Tietokonenäkö on tekoälyn sektori, joka käyttää kone-ja syväoppimista, jotta tietokoneet voivat ”nähdä” ja analysoida ympäristöään. Tietokonenäköllä on valtava vaikutus yrityksiin kaikilla toimialoilla vähittäiskaupasta maatalouteen. Se on erityisen hyödyllinen ongelmissa, joissa tarvitsisimme ihmisen silmää tilanteen tarkasteluun. Koska näissä kriteereissä on paljon ongelmia, tuhansia tietokonenäön sovelluksia ei ole vielä löydetty tai käytetty loppuun.
Tämä artikkeli on kumulatiivinen listaus nopeasti kasvavista ja progressiivisista tietokonenäkösovelluksista, joita nimekkäät toimialat käyttävät vuonna 2021.
Tietokonenäkö urheilussa
pelaaja-asennon seuranta
tekoälyn näköä voidaan käyttää tunnistamaan kuvioita ihmiskehon liikkeen ja poseerauksen välillä useiden kuvien päällä videokuvassa tai reaaliaikaisessa videovirrassa. Ihmisen pose-estimointia on sovellettu tosielämän videoihin uimareista, joissa yksittäiset paikallaan olevat kamerat kuvaavat vedenpinnan ylä-ja alapuolella. Näitä videotallenteita voidaan käyttää urheilijoiden suoritusten kvantitatiiviseen arviointiin ilman, että kussakin videorungossa olevia ruumiinosia huomautetaan manuaalisesti. Convolutionaalisten neuroverkkojen avulla voidaan päätellä automaattisesti vaaditut poseeraustiedot ja havaita urheilijan uintityyli.
Markerless Motion Capture
kameroilla voidaan seurata ihmisen luurangon liikettä ilman perinteisiä optisia markkereita ja erikoistuneita kameroita. Tämä on olennaista sports capture, jossa pelaajia ei voi rasittaa ylimääräisiä suorituskyvyn capture pukea tai laitteita.
objektiivinen urheilijan suorituskyvyn arviointi
Urheilukohtaisten liikkeiden automaattinen havaitseminen ja tunnistaminen ylittää manuaalisiin suoritusanalyysimenetelmiin liittyvät rajoitukset. Tietokonenäkötietojen syötteitä voidaan käyttää yhdessä kehon kuluneiden antureiden ja kuluvien antureiden tietojen kanssa. Suosittuja käyttötapauksia ovat uintianalyysi, golf swing-analyysi, maastojuoksuanalyysi, alppihiihto sekä krikettikeilailun havaitseminen ja arviointi.
monen pelaajan Poseerausseuranta
Tietokonenäköalgoritmien avulla useiden joukkuepelaajien poseeraus ja liike voidaan laskea sekä monokulaarisesta (yhden kameran kuvamateriaalista) että moninäkyvästä (usean kameran kuvamateriaalista) urheiluvideoaineistosta. Potentiaalinen käyttö arvioimalla 2D tai 3D aiheuttaa pelaajia urheilussa on laaja-alaista ja sisältää suorituskyvyn analysointi, motion capture, ja uusia sovelluksia broadcast ja immersiivinen media.
Iskuntunnistus
Tietokonenäkösovelluksia voidaan käyttää lyöntien havaitsemiseen ja luokitteluun (esimerkiksi pöytätenniksessä lyöntien luokitteluun). Liikkeiden tunnistamiseen tai luokitteluun liittyy lisätulkintoja ja merkittyjä ennustuksia tunnistetusta esiintymästä (esimerkiksi erottamalla tenniksen lyönnit kämmenlyönneiksi tai rystylyönneiksi). Stroke recognition pyrkii tarjoamaan opettajille, valmentajille ja pelaajille työkaluja pöytätennispelien analysointiin ja urheilutaitojen tehostamiseen.
Near Real-Time Coaching
Computer Vision based sports analytics help to parantaa resurssitehokkuutta ja lyhentää palauteaikoja aikarajoitustehtävissä. Valmentajat ja urheilijat, jotka osallistuvat aika-intensiivisiin notaatiotehtäviin, mukaan lukien uinnin jälkeiset kisa-analyysit, voivat hyötyä nopeasta objektiivisesta palautteesta ennen seuraavaa kisaa kisaohjelmassa.
