Computervision is een sector van kunstmatige intelligentie die gebruik maakt van machine en deep learning om computers in staat te stellen hun omgeving te “zien” en te analyseren. Computer vision heeft een enorme impact op bedrijven uit alle sectoren, van de detailhandel tot de landbouw. Het is vooral handig voor problemen waarbij we een menselijk oog nodig hebben om de situatie te bekijken. Vanwege de brede hoeveelheid problemen die in die criteria bestaan, zijn duizenden toepassingen van computervisie nog niet ontdekt of uitgeput.
Dit artikel zal een cumulatieve lijst zijn van snelgroeiende en progressieve computervisietoepassingen die in 2021 door vooraanstaande industrieën worden gebruikt.
Computerzicht in sport
Spelerspoeling volgen
AI-zicht kan worden gebruikt om patronen te herkennen tussen menselijke lichaamsbeweging en pose over meerdere frames in videobeelden of real-time videostreams. Menselijke pose schatting is toegepast op real-world video ’s van zwemmers waar enkele stationaire camera’ s film boven en onder het wateroppervlak. Deze video-opnamen kunnen worden gebruikt om de prestaties van de atleten kwantitatief te beoordelen zonder handmatig de lichaamsdelen in elk videoframe te annoteren. Convolutionele neurale netwerken worden gebruikt om automatisch de vereiste pose-informatie af te leiden en de zwemstijl van een atleet te detecteren.
Markerless Motion Capture
camera ’s kunnen worden gebruikt om de beweging van het menselijk skelet te volgen zonder gebruik te maken van traditionele optische markers en gespecialiseerde camera’ s. Dit is essentieel in sport capture, waar spelers niet kunnen worden belast met extra prestaties capture kleding of apparaten.
objectieve beoordeling van de prestaties van atleten
geautomatiseerde detectie en herkenning van sportspecifieke bewegingen overwinnen de beperkingen die gepaard gaan met handmatige methoden voor prestatieanalyse. Computer Vision data-ingangen kunnen worden gebruikt in combinatie met de gegevens van op het lichaam gedragen sensoren en wearables. Populaire use cases zijn zwemmen analyse, golf swing analyse, over-grond hardlopen analytics, alpine skiën, en de detectie en evaluatie van cricket bowling.
pose-Tracking voor meerdere spelers
met behulp van Computervisiealgoritmen kan de pose en beweging van meerdere teamspelers worden berekend aan de hand van zowel monoculaire (beelden met één camera) als multi-view (beelden van meerdere camera ‘ s) sportvideosets. Het potentiële gebruik van het schatten van de 2D of 3D Pose van spelers in de sport is breed-reaching en omvat prestatie-analyse, motion capture, en nieuwe toepassingen in de uitzending en meeslepende media.
Slagherkenning
computervisietoepassingen kunnen worden gebruikt om slagen te detecteren en te classificeren (bijvoorbeeld om slagen in Tafeltennis te classificeren). Herkenning of classificatie van bewegingen omvat verdere interpretaties en gelabelde voorspellingen van de geïdentificeerde instantie (bijvoorbeeld het differentiëren van tennis slagen als forehand of backhand). Beroerte herkenning is bedoeld om tools voor leraren, coaches en spelers om tafeltennisspellen te analyseren en om sportvaardigheden efficiënter te verbeteren.
Near Real-Time Coaching
computer Vision based sports analytics help to improve resource efficiency and reduce feedback times for tijdbesparende taken. Coaches en atleten die betrokken zijn bij tijdintensieve notatietaken, waaronder analyse van de race na het zwemmen, kunnen profiteren van snelle objectieve feedback voor de volgende race in het event-programma.
gedragsanalyse van sportteams
analisten in de professionele teamsport voeren regelmatig analyses uit om strategisch en tactisch inzicht te krijgen in het gedrag van spelers en teams (zwakke punten identificeren, prestaties en verbetermogelijkheden beoordelen). Echter, handmatige video-analyse is meestal een tijdrovend proces, waar de analisten moeten onthouden en annoteren scènes. Computer Vision-technieken kunnen worden gebruikt om trajectgegevens uit videomateriaal te extraheren en bewegings-analysetechnieken toe te passen om relevante teamsportanalytische maatregelen af te leiden voor regio, teamvorming, evenement en speleranalyse (bijvoorbeeld in voetbalteam sportanalyse).
geautomatiseerde berichtgeving in de Media
AI vision-technologie kan videobeelden gebruiken om sportspellen te interpreteren en deze naar de mediahuizen door te sturen zonder dat ze daar per se met fysieke camera ‘ s naartoe gaan. Bijvoorbeeld, honkbal heeft dit voordeel opgedaan in de afgelopen jaren met game news coverage automation.
