a visão computacional é um setor de inteligência artificial que usa a máquina e o aprendizado profundo para permitir que os computadores “vejam” e analisem seus arredores. A visão computacional tem um enorme impacto nas empresas de todas as indústrias, do Varejo à agricultura. É especialmente útil para problemas em que precisaríamos de um olho humano para ver a situação. Devido à grande quantidade de problemas que existem nesses critérios, milhares de aplicações da visão computacional ainda não foram descobertas ou esgotadas.este artigo será uma lista cumulativa de aplicações de visão computacional de rápido crescimento e progressiva utilizadas por indústrias proeminentes em 2021.
Visão Computacional em esportes
visão Pose do Jogador
visão AI pode ser usado para reconhecer padrões entre o movimento do corpo humano e posar sobre vários quadros em imagens de vídeo ou streams de vídeo em tempo real. A estimativa de pose humana foi aplicada a vídeos de nadadores no mundo real, onde câmeras fixas filmam acima e abaixo da superfície da água. Essas gravações podem ser usadas para avaliar quantitativamente o desempenho dos atletas sem anotar manualmente as partes do corpo em cada quadro de vídeo. Redes neurais convolucionais são usadas para inferir automaticamente a informação pose necessária e detectar o estilo de natação de um atleta.
captura de movimento sem marcação
câmeras podem ser usadas para rastrear o movimento do esqueleto humano sem usar marcadores ópticos tradicionais e câmeras especializadas. Isto é essencial na captura de esportes, onde os jogadores não podem ser sobrecarregados com vestimentas ou dispositivos de captura de desempenho adicionais.detecção e reconhecimento automatizados de movimentos específicos do desporto superam as limitações associadas aos métodos de análise de desempenho manual. As entradas de dados de visão computacional podem ser usadas em combinação com os dados de sensores desgastados pelo corpo e equipamentos de desgaste. Os casos de uso Popular são a análise de natação, a análise de swing de golfe, análise de corrida sobre solo, esqui alpino, e a detecção e avaliação de bowling de críquete.
Multi-Player Pose Tracking
Using Computer Vision algorithms, the pose and movement of multiple team players can be calculated from both monocular (single-camera footage) and multi-view (footage of multiple cameras) sports video datasets. O potencial uso de estimar a Pose 2D ou 3D de jogadores em esportes é de grande alcance e inclui análise de desempenho, captura de movimento e novas aplicações em mídia de transmissão e imersiva.
reconhecimento de curso
aplicações de Visão Computacional pode ser usado para detectar e classificar os traços (por exemplo, para classificar os traços no tênis de mesa). O reconhecimento ou classificação de movimentos envolve interpretações adicionais e predições rotuladas da instância Identificada (por exemplo, diferenciando traços de tênis como forehand ou backhand). O reconhecimento de acidente vascular cerebral tem como objetivo fornecer ferramentas para professores, treinadores e jogadores para analisar jogos de tênis de mesa e melhorar as habilidades esportivas de forma mais eficiente.
> Perto de Coaching em Tempo Real
de Visão de Computador baseado esportes de ajuda do google analytics para melhorar a eficiência dos recursos e reduzir o feedback vezes durante o tempo de restrição de tarefas. Treinadores e atletas envolvidos em tarefas de notação de tempo intensivo, incluindo a análise pós-natação, podem se beneficiar de feedback rápido objetivo antes da próxima corrida no programa de eventos.
Análise de comportamentos de equipe esportiva
Analistas em esporte de equipe profissional realizam regularmente análises para ganhar insights estratégicos e táticos sobre o comportamento do jogador e da equipe (identificar fraquezas, avaliar o desempenho e potenciais de melhoria). No entanto, a análise manual de vídeo é tipicamente um processo demorado, onde os analistas precisam memorizar e anotar cenas. As técnicas de visão computacional podem ser usadas para extrair dados de trajetória de material de vídeo e aplicar técnicas de análise de movimento para derivar medidas analíticas relevantes do esporte de equipe para a região, formação de equipe, Evento e análise de jogadores (por exemplo, na análise de esportes de equipe de futebol).
cobertura de mídia automatizada
a tecnologia da visão de AI pode usar imagens de vídeo para interpretar jogos esportivos e transmiti-los para as casas de mídia sem necessariamente ir lá com câmeras físicas. Por exemplo, o beisebol ganhou essa vantagem nos últimos anos com a automação de cobertura de notícias de jogos.dados de trajetória de bola são uma das informações mais fundamentais e úteis na avaliação do desempenho dos jogadores e na análise das estratégias de jogo. Assim, rastreamento de movimento de bola é uma aplicação de aprendizagem profunda e máquina para detectar e, em seguida, rastrear a bola em molduras de vídeo. O rastreamento de bola é importante em esportes com grandes campos (por exemplo, futebol) para ajudar os jornalistas e analistas a interpretar e analisar um jogo de esportes e táticas mais rápido.
Goal-Line Technology
Camera-based systems can be used to determine if a goal has been scored or not to support the decision-making of árbitros. Diferente dos sensores, o método baseado na visão não é invasivo e não requer mudanças nos dispositivos de futebol típicos. Tais sistemas de tecnologia de linha de Gol são baseados em câmeras de alta velocidade cujas imagens são usadas para triangular a posição da bola. Um algoritmo de detecção de bolas que analisa regiões de bolas candidatas a fim de reconhecer o padrão de bola.
