a számítógépes látás a mesterséges intelligencia olyan szektora, amely gépi és mély tanulást használ, hogy lehetővé tegye a számítógépek számára, hogy “lássák” és elemezzék környezetüket. A számítógépes látás hatalmas hatással van az összes iparág vállalataira, a kiskereskedelemtől a mezőgazdaságig. Különösen hasznos olyan problémák esetén, ahol emberi szemre lenne szükségünk a helyzet megtekintéséhez. Az e kritériumokban létező problémák széles skálája miatt a számítógépes látás több ezer alkalmazását még nem fedezték fel vagy merítették ki.
Ez a cikk a kiemelkedő iparágak által 2021-ben használt gyorsan növekvő és progresszív számítógépes látásalkalmazások összesített listája lesz.
számítógépes látás a sportban
Player Pose Tracking
az AI vision felhasználható az emberi test mozgása közötti minták felismerésére, valamint a videofelvételek vagy a valós idejű videofolyamok több képkockáján való pózolásra. Az emberi pózbecslést az úszók valós videóira alkalmazták, ahol egyetlen álló kamera filmezik a vízfelszín felett és alatt. Ezek a videofelvételek felhasználhatók a sportolók teljesítményének kvantitatív felmérésére anélkül, hogy manuálisan kommentálnák az egyes videókeret testrészeit. A konvolúciós neurális hálózatokat arra használják, hogy automatikusan megállapítsák a szükséges pózinformációkat és felismerjék a sportoló úszási stílusát.
Markerless Motion Capture
a kamerák az emberi csontváz mozgásának nyomon követésére használhatók hagyományos optikai markerek és speciális kamerák használata nélkül. Ez elengedhetetlen a sportfogásban, ahol a játékosokat nem lehet további teljesítményrögzítő öltözékkel vagy eszközökkel terhelni.
objektív sportolói teljesítményértékelés
A sportspecifikus mozgások automatikus felismerése és felismerése leküzdi a kézi teljesítményelemzési módszerek korlátait. A számítógépes Látásadatok bemenetei a testen viselt érzékelők és Hordható anyagok adataival együtt használhatók. Népszerű felhasználási esetek úszás elemzés, golf swing elemzés, over-ground running analytics, alpesi síelés, és a felderítése és értékelése krikett bowling.
Multi-Player Pose Tracking
számítógépes látási algoritmusok segítségével több csapatjátékos póza és mozgása kiszámítható mind a monokuláris (egykamerás felvétel), mind a multi-view (több kamera felvétele) sportvideó adatkészletekből. A játékosok 2D vagy 3D Pózának becslésének lehetséges felhasználása széles körű, és magában foglalja a teljesítményelemzést, a mozgásrögzítést és az új alkalmazásokat a sugárzott és magával ragadó médiában.
Stroke Recognition
a számítógépes látásalkalmazások felhasználhatók a stroke észlelésére és osztályozására (például a stroke osztályozására az asztaliteniszben). A mozgások felismerése vagy osztályozása magában foglalja az azonosított példány további értelmezéseit és címkézett előrejelzéseit (például a teniszütések megkülönböztetését tenyeres vagy fonákként). A Stroke felismerés célja, hogy eszközöket biztosítson a tanárok, edzők és játékosok számára az asztalitenisz játékok elemzéséhez és a sporttudás hatékonyabb javításához.
közel valós idejű Coaching
számítógépes látás alapú sportanalitikai segítség a játékosok számára az erőforrás-hatékonyság javítása és az időkorlátos feladatok visszacsatolási idejének csökkentése. Az időigényes jelölési feladatokban részt vevő edzők és sportolók, beleértve az úszás utáni versenyelemzést is, részesülhetnek a gyors objektív visszajelzésekből a versenyprogram következő versenye előtt.
