilleder bruges til at overvåge palmeolieplantager eksternt. Med geospatiale ortofotos er det muligt at identificere, hvilken del af plantagearealet der er frugtbar til plantede afgrøder. Det var også muligt at identificere områder, der var mindre frugtbare med hensyn til vækst, og også en del af plantagefeltet, der slet ikke vokser.
Insektdetektion
hurtig og nøjagtig genkendelse og optælling af flyvende insekter er af stor betydning, især for skadedyrsbekæmpelse. Traditionel manuel identifikation og optælling af flyvende insekter er ineffektiv og arbejdskrævende. Vision-baserede systemer tillader optælling og anerkendelse af flyvende insekter (baseret på du kun ser en gang (YOLO) objekt detektion og klassificering).
påvisning af plantesygdomme
automatisk og nøjagtig estimering af sygdommens sværhedsgrad er afgørende for fødevaresikkerhed, sygdomshåndtering og forudsigelse af udbyttetab. Den dybe læringsmetode undgår arbejdskrævende funktionsteknik og tærskelbaseret billedsegmentering. Automatisk billedbaseret estimering af plantesygdomssværhedsgrad ved hjælp af Deep convolutional neurale netværk (CNN) applikationer blev udviklet, for eksempel for at identificere apple black rot.
automatisk ukrudt
ukrudt anses for at være skadelige planter i agronomi, fordi de konkurrerer med afgrøder for at få vand, mineraler og andre næringsstoffer i jorden. Sprøjtning af pesticider kun på de nøjagtige placeringer af ukrudt reducerer i høj grad risikoen for forurening af afgrøder, mennesker, dyr og vandressourcer. Intelligent detektion og fjernelse af ukrudt er afgørende for udviklingen af landbruget. Et neuralt netværksbaseret computersynssystem kan bruges til at identificere kartoffelplanter og tre forskellige ukrudt til specifik sprøjtning på stedet.
automatisk høst
i traditionelt landbrug er der en afhængighed af mekaniske operationer med manuel høst som grundpille, hvilket resulterer i høje omkostninger og lav effektivitet. I de senere år er der med den kontinuerlige anvendelse af computervisionsteknologi opstået avancerede intelligente landbrugshøstemaskiner, såsom høstmaskiner og plukkrobotter baseret på computervisionsteknologi, i landbrugsproduktionen, hvilket har været et nyt skridt i den automatiske høst af afgrøder. Hovedfokus for høstoperationer er at sikre produktkvalitet under høst for at maksimere markedsværdien. Computer Vision – drevne applikationer inkluderer plukning af agurker automatisk i et drivhusmiljø eller automatisk identifikation af kirsebær i et naturligt miljø.
test af Landbrugsproduktkvalitet
kvaliteten af landbrugsprodukter er en af de vigtige faktorer, der påvirker markedspriserne og kundetilfredsheden. Sammenlignet med manuelle inspektioner giver Computer Vision en måde at udføre ekstern kvalitetskontrol og opnå høj grad af fleksibilitet og repeterbarhed til en relativt lav pris og med høj præcision. Systemer baseret på maskinsyn og computersyn bruges til hurtig test af sød citronskade eller ikke-destruktiv kvalitetsvurdering af kartofler.
Vandingsstyring
jordforvaltning baseret på brug af teknologi til at forbedre jordens produktivitet gennem dyrkning, befrugtning eller kunstvanding har en bemærkelsesværdig indflydelse på moderne landbrugsproduktion. Ved at få nyttige oplysninger om væksten af havebrugsafgrøder gennem billeder kan jordens vandbalance estimeres nøjagtigt for at opnå nøjagtig vandingsplanlægning. Computer vision applikationer giver værdifulde oplysninger om vandingsstyring vandbalance. Et visionsbaseret system kan behandle multispektrale billeder taget af ubemandede luftfartøjer (UAV ‘ er) og få vegetationsindekset (VI) for at yde beslutningsstøtte til vandingsstyring.
UAV landbrugsjord overvågning
real-time landbrugsjord information og en nøjagtig forståelse af disse oplysninger spiller en grundlæggende rolle i præcision landbrug. I de senere år har UAV, som en hurtigt fremrykkende teknologi, tilladt erhvervelse af landbrugsinformation, der har en høj opløsning, lave omkostninger og hurtige løsninger. UAV-platforme udstyret med billedsensorer giver detaljerede oplysninger om landbrugsøkonomi og afgrødeforhold (for eksempel kontinuerlig afgrødeovervågning). UAV-fjernmåling har bidraget til en stigning i landbrugsproduktionen med et fald i landbrugsomkostningerne.
