La visione artificiale è un settore di intelligenza artificiale che utilizza la macchina e l’apprendimento profondo per consentire ai computer di “vedere” e analizzare l’ambiente circostante. La visione artificiale ha un impatto enorme sulle aziende di tutti i settori, dalla vendita al dettaglio all’agricoltura. È particolarmente utile per i problemi in cui avremmo bisogno di un occhio umano per vedere la situazione. A causa dell’ampia quantità di problemi che esistono in quel criterio, migliaia di applicazioni di visione artificiale non sono state scoperte o esaurite ancora.
Questo articolo sarà un elenco cumulativo di applicazioni di visione artificiale in rapida crescita e progressive utilizzate da importanti industrie nel 2021.
Computer Vision nello sport
Player Pose Tracking
AI vision può essere utilizzato per riconoscere i modelli tra il movimento del corpo umano e posa su più fotogrammi in riprese video o flussi video in tempo reale. La stima della posa umana è stata applicata a video reali di nuotatori in cui singole telecamere fisse filmano sopra e sotto la superficie dell’acqua. Queste registrazioni video possono essere utilizzate per valutare quantitativamente le prestazioni degli atleti senza annotare manualmente le parti del corpo in ogni fotogramma video. Le reti neurali convoluzionali vengono utilizzate per dedurre automaticamente le informazioni di posa richieste e rilevare lo stile di nuoto di un atleta.
Markerless Motion Capture
Le telecamere possono essere utilizzate per tracciare il movimento dello scheletro umano senza utilizzare marcatori ottici tradizionali e telecamere specializzate. Questo è essenziale nella cattura sportiva, in cui i giocatori non possono essere gravati da un abbigliamento o dispositivi aggiuntivi per la cattura delle prestazioni.
Valutazione obiettiva delle prestazioni dell’atleta
Il rilevamento automatico e il riconoscimento dei movimenti specifici dello sport superano i limiti associati ai metodi di analisi manuale delle prestazioni. Gli input di dati di visione artificiale possono essere utilizzati in combinazione con i dati dei sensori e dei dispositivi indossabili. I casi d’uso più diffusi sono l’analisi del nuoto, l’analisi dello swing del golf, l’analisi dell’esecuzione a terra, lo sci alpino e il rilevamento e la valutazione del cricket bowling.
Multi-Player Pose Tracking
Utilizzando algoritmi di Computer Vision, la posa e il movimento di più giocatori di squadra può essere calcolato sia da monoculare (singolo-camera footage) e multi-view (riprese di più telecamere) sport video set di dati. L’uso potenziale di stimare la posa 2D o 3D dei giocatori nello sport è di ampia portata e include analisi delle prestazioni, motion capture e nuove applicazioni in trasmissione e media immersivi.
Stroke Recognition
Le applicazioni di computer vision possono essere utilizzate per rilevare e classificare i tratti (ad esempio per classificare i tratti nel tennis da tavolo). Il riconoscimento o la classificazione dei movimenti comporta ulteriori interpretazioni e previsioni etichettate dell’istanza identificata (ad esempio differenziando i tratti di tennis come dritto o rovescio). Stroke recognition mira a fornire strumenti per insegnanti, allenatori e giocatori per analizzare i giochi di ping pong e migliorare le abilità sportive in modo più efficiente.
quasi in Tempo Reale Coaching
Computer Vision a base di sport guida di analytics per migliorare l’efficienza delle risorse e ridurre i tempi di risposta per tempo-vincolo di compiti. Gli allenatori e gli atleti coinvolti in attività notazionali ad alta intensità di tempo, inclusa l’analisi post-gara di nuoto, possono beneficiare di un rapido feedback obiettivo prima della prossima gara nel programma dell’evento.
Analisi dei comportamenti delle squadre sportive
Gli analisti nello sport di squadra professionale eseguono regolarmente analisi per ottenere approfondimenti strategici e tattici sul comportamento dei giocatori e della squadra (identificare i punti deboli, valutare le prestazioni e i potenziali di miglioramento). Tuttavia, l’analisi video manuale è in genere un processo che richiede tempo, in cui gli analisti devono memorizzare e annotare le scene. Le tecniche di visione artificiale possono essere utilizzate per estrarre dati di traiettoria dal materiale video e applicare tecniche di analisi del movimento per ricavare misure analitiche relative allo sport di squadra per regione, formazione della squadra, evento e analisi dei giocatori (ad esempio nell’analisi degli sport di squadra di calcio).