Sports Team Behaviors Analysis
a profi csapatsport elemzői rendszeresen végeznek elemzést, hogy stratégiai és taktikai betekintést nyerjenek a játékos és a csapat viselkedésébe (azonosítsa a gyengeségeket, értékelje a teljesítményt és a fejlesztési lehetőségeket). A kézi videóelemzés azonban általában időigényes folyamat, ahol az elemzőknek meg kell jegyezniük és meg kell jegyezniük a jeleneteket. A számítógépes látási technikák felhasználhatók a pályaadatok videóanyagból történő kinyerésére, és mozgáselemzési technikákat alkalmazhatnak a releváns csapatsport analitikai intézkedések levezetésére a régió, a csapatképzés, az esemény és a játékos elemzés (például a futballcsapat sportelemzésében).
automatizált médiavisszhang
az AI vision technológia videofelvételeket használhat a sportjátékok értelmezésére és a Média házakba történő továbbítására anélkül, hogy feltétlenül fizikai kamerákkal menne oda. Például a baseball az elmúlt években megszerezte ezt az előnyt a játékhírek automatizálásával.
Labdakövetés
A Labdapályaadatok az egyik legalapvetőbb és leghasznosabb információ a játékosok teljesítményének értékelésében és a játékstratégiák elemzésében. Ezért a labda mozgásának nyomon követése a mély és gépi tanulás alkalmazása a labda video keretekben történő észlelésére, majd nyomon követésére. A labdakövetés fontos a nagy mezőkkel rendelkező sportokban (pl. futball), hogy segítse a híradókat és az elemzőket a sportjátékok és a taktikák gyorsabb értelmezésében és elemzésében.
gólvonal-technológia
kamera-alapú rendszerek használhatók annak meghatározására, hogy gólt szereztek-e vagy sem, hogy támogassák a játékvezetők döntéshozatalát. Az érzékelőktől eltérően a látásalapú módszer nem invazív, és nem igényel változtatásokat a tipikus futballeszközökön. Az ilyen célvonal-technológiai rendszerek nagysebességű kamerákon alapulnak, amelyek képeit a labda helyzetének háromszögelésére használják. Golyóérzékelő algoritmus, amely elemzi a jelölt labdarégiókat a labdamintázat felismerése érdekében.
Eseménydetektálás a sportban
A Deep Learning felhasználható összetett események felismerésére strukturálatlan videókból, például gólszerzés egy futballmeccsen, közeli kihagyások vagy a játék más izgalmas részei, amelyek nem eredményeznek pontszámot. Ez a technológia valós idejű eseményérzékelésre használható a sportközvetítésekben, a terepi sportok széles skálájára alkalmazható.
Self-training Feedback
számítógépes látás alapú önképző rendszerek a sport gyakorlásához egy nemrégiben megjelenő kutatási téma. Míg az önképzés elengedhetetlen a sporttevékenységben, a gyakorló korlátozott mértékben haladhat előre edző utasítása nélkül. Például egy jóga önképző alkalmazás célja, hogy utasítsa a gyakorlót a jóga pózok helyes elvégzésére, segítve a rossz testhelyzetek kijavítását és a sérülések megelőzését. Az önképző rendszer utasításokat ad a testtartás beállítására.
automatikus kiemelés generálása
a sport kiemelések előállítása munkaigényes munka, amely bizonyos fokú specializációt igényel, különösen a hosszabb ideig játszott összetett szabályrendszerrel rendelkező sportokban (pl. Krikett). Egy alkalmazási példa az automatikus krikett kiemelés generálása eseményvezérelt és izgalomalapú funkciók segítségével a krikettmérkőzés fontos eseményeinek felismerésére és klipjére. Egy másik alkalmazás az automatikus kurátora golf kiemeli a multimodell izgalom funkciók számítógépes látás.
sporttevékenység-pontozás
mély tanulási módszerek használhatók a sporttevékenység-pontozáshoz a sportolók akcióminőségének értékeléséhez (a sporttevékenység-pontozás mély jellemzői). Automatikus sporttevékenység pontozás lehet használni a búvárkodás, műkorcsolya, vagy boltozat (ScoringNet egy 3D CNN hálózati alkalmazás sporttevékenység pontozás). Például egy búvárkodási pontozási alkalmazás úgy működik, hogy felméri a sportoló búvárteljesítményének minőségi pontszámát: fontos, hogy a sportoló lábai együtt vannak-e, lábujjaik pedig egyenesek-e az egész merülési folyamat során.
számítógépes látás az egészségügyben
Rákfelismerés
a gépi tanulás beépül az orvosi iparágakba olyan célokra, mint a mell-és bőrrák kimutatása. A képérzékelés lehetővé teszi a tudósok számára, hogy kis különbségeket találjanak a rákos és a nem rákos képek között, és diagnosztizálják a mágneses rezonancia képalkotás (MRI) vizsgálatokból és a bevitt fotókból származó adatokat rosszindulatúnak vagy jóindulatúnak.