Baltracking
baltrajectgegevens zijn een van de meest fundamentele en nuttige informatie bij de evaluatie van de prestaties van spelers en de analyse van spelstrategieën. Daarom is het volgen van balbewegingen een toepassing van diep en machine learning om de bal in videoframes te detecteren en vervolgens te volgen. Baltracking is belangrijk in sport met grote velden (bijvoorbeeld voetbal) om nieuwslezers en analisten te helpen om een sportspel en tactiek sneller te interpreteren en te analyseren.
doellijntechnologie
camerasystemen kunnen worden gebruikt om te bepalen of een doelpunt al dan niet is gescoord om de besluitvorming van scheidsrechters te ondersteunen. Anders dan sensoren, de visie-gebaseerde methode is niet-invasief en vereist geen veranderingen aan de typische voetbal apparaten. Dergelijke doellijntechnologie-systemen zijn gebaseerd op hogesnelheidscamera ‘ s waarvan de beelden worden gebruikt om de positie van de bal te trianguleren. Een baldetectiealgoritme dat kandidaat-balgebieden analyseert om het balpatroon te herkennen.
Gebeurtenisdetectie in sport
Deep Learning kan worden gebruikt om complexe gebeurtenissen te detecteren uit ongestructureerde video ‘ s, zoals het scoren van een doelpunt in een voetbalwedstrijd, bijna-missers of andere spannende delen van een spel die niet resulteren in een score. Deze technologie kan worden gebruikt voor real-time gebeurtenisdetectie in sportuitzendingen, van toepassing op een breed scala van veldsporten.
Zelftrainingsfeedback
Computervisiegebaseerde zelftrainingsystemen voor sportbeoefening is een recent nieuw onderzoeksthema. Hoewel zelftraining essentieel is in sportoefeningen, kan een beoefenaar in beperkte mate vooruitgang boeken zonder de instructie van een coach. Bijvoorbeeld, streeft een yoga self-training toepassing ernaar om de beoefenaar te instrueren yoga uit te voeren stelt correct, Assisterend in het rectificeren van slechte houdingen, en het verhinderen van verwonding. Een zelftrainingssysteem geeft instructies over het aanpassen van de lichaamshouding.
automatische Highlight generatie
het produceren van sport highlights is arbeidsintensief werk dat enige mate van specialisatie vereist, vooral in de sport met een complexe reeks regels die voor een langere tijd wordt gespeeld (bijv. Cricket). Een toepassingsvoorbeeld is automatische Cricket highlight generatie met behulp van event-driven en opwinding gebaseerde functies te herkennen en clip belangrijke gebeurtenissen in een cricket wedstrijd. Een andere toepassing is de automatische curatie van Golf highlights met behulp van multimodel opwinding functies Met Computer Vision.
Sportscore
Deep Learning-methoden kunnen worden gebruikt voor sportscore om de actiekwaliteit van atleten te beoordelen (Deep Features voor Sportscore). Automatische sportactiviteit scoren kan worden gebruikt in Duiken, Kunstschaatsen, of gewelfd (ScoringNet is een 3D CNN-netwerk applicatie voor sportactiviteit scoren). Bijvoorbeeld, een duikscore applicatie werkt door het beoordelen van de kwaliteitsscore van een duikprestatie van een atleet: het maakt uit of de voeten van de atleet samen zijn en hun tenen recht zijn gericht gedurende het hele duikproces.
computervisie in de gezondheidszorg
Kankerdetectie
Machine learning is opgenomen in de medische industrie voor doeleinden zoals borst-en huidkankerdetectie. De beeldopsporing staat wetenschappers toe om lichte verschillen tussen kanker en niet-kankerbeelden uit te kiezen, en gegevens van magnetic resonance imaging (MRI) aftasten en ingevoerde foto ‘ s als kwaadaardig of goedaardig te diagnosticeren.
covid-19 diagnose
computervisie kan worden gebruikt voor de bestrijding van het coronavirus. De veelvoudige diep het leren de modellen van de computervisie bestaan voor Röntgenstraal gebaseerde covid-19 diagnose. De meest populaire voor de detectie van covid-19 gevallen met digitale chest x-ray radiography (CXR) beelden heet COVID-Net en werd ontwikkeld door Darwin AI, Canada.