Copertura mediatica automatizzata
La tecnologia AI vision può utilizzare i filmati video per interpretare i giochi sportivi e trasmetterli alle case dei media senza necessariamente andare lì con telecamere fisiche. Ad esempio, il baseball ha guadagnato questo vantaggio negli ultimi anni con l’automazione della copertura delle notizie sui giochi.
Tracciamento palla
I dati di traiettoria palla sono una delle informazioni più fondamentali e utili nella valutazione delle prestazioni dei giocatori e nell’analisi delle strategie di gioco. Quindi, il monitoraggio del movimento della palla è un’applicazione di apprendimento profondo e automatico per rilevare e quindi tracciare la palla in fotogrammi video. Il tracciamento della palla è importante negli sport con grandi campi (ad esempio il calcio) per aiutare i giornalisti e gli analisti a interpretare e analizzare un gioco sportivo e tattiche più velocemente.
Goal-Line Technology
I sistemi basati su telecamere possono essere utilizzati per determinare se un gol è stato segnato o meno per supportare il processo decisionale degli arbitri. A differenza dei sensori, il metodo basato sulla visione non è invasivo e non richiede modifiche ai dispositivi tipici del calcio. Tali sistemi di Goal-Line Technology si basano su telecamere ad alta velocità le cui immagini vengono utilizzate per triangolare la posizione della palla. Un algoritmo di rilevamento palla che analizza regioni palla candidato al fine di riconoscere il modello palla.
Rilevamento degli eventi nello sport
Il Deep Learning può essere utilizzato per rilevare eventi complessi da video non strutturati, come segnare un gol in una partita di calcio, near miss, o altre parti emozionanti di un gioco che non si traducono in un punteggio. Questa tecnologia può essere utilizzata per il rilevamento di eventi in tempo reale nelle trasmissioni sportive, applicabile a una vasta gamma di sport sul campo.
Feedback di auto-allenamento
Sistemi di auto-allenamento basati su computer Vision per l’esercizio sportivo è un argomento di ricerca recentemente emergente. Mentre l’auto-allenamento è essenziale nell’esercizio sportivo, un professionista può progredire in misura limitata senza l’istruzione di un allenatore. Ad esempio, un’applicazione di auto-allenamento yoga mira a istruire il praticante a eseguire correttamente le pose yoga, aiutando a correggere posture povere e prevenendo lesioni. Un sistema di auto-allenamento fornisce istruzioni su come regolare la postura del corpo.
Generazione automatica Highlight
Produrre highlights sportivi è un lavoro ad alta intensità di lavoro che richiede un certo grado di specializzazione, soprattutto nello sport con un complesso insieme di regole che si gioca per un tempo più lungo (ad es. Cricket). Un esempio di applicazione è la generazione automatica di evidenziazione del cricket che utilizza funzionalità basate su eventi ed eccitazione per riconoscere e ritagliare eventi importanti in una partita di cricket. Un’altra applicazione è la cura automatica dei punti salienti del golf che utilizzano funzionalità di eccitazione multimodale con visione artificiale.
Punteggio dell’attività sportiva
I metodi di apprendimento profondo possono essere utilizzati per il punteggio dell’attività sportiva per valutare la qualità dell’azione degli atleti (Caratteristiche profonde per il punteggio dell’attività sportiva). Il punteggio automatico dell’attività sportiva può essere utilizzato in immersioni, pattinaggio artistico o volteggio (ScoringNet è un’applicazione di rete 3D CNN per il punteggio dell’attività sportiva). Ad esempio, un’applicazione di punteggio subacqueo funziona valutando il punteggio di qualità di una prestazione subacquea di un atleta: è importante se i piedi dell’atleta sono uniti e le dita dei piedi sono puntate dritte durante l’intero processo di immersione.