Urheilujoukkuekäyttäytymisanalyysi
ammattilaisjoukkueurheilun analyytikot tekevät säännöllisesti analyysejä saadakseen strategisia ja taktisia oivalluksia pelaajan ja joukkueen käyttäytymisestä (tunnistaa heikkoudet, arvioi suoritus-ja parannuspotentiaalit). Manuaalinen videoanalyysi on kuitenkin tyypillisesti aikaa vievä prosessi,jossa analyytikoiden täytyy muistaa ja merkitä kohtauksia. Tietokonenäkötekniikoita voidaan käyttää poimimaan lentoratatietoja videomateriaalista ja soveltamaan liikeanalyysitekniikoita, joiden avulla voidaan johtaa asiaankuuluvia joukkueurheiluanalyyttisiä toimenpiteitä alue -, joukkuemuodostus -, tapahtuma-ja pelaajanalyysiin (esimerkiksi jalkapallojoukkueurheiluanalyysissä).
automatisoitu medianäkyvyys
AI-visiotekniikka voi käyttää videokuvaa urheilupelien tulkitsemiseen ja niiden välittämiseen mediataloihin ilman, että sinne välttämättä mennään fyysisten kameroiden kanssa. Esimerkiksi pesäpallo on viime vuosina saanut tämän edun peliuutisten uutisointiautomaatiolla.
pallon seuranta
pallon lentoratatieto on yksi perustavanlaatuisimmista ja hyödyllisimmistä tiedoista pelaajien suoritusten arvioinnissa ja pelistrategioiden analysoinnissa. Näin ollen pallon liikkeen seuranta on syväoppimisen ja koneoppimisen sovellus pallon havaitsemiseksi ja sen jälkeen seuraamiseksi videonauhoissa. Palloseuranta on tärkeää urheilussa, jossa on suuria kenttiä (esim.jalkapallo), jotta uutisankkurit ja analyytikot pystyvät tulkitsemaan ja analysoimaan urheilupeliä ja-taktiikkaa nopeammin.
Maaliviivatekniikalla
kameroiden avulla voidaan päätellä, onko maali tehty vai ei erotuomarien päätöksentekoa tukevaksi. Sensoreista poiketen näköön perustuva menetelmä on noninvasiivinen eikä vaadi muutoksia tyypillisiin jalkapallolaitteisiin. Tällaiset Maaliviivatekniset järjestelmät perustuvat suurnopeuskameroihin, joiden kuvia käytetään pallon sijainnin kolmioimiseen. Pallontunnistusalgoritmi, joka analysoi ehdokkaan palloalueet pallokuvion tunnistamiseksi.
tapahtumien havaitseminen urheilussa
syväoppimisen avulla voidaan havaita monimutkaisia tapahtumia jäsentymättömistä videoista, kuten maalin tekeminen jalkapallopelissä, läheltä piti-tilanteet tai muut pelin jännittävät osat, jotka eivät tuota tulosta. Tätä tekniikkaa voidaan käyttää reaaliaikaiseen tapahtumien havaitsemiseen urheilulähetyksissä, jota voidaan soveltaa monenlaisiin kenttälajeihin.
Omaharjoittelupalaute
Tietokonenäköön perustuvat omaharjoittelujärjestelmät liikuntaliikuntaan on hiljattain nouseva tutkimusaihe. Vaikka omatoiminen harjoittelu on urheiluharjoittelussa välttämätöntä, voi harrastaja edetä rajoitetusti ilman valmentajan ohjausta. Esimerkiksi joogan omaharjoittelusovellus pyrkii ohjeistamaan harjoittajaa tekemään jooga-asennot oikein, avustamaan huonojen asentojen korjaamisessa ja vammojen ehkäisyssä. Omatreenijärjestelmä antaa ohjeet, miten kehon asentoa voi säätää.
Automaattinen kohokohtien generointi
urheiluhuippujen tuottaminen on työlästä työtä, joka vaatii jonkin verran erikoistumista, erityisesti urheilussa, jossa on monimutkaisia sääntöjä, joita pelataan pidempään (esim. Cricket). Sovellusesimerkki on automaattinen Cricket highlight generation käyttäen tapahtumavetoisia ja jännitystä-pohjainen ominaisuuksia tunnistaa ja clip tärkeitä tapahtumia kriketti ottelu. Toinen sovellus on automaattinen kuratointi Golf kohokohtia käyttäen multimodel jännitystä ominaisuuksia tietokoneen visio.
urheilutoiminnan pisteytystä
syväoppimisen menetelmiä voidaan käyttää urheilutoiminnan pisteytyksessä urheilijoiden toiminnan laadun arviointiin (Syväominaisuudet urheilutoiminnan pisteytykseen). Automaattista urheilutoiminnan pisteytystä voidaan käyttää sukelluksessa, taitoluistelussa tai holvaamisessa (ScoringNet on 3D CNN-verkon sovellus urheilutoiminnan pisteytykseen). Esimerkiksi sukelluksen pisteytyssovellus toimii arvioimalla urheilijan sukellussuorituksen laatupisteitä: sillä on merkitystä, ovatko urheilijan jalat yhdessä ja varpaat suorina koko sukellusprosessin ajan.