Udbyttevurdering
gennem anvendelse af computervisionsteknologi er funktionerne til jordforvaltning, modenhedsregistrering og udbyttestimering for gårde blevet realiseret. Desuden kan den eksisterende teknologi anvendes godt til metoder som spektralanalyse og dyb læring. De fleste af disse metoder har fordelene ved høj præcision, lave omkostninger, god bærbarhed, god integration og skalerbarhed og kan give pålidelig support til ledelsesbeslutning. Et eksempel er estimeringen af udbyttet af citrusafgrøder via frugtdetektion og tælling ved hjælp af computersyn. Udbyttet fra sukkerrørfelter kan også forudsiges ved at behandle billeder opnået ved anvendelse af UAV.
Dyreovervågning
dyr kan overvåges ved hjælp af nye teknikker, der er blevet trænet til at detektere dyretypen og dens handlinger. Der er meget brug for dyreovervågning i landbruget, hvor husdyr kan overvåges eksternt for sygdomsdetektion, ændringer i adfærd eller fødsel. Derudover kan landbrugs-og dyrelivsforskere se vilde dyr sikkert på afstand.
Farm Automation
teknologier som høst, såning og ukrudtsrobotter, autonome traktorer og droner til overvågning af gårdens forhold og påføring af gødning kan maksimere produktiviteten med mangel på arbejdskraft. Landbruget kan også være mere rentabelt, når landbrugets økologiske fodaftryk minimeres.
Computer Vision in Transport
Vehicle Classification
Computer Vision ansøgninger om automatiseret køretøjsklassificering har en lang historie. Teknologierne til automatiseret køretøjsklassificering har udviklet sig gennem årtier. Med hurtigt voksende overkommelige sensorer såsom lukkede tv‐kameraer (CCTV), lysdetektering og rækkevidde (LiDAR) og endda termiske billeddannelsesenheder kan køretøjer detekteres, spores og kategoriseres i flere baner samtidigt. Nøjagtigheden af køretøjsklassificering kan forbedres ved at kombinere flere sensorer såsom termisk billeddannelse, LiDAR-billeddannelse og RGB-synlige kameraer. Der er flere specialiseringer, for eksempel, en deep-learning-baseret computer vision løsning til konstruktion køretøjsdetektion er blevet anvendt til formål som sikkerhedsovervågning, produktivitetsvurdering, og ledelsesmæssig beslutningstagning.
detektion af Bevægelsesovertrædelser
retshåndhævende myndigheder og kommuner øger implementeringen af kamerabaserede vejbaneovervågningssystemer med det formål at reducere usikker køreadfærd. Der er stigende brug af computervisionsteknikker til automatisering af påvisning af overtrædelser såsom hastighed, kører røde lys eller stopskilte, forkert kørsel og gør ulovlige sving.
Trafikstrømsanalyse
analyse af trafikstrøm er blevet undersøgt grundigt for intelligente transportsystemer (ITS) ved hjælp af begge invasive metoder (tags, underbelægningsspoler osv.) og ikke-invasive metoder såsom kameraer. Med stigningen i computersyn og AI kan videoanalyse nu anvendes på de allestedsnærværende trafikkameraer, som kan generere stor indflydelse i dens og smarte by. Trafikstrømmen kan observeres ved hjælp af computersynsmidler og måle nogle af de variabler, der kræves af trafikingeniører.
detektion af Parkeringsbelægning
visuel overvågning af parkeringspladser bruges med det formål at registrere belægning på parkeringspladsen. Computer vision applikationer strøm decentrale og effektive løsninger til visuel parkeringsplads belægning afsløring baseret på en dyb Convolutional neurale netværk (CNN). Der findes flere datasæt til registrering af parkeringspladser såsom PKLot og CNRPark-ekst. Desuden er videobaserede parkeringsstyringssystemer implementeret ved hjælp af stereoskopisk billeddannelse (3D) eller termiske kameraer.
automatiseret nummerpladegenkendelse
mange moderne transporter og offentlige sikkerhedssystemer afhænger af evnen til at genkende og udtrække nummerpladeinformation fra stillbilleder eller videoer. Automatiseret nummerpladegenkendelse (ALPR) har på mange måder transformeret den offentlige sikkerheds‐og transportindustri, hvilket hjælper med at muliggøre moderne vejafgiftsløsninger, giver enorme driftsomkostninger besparelser via automatisering og endda muliggør helt nye muligheder på markedet (f.eks. OpenALPR er et populært automatisk nummerpladegenkendelsesbibliotek, baseret på tegngenkendelse på billeder eller videofeeds af køretøjets nummerplader.