COVID-19 diagnózis
számítógépes látás használható a koronavírus ellenőrzésére. Több mély tanulási számítógépes látásmodell létezik a röntgen alapú COVID-19 diagnózishoz. A legnépszerűbb a COVID-19 esetek digitális mellkasröntgen-(CXR) képekkel történő kimutatására COVID-Net néven, amelyet a kanadai Darwin AI fejlesztett ki.
Sejtosztályozás
orvosi felhasználási esetekben gépi tanulást alkalmaztak a T-limfociták vastagbélrák elleni osztályozására hámsejtek nagy pontossággal. Az ML várhatóan jelentősen felgyorsítja a betegség azonosításának folyamatát a vastagbélrákkal kapcsolatban hatékonyan és kevés költség nélkül a létrehozás után.
Mozgáselemzés
a neurológiai és mozgásszervi betegségek, mint például a közelgő stroke, az egyensúly és a járási problémák mély tanulási modellekkel és számítógépes látással kimutathatók még orvosi elemzés nélkül is. Pose becslés számítógépes látás alkalmazások, amelyek elemzik a beteg mozgását, segítik az orvosokat a beteg diagnosztizálásában könnyedén és nagyobb pontossággal.
maszk detektálás
a maszkos arcfelismerés a maszkok és védőeszközök használatának kimutatására szolgál a koronavírus terjedésének korlátozása érdekében. A számítógépes Látásrendszerek segítik az országokat a maszkok megvalósításában, mint ellenőrzési stratégiát a koronavírus betegség terjedésének visszaszorítására. Az olyan magáncégek, mint az Uber, számítógépes látásfunkciókat hoztak létre, amelyeket mobilalkalmazásaikban végre kell hajtani annak kimutatására, hogy az utasok maszkot viselnek-e vagy sem. Az ilyen programok biztonságosabbá teszik a tömegközlekedést a koronavírus-járvány idején.
Tumor detektálás
az agydaganatok MRI vizsgálat során láthatók, és gyakran mély neurális hálózatok segítségével detektálhatók. A mély tanulást alkalmazó daganatérzékelő szoftver elengedhetetlen az orvosi ipar számára, mivel nagy pontossággal képes kimutatni a daganatokat, hogy segítse az orvosokat a diagnózis felállításában. Folyamatosan új módszereket fejlesztenek ki e diagnózisok pontosságának növelésére.
betegség progressziós pontszám
számítógépes látás használható a kritikus állapotban lévő betegek azonosítására közvetlen orvosi ellátás (kritikus betegszűrés). A COVID-19-vel fertőzött embereknek gyorsabb a légzése. A mélységi kamerákkal végzett mély tanulás felhasználható a rendellenes légzési minták azonosítására a COVID-19 vírussal fertőzött emberek pontos és diszkrét, mégis nagyszabású szűrése érdekében.
egészségügyi ellátás és rehabilitáció
a fizikoterápia fontos a stroke túlélők és a sportsérült betegek helyreállítási képzésében. Mivel a kórház vagy orvosi Ügynökség által biztosított szakember felügyelete drága, a látásalapú rehabilitációs alkalmazással rendelkező otthoni képzés előnyös, mivel lehetővé teszi az emberek számára, hogy magán és gazdaságosan gyakorolják a mozgásképzést. A számítógéppel segített terápiában vagy rehabilitációban az emberi cselekvés értékelése alkalmazható a betegek otthoni képzésében való segítésére, a cselekvések megfelelő végrehajtására és a további sérülések megelőzésére.
orvosi készségképzés
a számítógépes Látásalkalmazásokat az öntanuló platformokon a szakértő tanulók képzettségi szintjének felmérésére használják. Például szimulációs alapú sebészeti képzési platformokat fejlesztettek ki a sebészeti oktatáshoz. Az akcióminőség-értékelés technikája lehetővé teszi olyan számítási megközelítések kidolgozását, amelyek automatikusan értékelik a sebészeti hallgatók teljesítményét. Ennek megfelelően értelmes visszajelzési információkat lehet biztosítani az egyének számára, és irányítani őket képzettségi szintjük javítására.