Tietokonenäkö terveydenhuollossa
syövän havaitseminen
koneoppiminen on sisällytetty lääketieteen aloille esimerkiksi rinta-ja ihosyövän havaitsemiseen. Kuvantunnistuksen avulla tutkijat voivat poimia pieniä eroja syöpä-ja ei-syöpä kuvia, ja diagnosoida tietoja magneettikuvaus (MRI) skannaa ja syötetty kuvia pahanlaatuinen tai hyvänlaatuinen.
COVID-19-diagnoosi
tietokonenäköä voidaan käyttää koronaviruksen torjuntaan. RÖNTGENPOHJAISTA COVID-19-diagnoosia varten on olemassa useita syväoppivia tietokonenäkömalleja. Suosituin COVID-19-tapausten toteamiseen CXR-kuvien (Digital chest x-ray radiography) avulla on nimeltään COVID-Net, ja sen on kehittänyt kanadalainen Darwin AI.
Soluluokitus
koneoppimista lääketieteellisissä tapauksissa käytettiin T-lymfosyyttien luokitteluun paksusuolisyövän epiteelisoluja vastaan suurella tarkkuudella. ML: n odotetaan merkittävästi nopeuttavan paksusuolen syövän taudintunnistusprosessia tehokkaasti ja vähäisin kustannuksin luomisen jälkeen.
Liikeanalyysi
neurologiset ja tuki-ja liikuntaelinten sairaudet, kuten vastaantulevat halvaukset, tasapaino-ja kävelyongelmat, voidaan havaita syväoppimismallien ja tietokonenäön avulla jopa ilman lääkärin analyysia. Pose Estimation computer vision-sovellukset, jotka analysoivat potilaan liikkumista, auttavat lääkäreitä diagnosoimaan potilaan helposti ja tarkemmalla tarkkuudella.
Naamiotunnistuksella
naamiotunnistuksella pyritään havaitsemaan naamioiden ja suojavarusteiden käyttö koronaviruksen leviämisen rajoittamiseksi. Tietokonenäköjärjestelmät auttavat maita ottamaan käyttöön naamiot torjuntastrategiana koronavirustaudin leviämisen hillitsemiseksi. Yksityiset yritykset, kuten Uber, ovat luoneet mobiilisovelluksiinsa käyttöön otettavia tietokonenäköominaisuuksia, jotka tunnistavat, käyttävätkö matkustajat naamioita vai eivät. Tällaiset ohjelmat tekevät joukkoliikenteestä turvallisempaa koronaviruspandemian aikana.
kasvaimen toteaminen
aivokasvaimet voidaan nähdä magneettikuvauksissa ja ne havaitaan usein syvien neuroverkkojen avulla. Tuumorintunnistusohjelmisto syväoppimisen hyödyntäminen on ratkaisevaa lääketeollisuudelle, koska se voi havaita kasvaimia suurella tarkkuudella, jotta lääkärit voivat tehdä diagnooseja. Uusia menetelmiä kehitetään jatkuvasti näiden diagnoosien tarkkuuden parantamiseksi.
taudin Etenemispisteet
tietokoneen näkökykyä voidaan käyttää kriittisesti sairaiden potilaiden tunnistamiseen lääkärin ohjaamiseksi (kriittisen potilaan seulonta). COVID-19-tartunnan saaneilla ihmisillä on todettu olevan nopeampi hengitys. SYVYYSOPPIMISTA syvyyskameroilla voidaan käyttää epänormaalien hengitystapojen tunnistamiseen, jotta COVID-19-viruksen saaneiden ihmisten tarkka ja huomaamaton mutta laajamittainen seulonta voidaan suorittaa.
Terveydenhuolto ja kuntoutus
fysioterapia on tärkeää aivoinfarktista selvinneiden ja urheiluvammapotilaiden toipumiskoulutuksessa. Koska sairaalan tai hoitolaitoksen tarjoama ammattilaisen valvonta on kallista, kotikoulutus visioon perustuvalla kuntoutussovelluksella on edullista, koska sen avulla ihmiset voivat harjoitella liikeharjoittelua yksityisesti ja taloudellisesti. Tietokoneavusteisessa terapiassa tai kuntoutuksessa ihmisen toiminnan arviointia voidaan soveltaa auttamaan potilaita koulutuksessa kotona, ohjaamaan heitä suorittamaan toimia oikein ja estämään heitä uusista vammoista.
lääketieteellinen Taitokoulutus
Tietokonenäkösovelluksia käytetään asiantuntijaoppijoiden taitotason arviointiin itseopiskelualustoilla. Esimerkiksi kirurgiseen koulutukseen on kehitetty simulaatiopohjaisia kirurgisia koulutusalustoja. Tekniikan toiminnan laadun arviointi mahdollistaa kehittää laskennallisia lähestymistapoja, jotka automaattisesti arvioida kirurgisten opiskelijoiden suorituskykyä. Näin ollen yksilöille voidaan antaa mielekästä palautetta ja ohjata heitä parantamaan taitotasoaan.