Celclassificatie
Machine Learning in medische gevallen werd gebruikt om T-lymfocyten met hoge nauwkeurigheid te classificeren tegen epitheliale cellen van colonkanker. ML zal naar verwachting het proces van ziekte-identificatie met betrekking tot darmkanker aanzienlijk versnellen efficiënt en tegen weinig tot geen kosten post-creatie.
bewegingsanalyse
neurologische en musculoskeletale aandoeningen zoals tegemoetkomende beroertes, evenwichts-en loopproblemen kunnen worden gedetecteerd met behulp van dieplearingsmodellen en computervisie, zelfs zonder doktersanalyse. Pose schatting computer visie toepassingen die patiënt beweging te analyseren helpen artsen bij het diagnosticeren van een patiënt met gemak en verhoogde nauwkeurigheid.
Maskerdetectie
Maskergezichtsherkenning wordt gebruikt om het gebruik van maskers en beschermingsmiddelen te detecteren om de verspreiding van het coronavirus te beperken. Computervisiesystemen helpen landen om maskers te implementeren als een controlestrategie om de verspreiding van de coronavirus-ziekte tegen te gaan. Particuliere bedrijven zoals Uber hebben computer vision-functies gecreëerd die in hun mobiele apps kunnen worden geïmplementeerd om te detecteren of passagiers maskers dragen of niet. Programma ‘ s als deze maken het openbaar vervoer veiliger tijdens de coronapandemie.
Tumordetectie
hersentumoren kunnen worden waargenomen in MRI-scans en worden vaak gedetecteerd met behulp van diepe neurale netwerken. De software van de tumoropsporing die diep het leren gebruiken is essentieel aan de medische industrie omdat het tumors bij hoge nauwkeurigheid kan ontdekken om artsen te helpen hun diagnoses te maken. Er worden voortdurend nieuwe methoden ontwikkeld om de nauwkeurigheid van deze diagnoses te verhogen.
Disease Progression Score
Computer vision kan worden gebruikt om patiënten te identificeren die ernstig ziek zijn om medische aandacht te trekken (kritische patiëntscreening). Mensen die besmet zijn met COVID-19 hebben een snellere ademhaling. Deep Learning met dieptecamera ‘ s kan worden gebruikt om abnormale ademhalingspatronen te identificeren om een nauwkeurige en onopvallende maar grootschalige screening uit te voeren van mensen die besmet zijn met het covid-19-virus.
gezondheidszorg en revalidatie
Fysiotherapie is belangrijk voor de hersteltraining van patiënten die een beroerte hebben overleefd en patiënten met sportletsel. Aangezien toezicht door een professional die door een ziekenhuis of medisch agentschap is duur, home training met een visie-gebaseerde revalidatie applicatie heeft de voorkeur, omdat het mensen in staat stelt om beweging training particulier en economisch oefenen. In computergesteunde therapie of revalidatie kan menselijke actie evaluatie worden toegepast om patiënten te helpen bij de training thuis, hen te begeleiden om acties goed uit te voeren, en te voorkomen dat ze verder letsel.
medische vaardigheidstraining
Computervisietoepassingen worden gebruikt voor het beoordelen van het vaardigheidsniveau van deskundige lerenden op zelflerende platforms. Zo zijn er simulatiegebaseerde chirurgische trainingsplatforms ontwikkeld voor chirurgisch onderwijs. De techniek van action quality assessment maakt het mogelijk om computationele benaderingen te ontwikkelen die de prestaties van de chirurgische studenten automatisch evalueren. Dienovereenkomstig kan zinvolle feedback-informatie worden verstrekt aan individuen en hen begeleiden om hun vaardigheidsniveaus te verbeteren.