Computer Vision in Healthcare
Cancer Detection
L’apprendimento automatico è incorporato nelle industrie mediche per scopi come il rilevamento del cancro al seno e alla pelle. Il rilevamento delle immagini consente agli scienziati di individuare lievi differenze tra immagini cancerose e non cancerose e diagnosticare i dati delle scansioni di risonanza magnetica (MRI) e delle foto immesse come maligne o benigne.
Diagnosi COVID-19
La visione artificiale può essere utilizzata per il controllo del coronavirus. Esistono più modelli di visione artificiale di apprendimento profondo per la diagnosi COVID-19 basata sui raggi X. Il più popolare per il rilevamento di casi di COVID-19 con immagini di radiografia a raggi X del torace digitale (CXR) si chiama COVID-Net ed è stato sviluppato da Darwin AI, Canada.
Classificazione cellulare
L’apprendimento automatico nei casi di uso medico è stato utilizzato per classificare i linfociti T contro le cellule epiteliali del cancro del colon con elevata precisione. ML dovrebbe accelerare significativamente il processo di identificazione della malattia per quanto riguarda il cancro del colon in modo efficiente e a poco a nessun costo post-creazione.
Analisi del movimento
Le malattie neurologiche e muscoloscheletriche come ictus in arrivo, problemi di equilibrio e andatura possono essere rilevate utilizzando modelli di apprendimento profondo e visione artificiale anche senza analisi del medico. Stima della posa le applicazioni di visione artificiale che analizzano il movimento del paziente aiutano i medici a diagnosticare un paziente con facilità e maggiore precisione.
Rilevamento maschera
Il riconoscimento facciale mascherato viene utilizzato per rilevare l’uso di maschere e dispositivi di protezione per limitare la diffusione del coronavirus. I sistemi di visione artificiale aiutano i paesi a implementare le maschere come strategia di controllo per contenere la diffusione della malattia da coronavirus. Aziende private come Uber hanno creato funzionalità di visione artificiale da implementare nelle loro app mobili per rilevare se i passeggeri indossano maschere o meno. Programmi come questo rendono i trasporti pubblici più sicuri durante la pandemia di coronavirus.
Rilevamento del tumore
I tumori cerebrali possono essere visti nelle scansioni MRI e vengono spesso rilevati utilizzando reti neurali profonde. Il software di rilevamento del tumore che utilizza l’apprendimento profondo è fondamentale per l’industria medica perché può rilevare i tumori ad alta precisione per aiutare i medici a fare le loro diagnosi. Nuovi metodi vengono costantemente sviluppati per aumentare l’accuratezza di queste diagnosi.
Punteggio di progressione della malattia
La visione artificiale può essere utilizzata per identificare i pazienti in condizioni critiche per indirizzare l’attenzione medica (screening critico del paziente). Le persone infette da COVID-19 hanno una respirazione più rapida. L’apprendimento profondo con telecamere di profondità può essere utilizzato per identificare modelli respiratori anormali per eseguire uno screening accurato e discreto ma su larga scala di persone infette dal virus COVID-19.
Assistenza sanitaria e riabilitazione
La terapia fisica è importante per l’allenamento di recupero dei sopravvissuti all’ictus e dei pazienti con lesioni sportive. Poiché la supervisione da parte di un professionista fornito da un ospedale o un’agenzia medica è costosa, la formazione a casa con un’applicazione di riabilitazione basata sulla visione è preferita perché consente alle persone di praticare la formazione del movimento privatamente ed economicamente. Nella terapia assistita da computer o nella riabilitazione, la valutazione dell’azione umana può essere applicata per assistere i pazienti nell’allenamento a casa, guidarli a eseguire correttamente le azioni e impedire loro di ulteriori lesioni.
Formazione di abilità mediche
Le applicazioni di computer Vision sono utilizzate per valutare il livello di abilità degli studenti esperti su piattaforme di autoapprendimento. Ad esempio, sono state sviluppate piattaforme di formazione chirurgica basate sulla simulazione per l’educazione chirurgica. La tecnica di valutazione della qualità dell’azione consente di sviluppare approcci computazionali che valutano automaticamente le prestazioni degli studenti di chirurgia. Di conseguenza, informazioni di feedback significative possono essere fornite agli individui e guidarli a migliorare i loro livelli di abilità.