Tietokonenäkö maataloudessa
viljelykasvien seuranta
tärkeiden viljelykasvien, kuten riisin ja vehnän, sato ja laatu määrittävät ruokaturvan vakauden. Perinteisesti sadon kasvun seuranta perustuu pääasiassa ihmisen subjektiiviseen arviointikykyyn, eikä se ole ajankohtaista tai tarkkaa. Tietokonenäkösovellusten avulla voidaan jatkuvasti ja tuhoamatta seurata kasvien kasvua ja reagointia ravinnetarpeisiin. Manuaaliseen toimintaan verrattuna reaaliaikainen sadon kasvun seuranta tietokonenäkötekniikan avulla voi havaita aliravitsemuksesta johtuvat hienovaraiset muutokset viljelykasveissa jo paljon aikaisemmin ja antaa luotettavan ja tarkan perustan oikea-aikaiselle sääntelylle. Tietokonenäkösovelluksia voidaan käyttää kasvien kasvumittareiden mittaamiseen tai kasvuvaiheen määrittämiseen.
kukinnan toteaminen
vehnän nimikeajankohta on yksi vehnäkasvien tärkeimmistä muuttujista. Vehnän nimikeajan määrittämiseen voidaan käyttää automaattista tietokonenäön havainnointijärjestelmää. Tietokoneen visio tekniikka on etuja alhaiset kustannukset, pieni virhe, korkea hyötysuhde ja hyvä kestävyys ja voidaan dynaamisesti ja jatkuvasti analysoida.
Plantaasiseuranta
älykkäässä maataloudessa kuvankäsittelyä lennokkikuvilla voidaan käyttää palmuöljyplantaasien etävalvontaan. Geospatiaalisella ortofotoksella voidaan tunnistaa, mikä osa plantaasimaasta on hedelmällistä istutetuille viljelmille. Oli myös mahdollista tunnistaa kasvultaan heikompia alueita ja myös osa plantaasipellosta, joka ei kasva lainkaan.
hyönteisten havaitseminen
lentävien hyönteisten nopea ja tarkka tunnistaminen ja laskeminen on erittäin tärkeää erityisesti tuholaistorjunnan kannalta. Lentävien hyönteisten perinteinen manuaalinen tunnistaminen ja laskeminen on tehotonta ja työlästä. Vision-pohjaiset järjestelmät mahdollistavat lentävien hyönteisten laskemisen ja tunnistamisen (perustuu siihen, että katsot vain kerran (YOLO) kohteen havaitsemiseen ja luokitteluun).
Kasvitaudin toteaminen
taudin vaikeusasteen automaattinen ja tarkka arviointi on välttämätöntä elintarviketurvan, tautien hallinnan ja satotappioiden ennustamisen kannalta. Syväoppimismenetelmällä vältetään työvoimavaltaista piirteiden suunnittelua ja kynnysperustaista kuvanjakoa. Automaattisia kuvapohjaisia kasvitautien vakavuuden estimointeja kehitettiin Deep convolutional neural network (CNN) – sovellusten avulla, esimerkiksi omenamustan tunnistamiseen.
Automaattinen kitkeminen
rikkaruohoja pidetään maataloudessa haitallisina kasveina, koska ne kilpailevat viljelykasvien kanssa maaperän veden, mineraalien ja muiden ravinteiden saannista. Torjunta-aineiden ruiskuttaminen vain rikkaruohojen tarkkoihin kohtiin vähentää huomattavasti riskiä saastuttaa viljelykasveja, ihmisiä, eläimiä ja vesivaroja. Rikkakasvien älykäs havaitseminen ja poistaminen ovat maatalouden kehityksen kannalta kriittisiä. Neuroverkkoon perustuvalla tietokonenäköjärjestelmällä voidaan tunnistaa perunakasveja ja kolmea eri rikkaruohoa paikan päällä tapahtuvaa spesifistä ruiskutusta varten.
Automaattinen korjuu
perinteisessä maataloudessa käytetään koneellista korjuuta, jonka tukipilarina on manuaalinen korjuu, mikä johtaa korkeisiin kustannuksiin ja alhaiseen hyötysuhteeseen. Viime vuosina tietokonenäköteknologian jatkuvan soveltamisen myötä maataloustuotantoon on syntynyt huippuluokan älykkäitä maatalouden korjuukoneita, kuten korjuukoneita ja tietokonenäköteknologiaan perustuvia poimintarobotteja, mikä on ollut uusi askel sadon automaattisessa korjuussa. Korjuutoiminnan pääpaino on tuotteiden laadun varmistaminen korjuun aikana markkina-arvon maksimoimiseksi. Tietokonenäköllä toimivia sovelluksia ovat kurkkujen poiminta automaattisesti kasvihuoneessa tai kirsikoiden automaattinen tunnistaminen luonnollisessa ympäristössä.