Køretøjsidentifikation
med forbedringer i personidentifikation har smarte transport-og overvågningssystemer til formål at replikere denne tilgang for køretøjer ved hjælp af visionsbaseret køretøjsidentifikation. Konventionelle metoder til at give et unikt køretøjs-ID er normalt påtrængende (mærke i køretøjet, mobiltelefon eller GPS). Ved en betalingsboks er automatisk nummerpladegenkendelse (ALPR) sandsynligvis den bedst egnede teknologi til nøjagtig identifikation af individuelle køretøjer. Imidlertid, nummerplader kan ændres og forfalskes, og ALPR kan ikke afspejle fremtrædende specialiteter fra køretøjerne såsom mærker eller buler. Ikke-påtrængende metoder såsom billedbaseret genkendelse har stort potentiale og efterspørgsel, men er stadig langt fra modne til praktisk brug. De fleste eksisterende visionsbaserede køretøjsidentifikationsteknikker er baseret på køretøjets udseende som farve, tekstur og form. Fra i dag, anerkendelsen af subtile særpræg såsom køretøjsmærke eller årsmodel er stadig en uløst udfordring.
detektion af fodgængere
detektion af fodgængere er afgørende for intelligente transportsystemer, det spænder fra autonom kørsel til infrastrukturovervågning, trafikstyring, transitsikkerhed og effektivitet og retshåndhævelse. Fodgængerdetektion involverer mange typer sensorer, såsom traditionelle CCTV‐eller IP-kameraer, termiske billeddannelsesenheder, næsten infrarøde billeddannelsesenheder og indbyggede RGB-kameraer. Fodgængerdetekteringsalgoritmer kan være baseret på infrarøde signaturer, formfunktioner, gradientfunktioner, maskinindlæring eller bevægelsesfunktioner. Fodgængerdetektion, der er afhængig af neurale netværk med dyb konvolution, har gjort betydelige fremskridt, selv med påvisning af stærkt okkluderede fodgængere.
Traffic Sign Detection
computer Vision-applikationer bruges til registrering og genkendelse af trafikskilte. Visionsteknikker anvendes til at segmentere trafikskilte fra forskellige trafikscener (ved hjælp af billedsegmentering) og anvende dybe læringsalgoritmer til genkendelse og klassificering af trafikskilte.
Kollisionsundgåelsessystemer
køretøjsdetektion og banedetektion udgør en integreret del af de mest avancerede førerassistentsystemer (ADAS). Dybe neurale netværk er for nylig blevet brugt til at undersøge dyb læring og brugen af det til autonome kollisionsundgåelsessystemer.
overvågning af vejtilstand
applikationer til computervisionsbaseret detektering af defekter og tilstandsvurdering er udviklet til at overvåge civil infrastruktur i beton og asfalt. Pavement condition assessment giver information til at træffe mere omkostningseffektive og konsekvente beslutninger vedrørende styring af pavement netværk. Generelt udføres fortovets nødinspektioner ved hjælp af sofistikerede dataindsamlingskøretøjer og/eller fod-på-jorden-undersøgelser. En dyb maskinindlæring tilgang til at udvikle et asfaltbelægningsindeks blev udviklet for at give en menneskelig uafhængig, billig, effektiv og sikker måde at automatisere fortovets nøddetektion via computersyn. En anden applikation er en computer vision-applikation til at opdage vejhuller for at tildele vejvedligeholdelse og reducere antallet af relaterede køretøjsulykker.
vurdering af infrastrukturtilstand
for at sikre sikkerheden og anvendeligheden af civil infrastruktur er det vigtigt at visuelt inspicere og vurdere dens fysiske og funktionelle tilstand. Systemer til Computervisionsbaseret inspektion og overvågning af civil infrastruktur bruges til automatisk at konvertere billed-og videodata til handlingsmæssig information. Computer Vision inspektionsapplikationer bruges til at identificere strukturelle komponenter, karakterisere lokale og globale synlige skader og registrere ændringer fra et referencebillede. Sådanne overvågningsapplikationer inkluderer statisk måling af belastning og forskydning og dynamisk måling af forskydning til modal analyse.