Computer Vision in Agriculture
Crop Monitoring
De opbrengst en kwaliteit van belangrijke gewassen zoals rijst en tarwe bepalen de stabiliteit van de voedselzekerheid. Traditioneel, de monitoring van de groei van gewassen is voornamelijk gebaseerd op subjectieve menselijke oordeel en is niet tijdig of accuraat. Computer Vision-toepassingen maken het mogelijk om de plantengroei en de reactie op de behoefte aan voedingsstoffen continu en niet-destructief te monitoren. In vergelijking met handmatige bewerkingen kan de real-time monitoring van de groei van gewassen door het toepassen van computer vision technologie de subtiele veranderingen in gewassen als gevolg van ondervoeding veel eerder detecteren en kan een betrouwbare en nauwkeurige basis voor tijdige regulering bieden. Computer Vision toepassingen kunnen worden gebruikt voor het meten van plantengroei indicatoren of om de groeifase te bepalen.
Flowering Detection
De hoofddatum van tarwe is een van de belangrijkste parameters voor tarwegewassen. Een automatisch computer vision observation systeem kan worden gebruikt om de tarwe rubriek periode te bepalen. Computer vision technologie heeft de voordelen van lage kosten, kleine fout, hoge efficiëntie en goede robuustheid en kan dynamisch en continu worden geanalyseerd.
Plantage monitoring
in intelligente landbouw kunnen beeldverwerking met drone-beelden worden gebruikt om palmolieplantages op afstand te monitoren. Met geospatiale orthofoto ‘ s is het mogelijk om te bepalen welk deel van de plantage land is vruchtbaar voor beplante gewassen. Het was ook mogelijk om gebieden te identificeren die minder vruchtbaar zijn in termen van groei, en ook een deel van het plantageveld dat helemaal niet groeit.
Insectendetectie
snelle en nauwkeurige herkenning en telling van vliegende insecten zijn van groot belang, vooral voor ongediertebestrijding. Traditionele handmatige identificatie en het tellen van vliegende insecten is inefficiënt en arbeidsintensief. Vision-based systemen maken het tellen en herkennen van vliegende insecten mogelijk (gebaseerd op You Only Look Once (YOLO) object Detectie en classificatie).
detectie van plantenziekten
automatische en nauwkeurige schatting van de ernst van de ziekte is essentieel voor voedselzekerheid, ziektebeheer en voorspelling van opbrengstverliezen. De deep learning methode vermijdt arbeidsintensieve functie engineering en drempel-gebaseerde beeld segmentatie. Automatische beeldgebaseerde schatting van de ernst van plantenziekten met behulp van diepe convolutionele neurale netwerk (CNN) toepassingen werden ontwikkeld, bijvoorbeeld om apple zwartrot te identificeren.
automatisch wieden
onkruid wordt beschouwd als schadelijke planten in de landbouwkunde omdat het met gewassen concurreert om water, mineralen en andere nutriënten in de bodem te verkrijgen. Het sproeien van pesticiden alleen op de exacte locaties van onkruid vermindert sterk het risico op verontreiniging van gewassen, mensen, dieren en watervoorraden. De intelligente detectie en verwijdering van onkruid zijn van cruciaal belang voor de ontwikkeling van de landbouw. Een neuraal netwerk-gebaseerd computer vision systeem kan worden gebruikt om aardappelplanten en drie verschillende onkruid te identificeren voor on-site specifieke spuiten.
automatisch oogsten
in de traditionele landbouw is er een afhankelijkheid van mechanische bewerkingen, met handmatig oogsten als steunpilaar, wat leidt tot hoge kosten en een lage efficiëntie. In de afgelopen jaren, met de voortdurende toepassing van computer vision technologie, high-end intelligente landbouw oogstmachines, zoals oogstmachines en picking robots op basis van computer vision technologie, zijn ontstaan in de landbouwproductie, die een nieuwe stap in de Automatische Oogst van gewassen. De belangrijkste focus van oogsten operaties is om de kwaliteit van het product te garanderen tijdens het oogsten om de marktwaarde te maximaliseren. Computer Vision aangedreven toepassingen omvatten het automatisch plukken van komkommers in een kasomgeving of de automatische identificatie van kersen in een natuurlijke omgeving.
kwaliteitscontrole van landbouwproducten
de kwaliteit van landbouwproducten is een van de belangrijke factoren die van invloed zijn op de marktprijzen en de tevredenheid van de klanten. In vergelijking met handmatige inspecties biedt Computer Vision een manier om externe kwaliteitscontroles uit te voeren en hoge mate van flexibiliteit en herhaalbaarheid te bereiken tegen relatief lage kosten en met hoge precisie. Systemen op basis van machine vision en computer vision worden gebruikt voor het snel testen van zoete citroen schade of niet-destructieve kwaliteitsevaluatie van aardappelen.