maataloustuotteiden Laatutestaus
maataloustuotteiden laatu on yksi tärkeä markkinahintoihin ja asiakastyytyväisyyteen vaikuttava tekijä. Manuaalisiin tarkastuksiin verrattuna Tietokonenäkö tarjoaa tavan suorittaa ulkoisia laatutarkastuksia ja saavuttaa korkea joustavuus ja toistettavuus suhteellisen alhaisin kustannuksin ja suurella tarkkuudella. Konenäköön ja tietokonenäköön perustuvia järjestelmiä käytetään makean sitruunan vaurioiden pikatestaukseen tai perunan tuhoamattomaan laadunarviointiin.
kastelun hallinta
maaperän hoito, joka perustuu teknologian käyttöön maan tuottavuuden parantamiseksi viljelyn, lannoituksen tai kastelun avulla, vaikuttaa merkittävästi nykyaikaiseen maataloustuotantoon. Hankkimalla kuvien avulla hyödyllistä tietoa puutarhakasvien kasvusta voidaan maaperän vesitasetta arvioida tarkasti, jotta saadaan aikaan tarkka kastelusuunnittelu. Tietokonenäkösovellukset antavat arvokasta tietoa kastelun hallinnan vesitaseesta. Visioon perustuva järjestelmä voi käsitellä miehittämättömien ilma-alusten (UAV) ottamia monispektrisiä kuvia ja saada kasvillisuusindeksin (VI), joka tarjoaa päätöksentekotukea kastelun hallintaan.
UAV: n viljelysmaan seuranta
reaaliaikainen viljelysmaata koskeva tieto ja sen tarkka ymmärtäminen ovat täsmäviljelyssä keskeisessä asemassa. Viime vuosina UAV, koska nopeasti kehittyvä tekniikka, on mahdollistanut hankinnan maatalouden tietoa, joka on korkea resoluutio, alhaiset kustannukset, ja nopeita ratkaisuja. Kuvaantureilla varustetut UAV-alustat tarjoavat yksityiskohtaista tietoa maatalouden taloudesta ja viljelyolosuhteista (esimerkiksi jatkuva kasvustojen seuranta). UAV – kaukokartoitus on osaltaan lisännyt maataloustuotantoa ja pienentänyt maatalouskustannuksia.
Satoarviointi
tietokonenäkötekniikan avulla on toteutettu maaperän hoidon, kypsyyden havaitsemisen ja sadon estimoinnin tehtävät maatiloilla. Lisäksi olemassa olevaa teknologiaa voidaan hyvin soveltaa esimerkiksi spektrianalyysin ja syväoppimisen menetelmiin. Useimmat näistä menetelmistä ovat erittäin tarkkoja, edullisia, hyvä siirrettävyys, hyvä integraatio ja skaalautuvuus ja voivat tarjota luotettavaa tukea johdon päätöksentekoon. Esimerkkinä voidaan mainita sitrushedelmien sadon arviointi hedelmien havaitsemisen ja laskemisen avulla tietokonenäön avulla. Myös sokeriruokopeltojen tuotto voidaan ennustaa käsittelemällä UAV: n avulla saatuja kuvia.
Eläinseuranta
eläimiä voidaan seurata käyttäen uusia tekniikoita, jotka on koulutettu tunnistamaan eläintyyppi ja sen toiminta. Eläinten seurannalle on paljon käyttöä maataloudessa, jossa karjaa voidaan seurata etänä tautien havaitsemiseksi, käyttäytymisen muuttamiseksi tai synnyttämiseksi. Lisäksi maatalous-ja villieläintutkijat voivat katsella villieläimiä turvallisesti etäältä.
maatilojen automaatio
teknologiat, kuten sadonkorjuu -, Kylvö-ja kitkurirobotit, autonomiset traktorit ja dronet, joilla seurataan maatilan olosuhteita ja levitetään lannoitteita, voivat maksimoida tuottavuuden työvoimapulalla. Maatalous voi olla myös kannattavampaa, kun maatalouden ekologinen jalanjälki minimoidaan.
Computer Vision in Transportation
Vehicle Classification
Computer Vision automaattisen ajoneuvoluokituksen hakemuksilla on pitkä historia. Ajoneuvojen automaattisen luokittelun teknologiat ovat kehittyneet vuosikymmenten aikana. Nopeasti kasvavilla edullisilla antureilla, kuten suljetun piirin televisiokameroilla (CCTV), Valontunnistus‐ja vaihteluväleillä (LiDAR) ja jopa lämpökuvauslaitteilla, ajoneuvot voidaan havaita, seurata ja luokitella useilla kaistoilla samanaikaisesti. Ajoneuvoluokituksen tarkkuutta voidaan parantaa yhdistämällä useita antureita, kuten lämpökuvaus, LiDAR-kuvantaminen ja RGB-näkyvät kamerat. On olemassa useita erikoisaloja, esimerkiksi syväoppimiseen perustuva tietokonenäköratkaisu rakennusajoneuvojen havaitsemiseen on käytetty esimerkiksi turvallisuuden seurantaan, tuottavuuden arviointiin ja johdon päätöksentekoon.