számítógépes látás a mezőgazdaságban
Terményfigyelés
a fontos növények, például a rizs és a búza hozama és minősége határozza meg az élelmezésbiztonság stabilitását. Hagyományosan a termés növekedésének nyomon követése elsősorban szubjektív emberi megítélésen alapul, és nem időszerű vagy pontos. A számítógépes Látásalkalmazások lehetővé teszik a növények növekedésének és a tápanyagigényekre adott válasz folyamatos és roncsolásmentes nyomon követését. A kézi műveletekhez képest a terménynövekedés valós idejű nyomon követése számítógépes látástechnológia alkalmazásával sokkal korábban észlelheti a növények alultápláltság miatti finom változásait, és megbízható és pontos alapot nyújthat az időben történő szabályozáshoz. A számítógépes Látásalkalmazások felhasználhatók a növény növekedési mutatóinak mérésére vagy a növekedési szakasz meghatározására.
Virágzásérzékelés
a búza címsorának dátuma a búzanövények egyik legfontosabb paramétere. Automatikus számítógépes látásmegfigyelő rendszer használható a búza fejlécének meghatározására. A számítógépes látástechnológia előnyei az alacsony költség, a kis hiba, a nagy hatékonyság és a jó robusztusság, és dinamikusan és folyamatosan elemezhető.
Ültetvényfigyelés
az intelligens mezőgazdaságban a drónképekkel történő képfeldolgozás felhasználható a pálmaolaj ültetvények távoli megfigyelésére. A térinformatikai ortofotókkal meg lehet határozni, hogy az ültetvényterület melyik része termékeny az ültetett növények számára. Lehetőség volt azonosítani a növekedés szempontjából kevésbé termékeny területeket, valamint az ültetvényterület egy részét, amely egyáltalán nem növekszik.
rovar detektálás
a repülő rovarok gyors és pontos felismerése és számlálása nagy jelentőséggel bír, különösen a kártevők elleni védekezésben. A repülő rovarok hagyományos kézi azonosítása és számlálása nem hatékony és munkaigényes. A látásalapú rendszerek lehetővé teszik a repülő rovarok számlálását és felismerését (a You Only Look Once (Yolo) objektumfelismerés és osztályozás alapján).
növénybetegségek kimutatása
a betegség súlyosságának automatikus és pontos becslése elengedhetetlen az élelmezésbiztonsághoz, a betegségkezeléshez és a hozamveszteség előrejelzéséhez. A deep learning módszer elkerüli a munkaigényes szolgáltatástervezést és a küszöb alapú képszegmentálást. Automatikus képalapú növénybetegség-súlyossági becslés mély konvolúciós neurális hálózat (CNN) alkalmazásokat fejlesztettek ki, például az alma fekete rothadásának azonosítására.
automatikus gyomlálás
a gyomnövényeket az agronómiában káros növényeknek tekintik, mivel versenyeznek a növényekkel a víz, ásványi anyagok és egyéb tápanyagok megszerzéséért a talajban. A peszticidek csak a gyomok pontos helyén történő permetezése nagymértékben csökkenti a növények, az emberek, az állatok és a vízkészletek szennyezésének kockázatát. A gyomok intelligens kimutatása és eltávolítása kritikus fontosságú a mezőgazdaság fejlődése szempontjából. A neurális hálózat alapú számítógépes látásrendszer felhasználható a burgonyanövények és három különböző gyomnövény azonosítására a helyszíni permetezéshez.
automatikus betakarítás
a hagyományos mezőgazdaságban a mechanikus műveletekre támaszkodnak, a kézi betakarítás a fő támasza, ami magas költségeket és alacsony hatékonyságot eredményez. Az elmúlt években a számítógépes látástechnika folyamatos alkalmazásával csúcskategóriás intelligens mezőgazdasági betakarító gépek, például betakarító gépek és számítógépes látási technológián alapuló szedő robotok jelentek meg a mezőgazdasági termelésben, amely új lépés volt a növények automatikus betakarításában. A betakarítási műveletek fő célja a termékminőség biztosítása a betakarítás során a piaci érték maximalizálása érdekében. A számítógépes látással működő alkalmazások közé tartozik az uborka automatikus szedése üvegházi környezetben vagy a cseresznye automatikus azonosítása természetes környezetben.
mezőgazdasági termékek minőségének vizsgálata
a mezőgazdasági termékek minősége az egyik fontos tényező, amely befolyásolja a piaci árakat és a vevői elégedettséget. A kézi ellenőrzésekhez képest a Computer Vision lehetővé teszi a külső minőségellenőrzések elvégzését és a magas fokú rugalmasság és ismételhetőség elérését viszonylag alacsony költséggel és nagy pontossággal. A gépi látáson és a számítógépes látáson alapuló rendszereket az édes citrom károsodásának gyors tesztelésére vagy a burgonya roncsolásmentes minőségértékelésére használják.