Irrigatiebeheer
bodembeheer gebaseerd op het gebruik van technologie om de bodemproductiviteit te verhogen door teelt, bemesting of irrigatie heeft een opmerkelijke impact op de moderne landbouwproductie. Door het verkrijgen van nuttige informatie over de groei van tuinbouwgewassen door middel van afbeeldingen, kan de bodemwaterbalans nauwkeurig worden geschat om een nauwkeurige irrigatieplanning te bereiken. Computer vision-toepassingen bieden waardevolle informatie over de waterbalans voor irrigatiebeheer. Een vision-based systeem kan multi-spectrale beelden van onbemande luchtvaartuigen (UAV ‘ s) verwerken en de vegetation index (VI) verkrijgen om beslissingsondersteuning te bieden voor irrigatiebeheer.
UAV-Landbouwlandmonitoring
Real-time landbouwlandinformatie en een nauwkeurig begrip van die informatie Spelen een fundamentele rol in de precisielandbouw. In de afgelopen jaren, UAV, als een snel vooruitgaande technologie, heeft de verwerving van agrarische informatie die een hoge resolutie, lage kosten en snelle oplossingen heeft toegestaan. UAV-platforms uitgerust met beeldsensoren bieden gedetailleerde informatie over landbouweconomie en gewasomstandigheden (bijvoorbeeld continue gewasmonitoring). Teledetectie via UAV heeft bijgedragen tot een stijging van de landbouwproductie met een daling van de landbouwkosten.
Opbrengstbeoordeling
door de toepassing van computervisietechnologie zijn de functies bodembeheer, volwassenheidsdetectie en opbrengstschatting voor landbouwbedrijven gerealiseerd. Bovendien kan de bestaande technologie goed worden toegepast op methoden zoals spectrale analyse en diep leren. De meeste van deze methoden hebben de voordelen van hoge precisie, lage kosten, goede draagbaarheid, goede integratie en schaalbaarheid en kunnen betrouwbare ondersteuning bieden voor managementbeslissingen. Een voorbeeld hiervan is de schatting van de opbrengst van citrusgewassen via fruitdetectie en het tellen met behulp van computer vision. Ook kan de opbrengst van suikerriet velden worden voorspeld door het verwerken van beelden verkregen met behulp van UAV.
Diermonitoring
dieren kunnen worden gemonitord met behulp van nieuwe technieken die zijn getraind om het type dier en de werking ervan op te sporen. Er is veel gebruik voor diermonitoring in de landbouw, waar vee op afstand kan worden gemonitord voor ziektedetectie, veranderingen in gedrag, of de bevalling. Daarnaast kunnen landbouw-en natuurwetenschappers wilde dieren veilig op afstand bekijken.
Landbouwautomatisering
technologieën zoals oogst -, zaai-en wiedrobots, autonome tractoren en drones om de landbouwomstandigheden te bewaken en meststoffen toe te passen, kunnen de productiviteit maximaliseren bij tekorten aan arbeidskrachten. Landbouw kan ook winstgevender zijn wanneer de ecologische voetafdruk van de landbouw wordt geminimaliseerd.