liikkuvien rikkomusten havaitseminen
lainvalvontaviranomaiset ja kunnat lisäävät kamerapohjaisten ajoratojen valvontajärjestelmien käyttöönottoa tavoitteena vähentää vaarallista ajokäyttäytymistä. Tietokonenäkötekniikoita käytetään yhä enemmän sellaisten rikkomusten kuin ylinopeuksien, punaisten valojen tai stop‐merkkien, väärään suuntaan ajamisen ja laittomien käännösten havaitsemisen automatisointiin.
liikennevirtojen analysointia
liikennevirtojen analysointia on tutkittu laajasti älykkäiden liikennejärjestelmien (ITS) osalta käyttäen molempia invasiivisia menetelmiä (tageja, päällysteen alla olevia keloja jne.) ja ei-invasiivisia menetelmiä, kuten kameroita. Tietokonenäön ja tekoälyn nousun myötä videoanalytiikkaa voidaan nyt soveltaa kaikkialla oleviin liikennekameroihin, jotka voivat tuottaa valtavia vaikutuksia sen ja älykkään kaupungin alueella. Liikennevirtaa voidaan havainnoida tietokonenäön avulla ja mitata joitakin liikenneinsinöörien vaatimia muuttujia.
pysäköinnin Asukastunnistus
visuaalista pysäköintitilan seurantaa käytetään tavoitteena pysäköintialueen asukastunnistus. Computer vision applications power hajautettu ja tehokkaita ratkaisuja visuaalinen parkkipaikan käyttöaste havaitseminen perustuu syvä Convolutional Neural Network (CNN). Pysäköintialueiden havaitsemiseen on olemassa useita tietokokonaisuuksia, kuten PKLot ja CNRPark-EXT. Lisäksi videopohjaisia pysäköinnin hallintajärjestelmiä on toteutettu stereoskooppisella kuvantamisella (3D) tai lämpökameralla.
Automaattinen rekisterikilven tunnistus
monet nykyaikaiset kuljetukset ja julkiset turvallisuusjärjestelmät riippuvat kyvystä tunnistaa ja poimia rekisterikilven tiedot still-kuvista tai videoista. Automaattinen rekisterikilven tunnistus (alpr) on monin tavoin muuttanut yleistä turvallisuus‐ja kuljetusalaa, auttaen mahdollistamaan nykyaikaiset tietulliratkaisut, tarjoamalla valtavia operatiivisia kustannussäästöjä automaation kautta ja jopa mahdollistamalla täysin uusia ominaisuuksia markkinoilla (esim.poliisiristeilijä-asennetut Rekisterikilven lukuyksiköt). OpenALPR on suosittu automaattinen rekisterikilpien tunnistuskirjasto, joka perustuu autojen rekisterikilpien kuviin tai videosyötteisiin.
Ajoneuvon uudelleen tunnistus
henkilötunnistuksen parannuksilla älykkäillä kuljetus-ja valvontajärjestelmillä pyritään toistamaan tämä lähestymistapa ajoneuvoissa, joissa käytetään näköön perustuvaa Ajoneuvon uudelleen tunnistusta. Perinteiset menetelmät yksilöllisen AJONEUVOTUNNUKSEN antamiseksi ovat yleensä tunkeilevia (ajoneuvon sisäinen tunniste, matkapuhelin tai GPS). Valvotuissa asetuksissa, kuten tietullikojussa, automaattinen rekisterikilven tunnistus (ALPR) on luultavasti paras tekniikka yksittäisten ajoneuvojen täsmälliseen tunnistamiseen. Rekisterikilvet ovat kuitenkin alttiita muutoksille ja väärennöksille, eikä ALPR pysty heijastamaan ajoneuvojen merkittäviä erikoisuuksia, kuten merkkejä tai lommoja. Ei-tunkeilevilla menetelmillä, kuten kuvapohjaisella tunnistuksella, on suuri potentiaali ja kysyntä, mutta ne eivät ole vielä läheskään kypsiä käytännön käyttöön. Suurin osa nykyisistä näköön perustuvista Ajoneuvon uudelleen tunnistamistekniikoista perustuu ajoneuvon ulkonäköön, kuten väriin, rakenteeseen ja muotoon. Tästä päivästä lähtien hienojen erityispiirteiden, kuten automerkin tai vuosimallin, tunnustaminen on edelleen ratkaisematon haaste.