Öntözéskezelés
A talajgazdálkodás, amely a talaj termelékenységének termesztés, megtermékenyítés vagy öntözés révén történő növelésére szolgáló technológián alapul, jelentős hatással van a modern mezőgazdasági termelésre. Azáltal, hogy hasznos információkat szerez a kertészeti növények növekedéséről képek segítségével, a talaj vízmérlegét pontosan meg lehet becsülni a pontos öntözési tervezés elérése érdekében. A számítógépes látásalkalmazások értékes információkat nyújtanak az öntözéskezelő vízmérlegről. A látás-alapú rendszer képes feldolgozni a pilóta nélküli légi járművek (UAV-k) által készített többspektrumos képeket, és megszerezni a vegetációs indexet (VI), hogy támogatást nyújtson az öntözés kezeléséhez.
UAV termőföld Monitoring
a valós idejű mezőgazdasági információk és ezen információk pontos megértése alapvető szerepet játszanak a precíziós mezőgazdaságban. Az elmúlt években az UAV, mint gyorsan fejlődő technológia, lehetővé tette a nagy felbontású, alacsony költségű és gyors megoldásokkal rendelkező mezőgazdasági információk megszerzését. A képérzékelőkkel felszerelt UAV platformok részletes információkat nyújtanak az agrárgazdaságról és a terményviszonyokról (például folyamatos terményfigyelés). Az UAV távérzékelése hozzájárult a mezőgazdasági termelés növekedéséhez a mezőgazdasági költségek csökkenésével.
Hozamértékelés
a számítógépes látástechnika alkalmazásával megvalósultak a talajgazdálkodás, az érettség kimutatása és a termésbecslés funkciói a gazdaságok számára. Ezenkívül a meglévő technológia jól alkalmazható olyan módszerekre, mint a spektrális elemzés és a mély tanulás. Ezeknek a módszereknek a legtöbb előnye a nagy pontosság, az alacsony költség, a jó hordozhatóság, a jó integráció és a skálázhatóság, és megbízható támogatást nyújt a vezetői döntéshozatalhoz. Példa erre a citrusfélék terméshozamának becslése a gyümölcs detektálásával és a számítógépes látás segítségével történő számlálással. Ezenkívül a cukornádmezők hozama megjósolható az UAV segítségével kapott képek feldolgozásával.
Állatfigyelés
az állatokat olyan új technikákkal lehet nyomon követni, amelyeket az állat típusának és tevékenységének kimutatására kiképeztek. Sok haszna van az állatok megfigyelésének a gazdálkodásban, ahol az állatállományt távolról lehet ellenőrizni a betegség kimutatása, a viselkedés megváltozása vagy a szülés érdekében. Ezenkívül a mezőgazdaság és a vadon élő állatok tudósai biztonságosan, távolról is megtekinthetik a vadon élő állatokat.
mezőgazdasági automatizálás
az olyan technológiák, mint a betakarítási, vetési és gyomláló robotok, autonóm traktorok és drónok a mezőgazdasági körülmények megfigyelésére és a műtrágyák kijuttatására, maximalizálhatják a termelékenységet a munkaerőhiány miatt. A mezőgazdaság akkor is jövedelmezőbb lehet, ha a gazdálkodás ökológiai lábnyomát minimalizálják.
számítógépes látás a közlekedésben
jármű osztályozás
számítógépes látás az automatizált járműosztályozási alkalmazások hosszú múltra tekintenek vissza. Az automatizált járműosztályozás technológiái évtizedek óta fejlődnek. A gyorsan növekvő megfizethető érzékelőkkel, mint például a zárt láncú televíziós (CCTV) kamerák, a fényérzékelő és távolságmérő (LiDAR), sőt a hőkamerás eszközök, a járművek egyszerre több sávba is észlelhetők, nyomon követhetők és kategorizálhatók. A jármű osztályozásának pontossága több érzékelő, például hőkép, LiDAR képalkotás és RGB látható kamerák kombinálásával javítható. Számos szakterület létezik, például egy mély tanuláson alapuló számítógépes látásmegoldást alkalmaztak az építőipari járművek észlelésére olyan célokra, mint a biztonsági ellenőrzés, a termelékenység értékelése és a vezetői döntéshozatal.