Computer Vision in Agricoltura
Monitoraggio delle colture
La resa e la qualità di colture importanti come riso e grano determinano la stabilità della sicurezza alimentare. Tradizionalmente, il monitoraggio della crescita delle colture si basa principalmente sul giudizio umano soggettivo e non è tempestivo o accurato. Le applicazioni di Computer Vision consentono di monitorare in modo continuo e non distruttivo la crescita delle piante e la risposta al fabbisogno di nutrienti. Rispetto alle operazioni manuali, il monitoraggio in tempo reale della crescita delle colture applicando la tecnologia di visione artificiale può rilevare i sottili cambiamenti nelle colture dovuti alla malnutrizione molto prima e può fornire una base affidabile e accurata per una regolamentazione tempestiva. Le applicazioni di visione artificiale possono essere utilizzate per la misurazione degli indicatori di crescita delle piante o per determinare la fase di crescita.
Rilevamento della fioritura
La data di intestazione del grano è uno dei parametri più importanti per le colture di grano. Un sistema automatico di osservazione della visione artificiale può essere utilizzato per determinare il periodo di intestazione del grano. La tecnologia di visione artificiale presenta i vantaggi di basso costo, piccolo errore, alta efficienza e buona robustezza e può essere analizzata dinamicamente e continuamente.
Monitoraggio delle piantagioni
Nell’agricoltura intelligente, l’elaborazione delle immagini con le immagini dei droni può essere utilizzata per monitorare le piantagioni di olio di palma da remoto. Con ortofoto geospaziali, è possibile identificare quale parte del terreno della piantagione è fertile per le colture piantate. È stato anche possibile identificare aree meno fertili in termini di crescita, e anche parte del campo di piantagione che non cresce affatto.
Rilevamento degli insetti
Il riconoscimento e il conteggio rapidi e accurati degli insetti volanti sono di grande importanza, specialmente per il controllo dei parassiti. L’identificazione manuale tradizionale e il conteggio degli insetti volanti sono inefficienti e laboriosi. I sistemi basati sulla visione consentono il conteggio e il riconoscimento degli insetti volanti (in base al rilevamento e alla classificazione degli oggetti You Only Look Once (YOLO)).
Rilevamento delle malattie delle piante
La stima automatica e accurata della gravità della malattia è essenziale per la sicurezza alimentare, la gestione delle malattie e la previsione della perdita di rendimento. Il metodo di apprendimento approfondito evita l’ingegneria delle funzionalità ad alta intensità di lavoro e la segmentazione delle immagini basata sulla soglia. È stata sviluppata una stima automatica della gravità delle malattie vegetali basata su immagini utilizzando applicazioni di rete neurale convoluzionale profonda (CNN), ad esempio per identificare apple black rot.
Diserbo automatico
Le erbacce sono considerate piante dannose in agronomia perché competono con le colture per ottenere acqua, minerali e altri nutrienti nel terreno. Spruzzare pesticidi solo nelle posizioni esatte delle erbacce riduce notevolmente il rischio di contaminare colture, esseri umani, animali e risorse idriche. Il rilevamento intelligente e la rimozione delle erbacce sono fondamentali per lo sviluppo dell’agricoltura. Un sistema di visione artificiale basato su rete neurale può essere utilizzato per identificare le piante di patate e tre diverse erbacce per la spruzzatura specifica in loco.
Raccolta automatica
Nell’agricoltura tradizionale, c’è una dipendenza dalle operazioni meccaniche, con la raccolta manuale come pilastro, che si traduce in costi elevati e bassa efficienza. Negli ultimi anni, con la continua applicazione della tecnologia di visione artificiale, le macchine da raccolta agricole intelligenti di fascia alta, come macchine da raccolta e robot di raccolta basati sulla tecnologia di visione artificiale, sono emerse nella produzione agricola, che è stata un nuovo passo nella raccolta automatica delle colture. L’obiettivo principale delle operazioni di raccolta è garantire la qualità del prodotto durante la raccolta per massimizzare il valore di mercato. Le applicazioni alimentate da Computer Vision includono la raccolta automatica dei cetrioli in un ambiente serra o l’identificazione automatica delle ciliegie in un ambiente naturale.