Computer Vision in transport
Voertuigclassificatie
Computer Vision applications for automated vehicle classificatie heeft een lange geschiedenis. De technologieën voor geautomatiseerde voertuigclassificatie zijn in de loop van decennia geëvolueerd. Met snel groeiende betaalbare sensoren zoals gesloten‐circuit televisie (CCTV) camera ‘ s, licht detectie en ranging (LiDAR), en zelfs thermische beeldvorming apparaten, kunnen voertuigen worden gedetecteerd, gevolgd en gecategoriseerd in meerdere rijstroken tegelijk. De nauwkeurigheid van de voertuigclassificatie kan worden verbeterd door meerdere sensoren te combineren, zoals thermische beeldvorming, LiDAR-beeldvorming en RGB-zichtbare camera ‘ s. Er zijn veelvoudige specialisaties, bijvoorbeeld, is een deep-learning-gebaseerde computervisie-oplossing voor de opsporing van het bouwvoertuig gebruikt voor doeleinden zoals veiligheidscontrole, productiviteitsbeoordeling, en het managersbesluit maken.
detectie van verkeersovertredingen
wetshandhavingsinstanties en gemeenten verhogen de inzet van camera‐gebaseerde wegbewakingssystemen met als doel onveilig rijgedrag te verminderen. Er wordt steeds meer gebruik gemaakt van computer vision technieken voor het automatiseren van de detectie van overtredingen zoals snelheidsovertredingen, rode lichten of stopborden, verkeerd rijden en het maken van illegale bochten.
Traffic Flow Analysis
analyse van traffic flow is uitgebreid bestudeerd voor intelligente transportsystemen (ITS), waarbij gebruik werd gemaakt van beide invasieve methoden (tags, onder-stoepranden, enz.) en niet-invasieve methoden zoals camera ‘ s. Met de opkomst van computer vision en AI, video analytics kan nu worden toegepast op de alomtegenwoordige verkeerscamera ‘ s, die enorme impact kunnen genereren in de ITS en slimme stad. De verkeersstroom kan worden waargenomen met behulp van Computer vision middelen en meet een aantal van de variabelen vereist door verkeerstechnici.
detectie van parkeergelegenheid
visuele bewaking van de parkeerruimte wordt gebruikt met het doel de detectie van parkeergelegenheid. Computer vision-toepassingen zorgen voor gedecentraliseerde en efficiënte oplossingen voor visuele detectie van parkeerplaatsen op basis van een diep Convolutioneel neuraal netwerk (CNN). Er bestaan meerdere datasets voor parkeerplaatsdetectie zoals PKLot en CNRPark-EXT. Bovendien zijn video-gebaseerde parkeerbeheersystemen geïmplementeerd met behulp van stereoscopische beeldvorming (3D) of thermische camera ‘ s.
geautomatiseerde Kentekenplaatherkenning
veel moderne transporten en openbare veiligheidssystemen zijn afhankelijk van de mogelijkheid om kentekenplaatinformatie te herkennen en uit stilstaande afbeeldingen of video ‘ s te halen. Automated license plate recognition (ALPR) heeft op vele manieren de openbare veiligheid en transport industrie getransformeerd, het helpen mogelijk moderne tolled weg oplossingen, het verstrekken van enorme operationele kostenbesparingen via automatisering, en zelfs het mogelijk maken van volledig nieuwe mogelijkheden in de markt (bijvoorbeeld politie cruiser gemonteerde kentekenplaat leeseenheden). OpenALPR is een populaire automatische nummerplaatherkenningsbibliotheek, gebaseerd op karakterherkenning op afbeeldingen of video-feeds van kentekenplaten.
heridentificatie van voertuigen
met verbeteringen op het gebied van heridentificatie van personen beogen slimme vervoers-en bewakingssystemen deze aanpak te repliceren voor voertuigen die gebruikmaken van heridentificatie van voertuigen op basis van vision. Conventionele methoden om een unieke voertuig-ID te bieden zijn meestal opdringerig (in-vehicle tag, mobiele telefoon of GPS). Voor gecontroleerde instellingen zoals bij een tolhuis is automatische kentekenherkenning (ALPR) waarschijnlijk de meest geschikte technologie voor nauwkeurige identificatie van individuele voertuigen. Kentekenplaten zijn echter onderhevig aan verandering en vervalsing, en ALPR kan geen opvallende specialiteiten van de voertuigen weergeven, zoals merken of deuken. Niet-opdringerige methoden zoals beeldgebaseerde herkenning hebben een hoog potentieel en een hoge vraag, maar zijn nog lang niet rijp voor praktisch gebruik. De meeste bestaande vision-based voertuig re-identificatie technieken zijn gebaseerd op het uiterlijk van het voertuig, zoals kleur, textuur en vorm. Tot op de dag van vandaag is de herkenning van subtiele onderscheidende kenmerken zoals voertuigmerk of jaarmodel nog steeds een onopgeloste uitdaging.