Jalankulkijoiden havaitseminen
jalankulkijoiden havaitseminen on ratkaisevan tärkeää älykkäiden liikennejärjestelmien kannalta, se ulottuu autonomisesta ajamisesta infrastruktuurin valvontaan, liikenteen hallintaan, kauttakulkuturvallisuuteen ja-tehokkuuteen sekä lainvalvontaan. Jalankulkijoiden havaitsemiseen liittyy monenlaisia antureita, kuten perinteisiä CCTV‐tai IP-kameroita, lämpökuvauslaitteita, Lähi-infrapunakuvauslaitteita ja laivalla olevia RGB-kameroita. Jalankulkijoiden tunnistusalgoritmit voivat perustua infrapuna-allekirjoituksiin, muoto-ominaisuuksiin, gradienttiominaisuuksiin, koneoppimiseen tai liikeominaisuuksiin. Syviin konvoluution neuroverkkoihin perustuva jalankulkijoiden tunnistus on edistynyt merkittävästi, jopa voimakkaasti tukkeutuneiden jalankulkijoiden havaitsemisessa.
Liikennemerkkien tunnistus
Tietokonenäkösovelluksia käytetään liikennemerkkien tunnistamiseen ja tunnistamiseen. Näkötekniikoita sovelletaan eri liikennenäkymien segmenttiliikennemerkkeihin (käyttäen kuvasegmentointia) ja niissä käytetään syväoppimisalgoritmeja liikennemerkkien tunnistamiseen ja luokitteluun.
törmäysvaaran Välttämisjärjestelmät
Ajoneuvon havaitseminen ja kaistanilmaisu ovat olennainen osa kehittyneimpiä kuljettajaa avustavia järjestelmiä (ADAS). Syvien neuroverkkojen avulla on viime aikoina tutkittu syväoppimista ja sen käyttöä autonomisissa törmäyksenestojärjestelmissä.
tien Kunnonvalvonta
Tietokonenäköön perustuvia vikojen havaitsemis-ja kuntoarviointisovelluksia on kehitetty betonin ja asfaltin siviili-infrastruktuurin seurantaan. Jalkakäytävien kunnonarvioinnilla saadaan tietoa, jonka avulla voidaan tehdä kustannustehokkaampia ja johdonmukaisempia päätöksiä jalkakäytäväverkoston hallinnasta. Yleensä jalkakäytävien hätätarkastuksissa käytetään pitkälle kehitettyjä tiedonkeruuajoneuvoja ja/tai maastokatsastuksia. Syvä Koneoppiminen lähestymistapa kehittää asfalttipäällysteen kunto indeksi kehitettiin tarjota ihmisestä riippumaton, edullinen, tehokas ja turvallinen tapa automatisoitu jalkakäytävä ahdingon havaitseminen tietokoneen visio. Toinen sovellus on tietokonenäkösovellus, joka tunnistaa tien kuopat teiden kunnossapidon kohdentamiseksi ja siihen liittyvien ajoneuvoonnettomuuksien vähentämiseksi.
infrastruktuurin Kuntoarviointi
siviili-infrastruktuurin turvallisuuden ja huollettavuuden varmistamiseksi on välttämätöntä tarkastaa ja arvioida silmämääräisesti sen fyysinen ja toiminnallinen kunto. Tietokonenäköön perustuvien siviili-infrastruktuurin tarkastus-ja valvontajärjestelmien avulla kuva-ja videodata muunnetaan automaattisesti toimintakelpoiseksi tiedoksi. Tietokonenäkötarkastussovelluksia käytetään rakennekomponenttien tunnistamiseen, paikallisten ja maailmanlaajuisten näkyvien vaurioiden tunnistamiseen ja viitekuvan muutosten havaitsemiseen. Tällaisia seurantasovelluksia ovat muun muassa kannan ja siirtymän staattinen mittaus ja siirtymän dynaaminen mittaus modaalista analyysia varten.
kuljettajan tarkkaavaisuuden havaitseminen
hajamielinen ajaminen – kuten haaveilu, kännykän käyttö ja jonkin auton ulkopuolelta katsominen – selittää suuren osan tieliikennekuolemista maailmanlaajuisesti. Tekoälyä käytetään ymmärtämään ajokäyttäytymistä, löytämään ratkaisuja tieliikennevahinkojen lieventämiseksi. Tievalvontatekniikoita käytetään Matkustajatilan rikkomusten havainnointiin, esimerkiksi syväoppimiseen perustuvassa turvavyöhavainnossa tievalvonnassa. Ajoneuvon kuljettajan seurantatekniikat keskittyvät visuaaliseen tunnistamiseen, analysointiin ja palautteeseen. Kuljettajan käyttäytyminen voidaan päätellä sekä suoraan sisäänpäin suunnatuista kameroista että epäsuorasti ulospäin suunnatuista kameroista tai sensoreista. Kuljettajan kasvot-videoanalyysiin perustuvat tekniikat tunnistavat kasvot ja silmät katseen suunnan, pään asennon estimoinnin ja kasvojen ilmeiden seurannan algoritmeilla. Syvä ja koneoppimisen algoritmeja, jotka on annettu tuhansia paloja tietoa Tarkkaavainen vs. Tarkkaavainen kasvot voivat havaita eroja silmien, jotka ovat keskittyneet ja keskittymättä, sekä merkkejä ajo vaikutuksen alaisena. On olemassa useita näkökykyyn perustuvia sovelluksia reaaliaikaiseen hajamielinen kuljettajan asennon luokitteluun useilla syväoppimismenetelmillä (RNN ja CNN), joita käytetään kuljettajan häiriötekijöiden havaitsemisessa.