mozgó jogsértések észlelése
a bűnüldöző szervek és az önkormányzatok növelik a kameraalapú közúti ellenőrző rendszerek telepítését azzal a céllal, hogy csökkentsék a nem biztonságos vezetési viselkedést. Egyre több számítógépes látástechnikát alkalmaznak az olyan jogsértések észlelésének automatizálására, mint a gyorshajtás, a piros lámpák vagy a stop táblák futtatása, a rossz irányú vezetés és az illegális kanyarok.
forgalomáramlás-elemzés
a forgalomáramlás elemzését széles körben tanulmányozták intelligens közlekedési rendszerek (ITS) esetében, mindkét invazív módszerrel (címkék, járda alatti tekercsek stb. nem invazív módszerek, például kamerák. A számítógépes látás és az AI térnyerésével a videoanalitika mostantól alkalmazható a mindenütt jelenlévő forgalmi kamerákra, amelyek hatalmas hatást gyakorolhatnak az intelligens városában. A forgalom megfigyelhető számítógépes látás eszközökkel, és mérje meg a közlekedési mérnökök által megkövetelt változók egy részét.
parkolási kihasználtság észlelése
a vizuális parkolóhely-megfigyelést a parkoló kihasználtságának észlelésére használják. A számítógépes látásalkalmazások decentralizált és hatékony megoldásokat kínálnak a parkolók kihasználtságának vizuális észlelésére egy mély konvolúciós neurális hálózaton (CNN) alapulva. Több adatkészlet létezik a parkolóhelyek észleléséhez, mint például a Pklot és a CNRPark-EXT. Ezenkívül videó alapú parkoláskezelő rendszereket valósítottak meg sztereoszkópikus képalkotás (3D) vagy hőkamerák.
automatikus Rendszámfelismerés
sok modern közlekedési és közbiztonsági rendszer attól függ, hogy képes-e felismerni és kivonni a rendszámtábla adatait állóképekből vagy videókból. Az automatizált Rendszámfelismerés (ALPR) sok szempontból átalakította a közbiztonságot és a közlekedést, elősegítve a modern útdíjköteles útmegoldásokat, óriási működési költségmegtakarítást biztosítva az automatizálás révén, sőt teljesen új képességeket is lehetővé téve a piacon (például rendőrségi cirkálóra szerelt rendszámolvasó egységek). Az OpenALPR egy népszerű automatikus rendszámfelismerő könyvtár, amely a jármű rendszámtábláinak képein vagy videofelvételein alapuló karakterfelismerésen alapul.
jármű-újraazonosítás
a személy-újraazonosítás fejlesztésével az intelligens közlekedési és felügyeleti rendszerek célja, hogy megismételjék ezt a megközelítést a látás-alapú jármű-újraazonosítást használó járművek esetében. Az egyedi járműazonosító megadásának hagyományos módszerei általában tolakodóak (járműben lévő címke, mobiltelefon vagy GPS). Ellenőrzött beállítások esetén, például egy útdíjszedőnél, az automatikus Rendszámfelismerés (ALPR) valószínűleg a legmegfelelőbb technológia az egyes járművek pontos azonosításához. A rendszámok azonban változhatnak és hamisíthatók, és az ALPR nem tükrözi a járművek kiemelkedő különlegességeit, például a jeleket vagy a horpadásokat. A nem tolakodó módszerek, mint például a képalapú felismerés, nagy potenciállal és kereslettel rendelkeznek, de még mindig messze vannak a gyakorlati alkalmazástól. A legtöbb meglévő látás-alapú jármű-újraazonosítási technika a jármű megjelenésén, például színén, textúráján és alakján alapul. A mai napig, a finom megkülönböztető jellemzők, például a járműgyártás vagy az éves modell elismerése továbbra is megoldatlan kihívás.