detektion af chaufførens opmærksomhed
distraheret kørsel – såsom dagdrømning, brug af mobiltelefoner og kig på noget uden for bilen – tegner sig for en stor del af trafikdræbte over hele verden. Kunstig intelligens bruges til at forstå køreadfærd, finde løsninger til at afbøde vejtrafikhændelser. Vejovervågningsteknologier bruges til at observere overtrædelser af passagerrummet, for eksempel i dyb læringsbaseret sikkerhedsseledetektion i vejovervågning. Teknologier til overvågning af førere i køretøjet fokuserer på visuel sensing, analyse og feedback. Driveradfærd kan udledes både direkte fra kameraer, der vender mod føreren, og indirekte fra kameraer eller sensorer, der vender ud mod scenen. Teknikker baseret på drivervendt videoanalyse registrerer ansigt og øjne med algoritmer til blikretning, estimering af hovedstilling og overvågning af ansigtsudtryk. Dybe og maskinlæringsalgoritmer, der har fået tusindvis af data af Opmærksomme vs. uopmærksomme ansigter, kan opdage forskelle mellem øjne, der er fokuserede og ufokuserede, samt tegn på kørsel under påvirkning. Der er flere vision-baserede applikationer til real-time distraheret chauffør kropsholdning klassificering med flere dybe læringsmetoder (RNN og CNN), der anvendes i Driver distraktion afsløring.
Computer Vision in Retail and Manufacturing
kundesporing
strategisk placerede tælleapparater i en detailbutik kan indsamle data gennem maskinlæringsprocesser om, hvor kunderne bruger deres tid, og hvor længe. Kundeanalyser kan forbedre detailbutikkernes forståelse af forbrugerinteraktion og forbedre optimering af butikslayout.
folk tæller
computersynsalgoritmer trænes med dataeksempler til at opdage mennesker og tælle dem, når de opdages. Sådanne tælleteknologier er nyttige for butikker til at indsamle data om deres butikkers succes og kan også anvendes i situationer vedrørende COVID-19, hvor et begrænset antal mennesker er tilladt i en butik på en gang.
Tyveridetektion
detailhandlere kan registrere mistænkelig opførsel såsom loitering eller adgang til områder, der er uden for grænserne ved hjælp af computersynsalgoritmer, der autonomt analyserer scenen.
Ventetidsanalyse
for at forhindre utålmodige kunder og uendelige ventelinjer implementerer detailhandlere kødetekteringsteknologi. Køregistrering bruger kameraer til at spore og tælle antallet af kunder i en linje. Når en kundetærskel er nået, lyder systemet en advarsel for kontorister om at åbne nye kasser.
Social afstand
for at sikre, at sikkerhedsforholdsregler følges, bruger virksomheder afstandsdetektorer. Et kamera sporer medarbejder-eller kundebevægelse og bruger dybdesensorer til at vurdere afstanden mellem dem. Afhængigt af deres position tegner systemet en rød eller grøn cirkel omkring personen.
Produktivitetsanalyse
Produktivitetsanalyse spor virkningen af arbejdspladsændringer, hvordan medarbejderne bruger deres tid og ressourcer og implementerer forskellige værktøjer. Sådanne data kan give værdifuld indsigt i tidsstyring, samarbejde på arbejdspladsen og medarbejderproduktivitet.
kvalitetsstyring
kvalitetsstyringssystemer sikrer, at en organisation når kundens krav ved at adressere sine politikker, procedurer, instruktioner, interne processer for at nå en samlet forbrugertilfredshedsrate.
færdighedstræning
et andet anvendelsesfelt for synssystemer er optimering af samlebåndsoperationer i industriel produktion. Evalueringen af menneskelig handling kan hjælpe med at konstruere standardiserede handlingsmodeller relateret til forskellige driftstrin samt at evaluere trænede arbejdstageres præstationer. Automatisk vurdering af arbejdstagernes handlingskvalitet kan være gavnlig ved at forbedre arbejdsydelsen, fremme produktiv effektivitet (LEAN optimering) og vigtigere at opdage farlige handlinger, før der opstår skade.
Hvad er det næste?
Deep og machine learning teknologi er blevet brugt til at skabe computer vision applikationer i snesevis af måder og for industrier af alle typer.
- Udforsk 8 anvendelser af computersyn til coronavirus-kontrol
- Lær alt om menneskelig Positionsestimering med computersyn.
- se vores komplette oversigt over objektdetektering i 2021.
- Læs casestudiet om en Computer Vision ansøgning om dyr overvågning.