Computer Vision in Retail and Manufacturing
Customer Tracking
strategisesti sijoitetut laskulaitteet voivat kerätä koneoppimisen prosesseilla tietoa siitä, missä asiakkaat viettävät aikaansa ja kuinka kauan. Asiakasanalytiikan avulla voidaan parantaa vähittäiskaupan ymmärrystä kuluttajien vuorovaikutuksesta ja parantaa kauppojen asettelun optimointia.
ihmiset laskevat
Tietokonenäön algoritmeja koulutetaan data-esimerkkien avulla havaitsemaan ihmiset ja laskemaan heidät sitä mukaa kuin heidät havaitaan. Tällainen ihmislaskutekniikka on kaupoille hyödyllinen aineisto myymälöidensä menestyksestä, ja sitä voidaan soveltaa myös COVID-19-tautiin liittyvissä tilanteissa, joissa rajoitettu määrä ihmisiä päästetään kauppaan kerralla.
Varkauden havaitseminen
vähittäiskauppiaat voivat havaita epäilyttävää käyttäytymistä, kuten lorvimista tai pääsyä alueille, jotka ovat kiellettyjä, käyttämällä tietokonenäköalgoritmeja, jotka analysoivat itsenäisesti näkymää.
jonotusajan analysointi
malttamattomien asiakkaiden ja loputtomien jonotusjonojen estämiseksi vähittäiskauppiaat ottavat käyttöön jonotustekniikan. Jonojen tunnistus käyttää kameroita jonossa olevien ostajien määrän seuraamiseen ja laskemiseen. Kun asiakaskynnys on saavutettu, järjestelmä hälyttää virkailijoita avaamaan uusia kassoja.
sosiaalinen Etäisyys
turvatoimien noudattamisen varmistamiseksi yritykset käyttävät etäisyysilmaisimia. Kamera seuraa työntekijän tai asiakkaan liikkumista ja käyttää syvyysantureita näiden välisen etäisyyden arvioimiseen. Asennosta riippuen järjestelmä piirtää henkilön ympärille punaisen tai vihreän ympyrän.
Tuottavuusanalytiikka
Tuottavuusanalytiikka seuraa työpaikan muutoksen vaikutuksia, sitä, miten työntekijät käyttävät aikaansa ja resurssejaan ja ottavat käyttöön erilaisia työkaluja. Tällaiset tiedot voivat antaa arvokasta tietoa ajanhallinnasta, työpaikan yhteistyöstä ja työntekijöiden tuottavuudesta.
laadunhallinta
laadunhallintajärjestelmät varmistavat, että organisaatio saavuttaa asiakkaan vaatimukset käsittelemällä käytäntöjään, menettelyjään, ohjeitaan, sisäisiä prosessejaan saavuttaakseen yleisen kuluttajatyytyväisyysasteen.
Taitoharjoittelu
toinen näkökenttäjärjestelmien sovellusalue on liukuhihnatoimintojen optimointi teollisuustuotannossa. Ihmisen toiminnan arviointi voi auttaa luomaan eri toimintavaiheisiin liittyviä standardoituja toimintamalleja sekä arvioimaan koulutettujen työntekijöiden suorituskykyä. Työntekijöiden toiminnan laadun automaattinen arviointi voi olla hyödyllistä parantamalla työtehoa, edistämällä tuotannon tehokkuutta (LEAN optimointi) ja, mikä tärkeintä, löytää vaarallisia toimia ennen kuin vahinko tapahtuu.
mitä seuraavaksi?
syväoppimisen ja koneoppimisen tekniikkaa on käytetty tietokonenäkösovellusten luomiseen kymmenillä tavoilla ja kaikenlaisille teollisuudenaloille.
- tutki 8 tietokonenäön sovellusta koronaviruksen torjuntaan
- Opi kaikki ihmisen Pose-Estimoinnista tietokonenäöllä.
- Katso kokonaisnäkemys kohteen havaitsemisesta vuonna 2021.
- Lue tapaustutkimus eläinten seurantaan tarkoitetusta Tietokonenäkösovelluksesta.