voetgangersdetectie
de detectie van voetgangers is cruciaal voor intelligente vervoerssystemen, variërend van autonoom rijden tot bewaking van de infrastructuur, verkeersbeheer, veiligheid en efficiëntie van het vervoer en rechtshandhaving. Voetgangersdetectie omvat vele soorten sensoren, zoals traditionele CCTV-of IP-camera ‘s, warmtebeeldcamera’ s, near‐infrared imaging-apparaten en RGB-camera ‘ s aan boord. Voetgangers detectie algoritmen kunnen worden gebaseerd op infrarood handtekeningen, vorm functies, gradiënt functies, machine learning, of beweging functies. Voetgangersdetectie door te vertrouwen op neurale netwerken van diepe convolutie heeft aanzienlijke vooruitgang geboekt, zelfs met de detectie van zwaar afgesloten voetgangers.
detectie van verkeerstekens
Computervisietoepassingen worden gebruikt voor detectie en herkenning van verkeerstekens. Visietechnieken worden toegepast op het segmenteren van verkeersborden uit verschillende verkeersscènes (met behulp van beeldsegmentatie) en maken gebruik van deep learning algoritmen voor de herkenning en classificatie van verkeersborden.
Botsingsvermijdingssystemen
voertuigdetectie en rijstrookdetectie maken integraal deel uit van de meest geavanceerde hulpsystemen voor de bestuurder (ADAS). De diepe neurale netwerken zijn onlangs gebruikt om diep het leren en het gebruik van het voor autonome systemen van het botsingsvermijden te onderzoeken.
monitoring van de toestand van de weg
toepassingen voor computerzichtgebaseerde defectdetectie en beoordeling van de toestand worden ontwikkeld om de civiele infrastructuur van beton en asfalt te bewaken. Beoordeling van de toestand van de bestrating geeft informatie om meer kosteneffectieve en consistente beslissingen te nemen met betrekking tot het beheer van het bestrating netwerk. In het algemeen worden noodinspecties op de stoep uitgevoerd met behulp van geavanceerde voertuigen voor gegevensverzameling en/of voet-op-grondonderzoeken. Een Deep Machine Learning aanpak voor het ontwikkelen van een asfalt bestrating condition index werd ontwikkeld om een mens-onafhankelijke, goedkope, efficiënte en veilige manier van geautomatiseerde bestrating nooddetectie via Computer Vision bieden. Een andere applicatie is een computer vision applicatie om weg kuilen te detecteren om wegenonderhoud toe te wijzen en het aantal gerelateerde voertuigongevallen te verminderen.
beoordeling van de toestand van de infrastructuur
om de veiligheid en de bruikbaarheid van de civiele infrastructuur te waarborgen, is het van essentieel belang de fysieke en functionele toestand ervan visueel te inspecteren en te beoordelen. Systemen voor Computer Vision-based civiele infrastructuur inspectie en monitoring worden gebruikt om Beeld-en videogegevens automatisch om te zetten in bruikbare informatie. De toepassingen van de computervisie inspectie worden gebruikt om structurele componenten te identificeren, lokale en globale zichtbare schade te karakteriseren, en veranderingen van een referentiebeeld te ontdekken. Dergelijke monitoringtoepassingen omvatten statische meting van spanning en verplaatsing en dynamische meting van verplaatsing voor modale analyse.