Test di qualità dei prodotti agricoli
La qualità dei prodotti agricoli è uno dei fattori importanti che influenzano i prezzi di mercato e la soddisfazione del cliente. Rispetto alle ispezioni manuali, la visione artificiale offre un modo per eseguire controlli di qualità esterni e ottenere elevati gradi di flessibilità e ripetibilità a un costo relativamente basso e con alta precisione. I sistemi basati sulla visione artificiale e sulla visione artificiale vengono utilizzati per test rapidi del danno al limone dolce o per la valutazione non distruttiva della qualità delle patate.
Gestione dell’irrigazione
La gestione del suolo basata sull’utilizzo della tecnologia per migliorare la produttività del suolo attraverso la coltivazione, la fertilizzazione o l’irrigazione ha un impatto notevole sulla produzione agricola moderna. Ottenendo informazioni utili sulla crescita delle colture orticole attraverso le immagini, il bilancio idrico del suolo può essere stimato con precisione per ottenere un’accurata pianificazione dell’irrigazione. Le applicazioni di visione artificiale forniscono preziose informazioni sul bilancio idrico della gestione dell’irrigazione. Un sistema basato sulla visione può elaborare immagini multispettrali scattate da veicoli aerei senza equipaggio (UAV) e ottenere l’indice di vegetazione (VI) per fornire supporto decisionale per la gestione dell’irrigazione.
UAV Farmland Monitoring
Le informazioni in tempo reale sui terreni agricoli e una comprensione accurata di tali informazioni svolgono un ruolo fondamentale nell’agricoltura di precisione. Negli ultimi anni, UAV, come una tecnologia in rapido avanzamento, ha permesso l’acquisizione di informazioni agricole che ha un’alta risoluzione, basso costo e soluzioni veloci. Le piattaforme UAV dotate di sensori di immagine forniscono informazioni dettagliate sull’economia agricola e sulle condizioni delle colture (ad esempio monitoraggio continuo delle colture). Il telerilevamento UAV ha contribuito ad un aumento della produzione agricola con una diminuzione dei costi agricoli.
Valutazione del rendimento
Attraverso l’applicazione della tecnologia di visione artificiale, sono state realizzate le funzioni di gestione del suolo, rilevamento della maturità e stima del rendimento per le aziende agricole. Inoltre, la tecnologia esistente può essere ben applicata a metodi come l’analisi spettrale e il deep learning. La maggior parte di questi metodi presenta i vantaggi di alta precisione, basso costo, buona portabilità, buona integrazione e scalabilità e può fornire un supporto affidabile per il processo decisionale della gestione. Un esempio è la stima della resa delle colture di agrumi tramite rilevamento e conteggio dei frutti utilizzando la visione artificiale. Inoltre, la resa dai campi di canna da zucchero può essere prevista elaborando le immagini ottenute utilizzando UAV.
Monitoraggio degli animali
Gli animali possono essere monitorati utilizzando nuove tecniche che sono state addestrate per rilevare il tipo di animale e le sue azioni. C’è molto uso per il monitoraggio degli animali in agricoltura, dove il bestiame può essere monitorato a distanza per la rilevazione della malattia, i cambiamenti nel comportamento o il parto. Inoltre, gli scienziati dell’agricoltura e della fauna selvatica possono osservare gli animali selvatici in modo sicuro a distanza.
Farm Automation
Tecnologie come robot di raccolta, semina e diserbo, trattori autonomi e droni per monitorare le condizioni dell’azienda agricola e applicare fertilizzanti possono massimizzare la produttività con carenze di manodopera. L’agricoltura può anche essere più redditizia quando l’impronta ecologica dell’agricoltura è ridotta al minimo.
Computer Vision in Transportation
Vehicle Classification
Computer Vision le applicazioni per la classificazione automatizzata del veicolo hanno una lunga storia. Le tecnologie per la classificazione automatizzata dei veicoli si sono evolute nel corso di decenni. Con sensori a prezzi accessibili in rapida crescita come telecamere a circuito chiuso (CCTV), LiDAR (Light Detection and ranging) e persino dispositivi di imaging termico, i veicoli possono essere rilevati, monitorati e classificati simultaneamente in più corsie. L’accuratezza della classificazione del veicolo può essere migliorata combinando più sensori come immagini termiche, immagini LiDAR e telecamere visibili RGB. Esistono molteplici specializzazioni, ad esempio, una soluzione di visione computerizzata basata su deep-learning per il rilevamento di veicoli da costruzione è stata impiegata per scopi quali il monitoraggio della sicurezza, la valutazione della produttività e il processo decisionale manageriale.