gyalogosok észlelése
a gyalogosok észlelése elengedhetetlen az intelligens közlekedési rendszerek számára, az autonóm vezetéstől az infrastruktúra felügyeletéig, a forgalomirányításig, a tranzitbiztonságig és hatékonyságig, valamint a bűnüldözésig terjed. A gyalogosok észlelése sokféle érzékelőt foglal magában, mint például a hagyományos CCTV vagy IP kamerák, termikus képalkotó eszközök, közeli infravörös képalkotó eszközök és fedélzeti RGB kamerák. A gyalogos észlelési algoritmusok infravörös aláírásokon, alakjellemzőkön, gradiens funkciókon, gépi tanuláson vagy mozgásfunkciókon alapulhatnak. A mély konvolúciós neurális hálózatokra támaszkodó gyalogos észlelés jelentős előrelépést tett, még az erősen elzárt gyalogosok észlelésével is.
közlekedési táblák észlelése
a számítógépes Látásalkalmazások a közlekedési táblák észlelésére és felismerésére szolgálnak. A látástechnikákat különböző közlekedési jelenetekből származó közlekedési táblák szegmentálására alkalmazzák (képszegmentálással), és mély tanulási algoritmusokat alkalmaznak a közlekedési táblák felismerésére és osztályozására.
ütközéselkerülő rendszerek
A Járműérzékelés és a sávérzékelés a legfejlettebb vezetéstámogató rendszerek (ADAS) szerves részét képezik. A közelmúltban mély neurális hálózatokat használtak a mély tanulás és az autonóm ütközéselkerülő rendszerek használatának vizsgálatára.
közúti állapotfigyelés
a számítógépes látásalapú hibakeresési és állapotfelmérési alkalmazásokat a beton és aszfalt polgári infrastruktúra figyelemmel kísérésére fejlesztették ki. A járda állapotának felmérése információt nyújt a költséghatékonyabb és következetesebb döntések meghozatalához a járda hálózat kezelésével kapcsolatban. Általában a járda vészvizsgálatait kifinomult adatgyűjtő járművekkel és/vagy láb-földi felmérésekkel végzik. A mély gépi tanulási megközelítés, hogy dolgozzon ki egy aszfalt járda állapot index fejlesztették ki, hogy egy ember-független, olcsó, hatékony és biztonságos módja az automatizált járda distressz detektálás számítógépes látás. Egy másik alkalmazás egy számítógépes látásalkalmazás a közúti kátyúk észlelésére az útkarbantartás elosztása és a kapcsolódó járműbalesetek számának csökkentése érdekében.
infrastruktúra állapotfelmérés
a polgári infrastruktúra biztonságának és használhatóságának biztosítása érdekében alapvető fontosságú annak fizikai és funkcionális állapotának szemrevételezése és értékelése. A számítógépes Látásalapú polgári infrastruktúra-ellenőrzési és-felügyeleti rendszereket arra használják, hogy a kép-és videóadatokat automatikusan cselekvőképes információvá alakítsák. A számítógépes látásvizsgálati alkalmazások a szerkezeti elemek azonosítására, a helyi és globális látható károk jellemzésére és a referenciakép változásainak észlelésére szolgálnak. Az ilyen megfigyelési alkalmazások közé tartozik a feszültség és az elmozdulás statikus mérése, valamint az elmozdulás dinamikus mérése modális elemzéshez.
a járművezetők figyelmességének észlelése
a figyelmetlen vezetés – mint például az álmodozás, a mobiltelefon – használat és az autón kívüli nézés-a közúti közlekedési halálesetek nagy részét teszi ki világszerte. A mesterséges intelligenciát arra használják, hogy megértsék a vezetési viselkedést, megoldásokat találjanak a közúti közlekedési események enyhítésére. Az útfelügyeleti technológiákat az utastér megsértésének megfigyelésére használják, például a mély tanuláson alapuló biztonsági öv észlelésénél a közúti felügyelet során. A járművezető-felügyeleti technológiák a vizuális érzékelésre, elemzésre és visszajelzésre összpontosítanak. A vezető viselkedése mind közvetlenül a vezető felé néző kamerákból, mind közvetve a kifelé néző jelenet felé néző kamerákból vagy érzékelőkből következtethető. A vezető felé néző videóelemzésen alapuló technikák a tekintet irányának, a fej pózának becslésének és az arckifejezés figyelésének algoritmusaival érzékelik az arcot és a szemet. A mély és gépi tanulási algoritmusok, amelyek több ezer adatot kaptak a figyelmes és figyelmetlen arcokról, képesek észlelni a fókuszált és fókuszálatlan szemek közötti különbségeket, valamint a befolyás alatt történő vezetés jeleit. Számos látásalapú alkalmazás létezik a valós idejű zavart vezető testtartás osztályozásához, több mély tanulási módszerrel (RNN és CNN), amelyeket a vezető figyelemelterelésének észlelésében használnak.