Attentivity Detection
afgeleid rijden – zoals dagdromen, mobiel bellen en kijken naar iets buiten de auto – is verantwoordelijk voor een groot deel van de verkeersdoden wereldwijd. Kunstmatige intelligentie wordt gebruikt om rijgedrag te begrijpen, oplossingen te vinden om verkeersincidenten te beperken. Wegbewakingstechnologieën worden gebruikt om overtredingen van het passagierscompartiment te observeren, bijvoorbeeld bij deep learning-gebaseerde gordeldetectie bij wegbewaking. Bewakingstechnologieën voor bestuurders in het voertuig richten zich op visuele detectie, analyse en feedback. Het gedrag van de bestuurder kan zowel rechtstreeks worden afgeleid uit naar binnen gerichte camera ’s als indirect uit naar buiten gerichte camera’ s of sensoren. Technieken gebaseerd op driver-facing video analytics detecteren het gezicht en de ogen met algoritmen voor blik richting, hoofd pose schatting, en gezichtsuitdrukking monitoring. Deep en machine learning algoritmen die duizenden stukken van gegevens van aandachtige Versus onoplettende gezichten hebben gegeven kunnen verschillen tussen Ogen detecteren die gefocust en unfocused zijn, evenals tekenen van het rijden onder invloed. Er zijn meerdere vision-based applicaties voor real-time afgeleid driver houding classificatie met meerdere deep learning methoden (RNN en CNN) gebruikt in driver afleiding detectie.
van Computer Vision in de Detailhandel en Productie –
Klant Tracking
Strategisch geplaatste tellen apparaten in een winkel kan het verzamelen van gegevens door middel van machine learning processen over waar klanten hun tijd doorbrengen, en voor hoe lang. Customer analytics kan retail stores’ begrip van de interactie met de consument te verbeteren en het verbeteren van de winkel lay-out optimalisatie.
mensen tellen
computervisiealgoritmen worden getraind met gegevensvoorbeelden om mensen te detecteren en ze te tellen wanneer ze worden gedetecteerd. Dergelijke mensen tellen technologie is nuttig voor winkels om gegevens te verzamelen over het succes van hun winkels en kan ook worden toegepast in situaties met betrekking tot COVID-19 waar een beperkt aantal mensen zijn toegestaan in een winkel in een keer.
Diefstaldetectie
Retailers kunnen verdacht gedrag detecteren, zoals rondhangen of toegang krijgen tot gebieden die verboden zijn met behulp van computervisiealgoritmen die autonoom de scène analyseren.
Wachttijdanalyse
om ongeduldige klanten en eindeloze wachtrijen te voorkomen, implementeren retailers wachtrijdetectietechnologie. Wachtrijdetectie gebruikt camera ‘ s om het aantal shoppers in een lijn te volgen en te tellen. Zodra een drempel van klanten is bereikt, het systeem klinkt een waarschuwing voor clerks om nieuwe kassa ‘ s te openen.
sociale afstand
om ervoor te zorgen dat de veiligheidsmaatregelen worden nageleefd, gebruiken bedrijven afstandsdetectoren. Een camera volgt de beweging van werknemers of klanten en gebruikt dieptesensoren om de afstand tussen hen te beoordelen. Afhankelijk van hun positie tekent het systeem een rode of groene cirkel rond de persoon.
Productivity Analytics
Productivity analytics volg de impact van veranderingen op de werkplek, hoe werknemers hun tijd en middelen besteden en implementeer verschillende tools. Dergelijke gegevens kunnen waardevol inzicht bieden in time management, samenwerking op de werkplek en productiviteit van werknemers.
kwaliteitsmanagement
kwaliteitsmanagementsystemen zorgen ervoor dat een organisatie aan de eisen van de klant voldoet door haar beleid, procedures, instructies en interne processen aan te pakken om een algehele tevredenheid van de consument te bereiken.
vaardigheidstraining
een ander toepassingsveld van visiesystemen is het optimaliseren van lopende bandbewerkingen in de industriële productie. De evaluatie van menselijk handelen kan helpen om gestandaardiseerde actiemodellen te construeren met betrekking tot verschillende bedieningsstappen, evenals om de prestaties van opgeleide werknemers te evalueren. Automatisch beoordelen van de actiekwaliteit van werknemers kan gunstig zijn door het verbeteren van de werkprestaties, het bevorderen van productieve efficiëntie (LEAN optimization), en, nog belangrijker, het ontdekken van gevaarlijke acties voordat schade optreedt.
wat volgt?
Deep and machine learning technologie is gebruikt om computer vision applicaties te creëren op tientallen manieren en voor industrieën van alle soorten.
- onderzoek 8 toepassingen van computer vision voor coronaviruscontrole
- leer alles over menselijke Pose schatting met computer vision.
- Bekijk ons volledige overzicht van objectdetectie in 2021.
- lees de casestudy over een Computervisietoepassing voor diermonitoring.