Moving Violations Detection
Le forze dell’ordine e i comuni stanno aumentando l’implementazione di sistemi di monitoraggio delle strade basati su telecamere con l’obiettivo di ridurre il comportamento di guida non sicuro. C’è un crescente uso di tecniche di visione artificiale per automatizzare il rilevamento di violazioni come eccesso di velocità, l’esecuzione di luci rosse o segnali di stop, guida sbagliata, e fare giri illegali.
Analisi del flusso di traffico
L’analisi del flusso di traffico è stata studiata estesamente per i sistemi di trasporto intelligenti (ITS) utilizzando entrambi i metodi invasivi (tag, bobine sottopavimento, ecc.) e metodi non invasivi come le telecamere. Con l’avvento della computer vision e dell’IA, l’analisi video può ora essere applicata alle onnipresenti telecamere del traffico, che possono generare un grande impatto nell’ITS e nella smart city. Il flusso di traffico può essere osservato utilizzando mezzi di visione artificiale e misurare alcune delle variabili richieste dagli ingegneri del traffico.
Rilevamento occupazione parcheggio
Il monitoraggio visivo dello spazio di parcheggio viene utilizzato con l’obiettivo di rilevamento occupazione parcheggio. Le applicazioni di visione artificiale alimentano soluzioni decentralizzate ed efficienti per il rilevamento visivo dell’occupazione dei parcheggi basate su una rete neurale convoluzionale profonda (CNN). Esistono più set di dati per il rilevamento di parcheggi come PKLot e CNRPark-EXT. Inoltre, i sistemi di gestione del parcheggio basati su video sono stati implementati utilizzando immagini stereoscopiche (3D) o telecamere termiche.
Riconoscimento automatico della targa
Molti trasporti moderni e sistemi di sicurezza pubblica dipendono dalla capacità di riconoscere ed estrarre informazioni sulla targa da immagini fisse o video. Automated License Plate Recognition (ALPR) ha in molti modi trasformato il settore della sicurezza pubblica e dei trasporti, contribuendo a consentire moderne soluzioni stradali a pedaggio, fornendo enormi risparmi sui costi operativi tramite l’automazione e persino consentendo funzionalità completamente nuove sul mercato (ad esempio, unità di lettura delle targhe montate su incrociatore di polizia). OpenALPR è una popolare libreria di riconoscimento automatico delle targhe, basata sul riconoscimento dei caratteri su immagini o feed video di targhe di immatricolazione dei veicoli.
Re-identificazione del veicolo
Con miglioramenti nella re-identificazione personale, i sistemi di trasporto e sorveglianza intelligenti mirano a replicare questo approccio per i veicoli che utilizzano la re-identificazione del veicolo basata sulla visione. I metodi convenzionali per fornire un ID univoco del veicolo sono solitamente intrusivi (tag di bordo, telefono cellulare o GPS). Per le impostazioni controllate come ad esempio in un casello, il riconoscimento automatico della targa (ALPR) è probabilmente la tecnologia più adatta per l’identificazione accurata dei singoli veicoli. Tuttavia, le targhe sono soggette a modifiche e falsificazioni e ALPR non può riflettere le specialità salienti dei veicoli come marchi o ammaccature. I metodi non intrusivi come il riconoscimento basato sulle immagini hanno un alto potenziale e una domanda, ma sono ancora lontani dall’essere maturi per l’uso pratico. La maggior parte delle tecniche esistenti di ri-identificazione del veicolo basate sulla visione si basano sull’aspetto del veicolo come colore, consistenza e forma. Ad oggi, il riconoscimento di sottili caratteristiche distintive come la marca del veicolo o il modello dell’anno è ancora una sfida irrisolta.