számítógépes látás a kiskereskedelemben és a gyártásban
Ügyfélkövetés
a stratégiailag elhelyezett számláló eszközök az egész kiskereskedelmi üzletben gépi tanulási folyamatokon keresztül adatokat gyűjthetnek arról, hogy az ügyfelek hol töltik idejüket, és mennyi ideig. Az ügyfélanalitika javíthatja a kiskereskedelmi üzletek megértését a fogyasztói interakciókról, és javíthatja az üzletek elrendezésének optimalizálását.
az emberek számolása
a számítógépes látás algoritmusokat adatpéldákkal képzik ki az emberek észlelésére és számolására. Az ilyen emberszámláló technológia hasznos az üzletek számára, hogy adatokat gyűjtsenek üzleteik sikeréről, és alkalmazható a COVID-19-tel kapcsolatos helyzetekben is, ahol korlátozott számú ember engedélyezett egy boltban egyszerre.
Lopásérzékelés
a kiskereskedők észlelhetik a gyanús viselkedést, például a behatárolt területeket, vagy elérhetik azokat a területeket, amelyek a helyszínt önállóan elemző számítógépes látási algoritmusok segítségével.
várakozási idő analitika
a türelmetlen ügyfelek és a végtelen várakozó sorok elkerülése érdekében a kiskereskedők sorfelismerő technológiát alkalmaznak. A várólista-felismerés kamerák segítségével nyomon követi és megszámolja a sorban lévő vásárlók számát. Miután elérte az ügyfelek küszöbét, a rendszer riasztást ad az ügyintézőknek új pénztárak megnyitására.
társadalmi távolság
a biztonsági óvintézkedések betartásának biztosítása érdekében a vállalatok távolságérzékelőket használnak. A kamera nyomon követi az alkalmazottak vagy az ügyfelek mozgását, és mélységérzékelőket használ a köztük lévő távolság felmérésére. Helyzetüktől függően a rendszer piros vagy zöld kört rajzol a személy köré.
Termelékenységelemzés
A Termelékenységelemzés nyomon követi a munkahelyi változások hatását, azt, hogy az alkalmazottak hogyan töltik az idejüket és erőforrásaikat, és különböző eszközöket vezet be. Ezek az adatok értékes betekintést nyújthatnak az időgazdálkodásba, a munkahelyi együttműködésbe és az alkalmazottak termelékenységébe.
minőségirányítási
a minőségirányítási rendszerek biztosítják, hogy a szervezet elérje az ügyfelek igényeit azáltal, hogy foglalkozik politikáival, eljárásaival, utasításaival, belső folyamataival, hogy elérje az általános fogyasztói elégedettségi arányt.
Skill training
A látórendszerek egy másik alkalmazási területe a futószalag működésének optimalizálása az ipari termelésben. Az emberi cselekvés értékelése segíthet a különböző műveleti lépésekhez kapcsolódó szabványosított cselekvési modellek felépítésében, valamint a képzett munkavállalók teljesítményének értékelésében. A munkavállalók cselekvési minőségének automatikus értékelése előnyös lehet a munkateljesítmény javításával, a produktív hatékonyság előmozdításával (LEAN optimalizálás), és ami még fontosabb, a veszélyes tevékenységek felfedezése a kár bekövetkezése előtt.
mi a következő lépés?
a mély és gépi tanulási technológiát több tucat módon és mindenféle iparág számára használják számítógépes látásalkalmazások létrehozására.
- fedezze fel a számítógépes látás 8 alkalmazását a koronavírus elleni védekezéshez
- Tudjon meg mindent az emberi Pózbecslésről számítógépes látással.
- tekintse meg az Objektumérzékelés teljes áttekintését 2021-ben.
- olvassa el az esettanulmányt egy számítógépes Látásalkalmazásról az állatok megfigyelésére.