Pedestrian Detection
Il rilevamento dei pedoni è fondamentale per i sistemi di trasporto intelligenti, spazia dalla guida autonoma alla sorveglianza delle infrastrutture, alla gestione del traffico, alla sicurezza e all’efficienza del transito e alle forze dell’ordine. Il rilevamento pedonale coinvolge molti tipi di sensori, come telecamere CCTV o IP tradizionali, dispositivi di imaging termico, dispositivi di imaging nel vicino infrarosso e telecamere RGB a bordo. Gli algoritmi di rilevamento dei pedoni possono essere basati su firme a infrarossi, funzioni di forma, funzioni di gradiente, apprendimento automatico o funzioni di movimento. Il rilevamento dei pedoni basandosi su reti neurali a convoluzione profonda ha fatto progressi significativi, anche con il rilevamento di pedoni fortemente occlusi.
Traffic Sign Detection
Le applicazioni di computer Vision vengono utilizzate per il rilevamento e il riconoscimento dei segnali stradali. Le tecniche di visione vengono applicate per segmentare i segnali stradali da diverse scene di traffico (utilizzando la segmentazione delle immagini) e impiegano algoritmi di deep learning per il riconoscimento e la classificazione dei segnali stradali.
Sistemi di prevenzione delle collisioni
Il rilevamento del veicolo e il rilevamento della corsia costituiscono parte integrante dei più avanzati sistemi di assistenza alla guida (ADAS). Le reti neurali profonde sono state utilizzate di recente per studiare l’apprendimento profondo e l’uso dell’it per sistemi autonomi di prevenzione delle collisioni.
Monitoraggio delle condizioni stradali
Le applicazioni per il rilevamento dei difetti e la valutazione delle condizioni basate su computer vision sono sviluppate per monitorare le infrastrutture civili in calcestruzzo e asfalto. Pavement condition assessment fornisce informazioni per prendere decisioni più convenienti e coerenti per quanto riguarda la gestione della rete di pavimentazione. Generalmente, le ispezioni di soccorso della pavimentazione vengono eseguite utilizzando sofisticati veicoli di raccolta dati e / o rilievi a terra. Un approccio di apprendimento automatico profondo per sviluppare un indice di condizione della pavimentazione dell’asfalto è stato sviluppato per fornire un modo indipendente dall’uomo, economico, efficiente e sicuro di rilevamento automatico dell’emergenza della pavimentazione tramite Computer Vision. Un’altra applicazione è un’applicazione di visione artificiale per rilevare buche stradali per allocare la manutenzione stradale e ridurre il numero di incidenti stradali correlati.
Valutazione delle condizioni dell’infrastruttura
Per garantire la sicurezza e la funzionalità dell’infrastruttura civile è essenziale ispezionarne visivamente e valutarne le condizioni fisiche e funzionali. I sistemi per l’ispezione e il monitoraggio delle infrastrutture civili basati su Computer Vision vengono utilizzati per convertire automaticamente i dati di immagini e video in informazioni utilizzabili. Le applicazioni di ispezione della visione artificiale vengono utilizzate per identificare i componenti strutturali, caratterizzare i danni visibili locali e globali e rilevare le modifiche da un’immagine di riferimento. Tali applicazioni di monitoraggio includono la misurazione statica di deformazione e spostamento e la misurazione dinamica dello spostamento per l’analisi modale.
Rilevamento dell’attenzione del conducente
La guida distratta – come sognare ad occhi aperti, l’uso del telefono cellulare e guardare qualcosa al di fuori dell’auto – rappresenta una grande percentuale di incidenti stradali mortali in tutto il mondo. L’intelligenza artificiale viene utilizzata per comprendere i comportamenti di guida, trovare soluzioni per mitigare gli incidenti stradali. Le tecnologie di sorveglianza stradale vengono utilizzate per osservare le violazioni dell’abitacolo, ad esempio nel rilevamento delle cinture di sicurezza basato sul deep learning nella sorveglianza stradale. Le tecnologie di monitoraggio del conducente del veicolo si concentrano su rilevamento visivo, analisi e feedback. Il comportamento del conducente può essere dedotto sia direttamente dalle telecamere rivolte verso l’interno che indirettamente dalle telecamere o dai sensori rivolti verso l’esterno. Le tecniche basate su analisi video rivolte al conducente rilevano il viso e gli occhi con algoritmi per la direzione dello sguardo, la stima della posa della testa e il monitoraggio dell’espressione facciale. Algoritmi di apprendimento profondo e macchina che sono stati dati migliaia di pezzi di dati di attenti vs. volti disattenti in grado di rilevare le differenze tra gli occhi che sono concentrati e sfocate, così come i segni di guida sotto l’influenza. Esistono molteplici applicazioni basate sulla visione per la classificazione della postura del conducente distratto in tempo reale con più metodi di apprendimento profondo (RNN e CNN) utilizzati nel rilevamento della distrazione del conducente.
Computer Vision nella vendita al Dettaglio e Produzione
Monitoraggio dei Clienti
Strategicamente posizionato il conteggio dispositivi all’interno di un negozio in grado di raccogliere i dati attraverso la macchina di processi di apprendimento dove i clienti trascorrono il loro tempo, e per quanto tempo. L’analisi dei clienti può migliorare la comprensione da parte dei negozi al dettaglio dell’interazione con i consumatori e migliorare l’ottimizzazione del layout del negozio.
Conteggio delle persone
Gli algoritmi di Computer Vision sono addestrati con esempi di dati per rilevare gli esseri umani e contarli man mano che vengono rilevati. Tale tecnologia di conteggio delle persone è utile per i negozi per raccogliere dati sul successo dei loro negozi e può essere applicata anche in situazioni riguardanti COVID-19 in cui un numero limitato di persone è consentito in un negozio contemporaneamente.
Rilevamento furto
I rivenditori possono rilevare comportamenti sospetti come vagabondare o accedere ad aree off-limits utilizzando algoritmi di visione artificiale che analizzano autonomamente la scena.
Waiting Time Analytics
Per evitare che i clienti impazienti e le linee di attesa infinite, i rivenditori stanno implementando la tecnologia di rilevamento delle code. Rilevamento coda utilizza telecamere per monitorare e contare il numero di acquirenti in una linea. Una volta raggiunta una soglia di clienti, il sistema emette un avviso per gli impiegati per aprire nuove casse.
Distanza sociale
Per garantire che le precauzioni di sicurezza vengano seguite, le aziende utilizzano rilevatori di distanza. Una telecamera traccia il movimento del dipendente o del cliente e utilizza sensori di profondità per valutare la distanza tra loro. A seconda della loro posizione, il sistema disegna un cerchio rosso o verde attorno alla persona.
Productivity Analytics
Productivity analytics traccia l’impatto del cambiamento sul posto di lavoro, come i dipendenti spendono il loro tempo e le loro risorse e implementano vari strumenti. Tali dati possono fornire informazioni preziose sulla gestione del tempo, sulla collaborazione sul posto di lavoro e sulla produttività dei dipendenti.
Gestione della qualità
I sistemi di gestione della qualità assicurano che un’organizzazione raggiunga le esigenze del cliente affrontando le sue politiche, procedure, istruzioni, processi interni per raggiungere un tasso di soddisfazione generale del consumatore.
Skill training
Un altro campo di applicazione dei sistemi di visione è l’ottimizzazione delle operazioni della catena di montaggio nella produzione industriale. La valutazione dell’azione umana può aiutare a costruire modelli di azione standardizzati relativi a diverse fasi operative, nonché a valutare le prestazioni dei lavoratori formati. Valutare automaticamente la qualità dell’azione dei lavoratori può essere utile migliorando le prestazioni lavorative, promuovendo l’efficienza produttiva (ottimizzazione SNELLA) e, cosa più importante, scoprendo azioni pericolose prima che si verifichino danni.
Quali sono le prospettive?
La tecnologia Deep e machine learning è stata utilizzata per creare applicazioni di visione artificiale in decine di modi e per industrie di tutti i tipi.
- Esplora 8 applicazioni di computer vision per il controllo del coronavirus
- Scopri tutto sulla stima della posa umana con la visione artificiale.
- Visualizza la nostra panoramica completa del rilevamento degli oggetti nel 2021.
- Leggi il caso di studio su un’applicazione di visione artificiale per il monitoraggio degli animali.