Detecção De Eventos em esportes
aprendizagem profunda pode ser usado para detectar eventos complexos a partir de vídeos não estruturados, como marcar um gol em um jogo de futebol, quase falhas, ou outras partes excitantes de um jogo que não resultam em uma pontuação. Esta tecnologia pode ser usada para detecção de eventos em tempo real em transmissões esportivas, aplicável a uma ampla gama de esportes de campo.
Feedback de auto-formação
Sistemas de auto-formação baseados na visão computacional para o exercício desportivo é um tópico de investigação recentemente emergente. Enquanto a auto-formação é essencial no exercício desportivo, um praticante pode progredir em uma extensão limitada sem a instrução de um treinador. Por exemplo, uma aplicação de auto-treinamento do yoga visa instruir o praticante a realizar poses corretamente, ajudando na retificação de posturas pobres, e prevenindo lesões. Um sistema de auto-treinamento dá instruções sobre como ajustar a postura do corpo.
geração de realce automático
produção de destaques desportivos é um trabalho intensivo de trabalho que requer algum grau de especialização, especialmente em esportes com um conjunto complexo de regras que é jogado por um tempo mais longo (eg. Criquete). Um exemplo de aplicação é a geração de realce de críquete automático usando recursos baseados em eventos e excitação para reconhecer e clipar eventos importantes em um jogo de críquete. Outra aplicação é a Curação automática de destaques de golfe usando características de excitação multimodel com visão de computador.métodos de aprendizagem profunda podem ser utilizados para a Pontuação da actividade desportiva na avaliação da qualidade de acção dos atletas (características profundas para a Pontuação da Actividade Desportiva). Scoringnet é um aplicativo de rede CNN 3D para scoring de atividades esportivas. Por exemplo, uma aplicação de pontuação de mergulho funciona avaliando a pontuação de qualidade de um desempenho de mergulho de um atleta: importa se os pés do atleta estão juntos e seus dedos estão direcionados ao longo de todo o processo de mergulho.
A visão computacional nos cuidados de saúde
A detecção do cancro
a aprendizagem das máquinas é incorporada nas indústrias médicas para fins como a detecção do cancro da mama e da pele. A detecção de imagens permite que os cientistas detectem pequenas diferenças entre imagens cancerosas e não cancerosas, e diagnosticar dados de ressonância magnética (MRI) scans e fotos inputadas como malignas ou benignas.
o diagnóstico COVID-19
visão computacional pode ser usado para o controle do coronavírus. Múltiplos modelos de visão computacional de aprendizagem profunda existem para o diagnóstico COVID-19 baseado em raios-X. O mais popular para a detecção de COVID-19 casos com radiografia de raio-X do tórax digital (CXR) imagens é nomeado COVID-Net e foi desenvolvido por Darwin AI, Canadá.
classificação celular
aprendizagem de máquinas em casos de uso médico foi usado para classificar linfócitos T contra células epiteliais com alta precisão. Espera-se que a ML acelere significativamente o processo de identificação da doença em relação ao cancro do cólon de forma eficiente e com pouco ou nenhum custo pós-criação.as doenças neurológicas e músculo-esqueléticas, tais como AVC, problemas de equilíbrio e de marcha, podem ser detectadas utilizando modelos de aprendizagem profunda e visão computacional, mesmo sem análise médica. Pose estimativas aplicações de Visão Computacional que analisam o movimento do paciente ajudar os médicos no diagnóstico de um paciente com facilidade e maior precisão.
A Detecção de máscaras
o reconhecimento facial Mascarado é usado para detectar o uso de máscaras e equipamentos de proteção para limitar a propagação de coronavírus. Sistemas de visão computacional ajudam os países a implementar máscaras como uma estratégia de controle para conter a propagação da doença do coronavírus. Empresas privadas como a Uber criaram recursos de visão computacional para serem implementados em seus aplicativos móveis para detectar se os passageiros estão usando máscaras ou não. Programas como este tornam os transportes públicos mais seguros durante a pandemia do coronavírus.
detecção de Tumor
tumores cerebrais podem ser vistos em ressonância magnética e são frequentemente detectados usando redes neurais profundas. Software de detecção de Tumor utilizando o aprendizado profundo é crucial para a indústria médica, porque ele pode detectar tumores em alta precisão para ajudar os médicos a fazer seus diagnósticos. Novos métodos estão constantemente sendo desenvolvidos para aumentar a precisão desses diagnósticos.
A Pontuação da progressão da doença
a visão do computador pode ser utilizada para identificar doentes que estão gravemente doentes para encaminharem os cuidados médicos (rastreio crítico do doente). As pessoas infectadas com COVID-19 têm respiração mais rápida. A aprendizagem profunda com câmeras de profundidade pode ser usada para identificar padrões respiratórios anormais para realizar uma triagem precisa e discreta, mas em grande escala, de pessoas infectadas com o vírus COVID-19.a fisioterapia é importante para o treino de recuperação de sobreviventes de AVC e de doentes com lesões desportivas. Uma vez que a supervisão por um profissional fornecida por um hospital ou uma agência médica é cara, a formação em casa com uma aplicação de reabilitação baseada em visão é preferível porque permite que as pessoas pratiquem a formação de movimentos privada e economicamente. Em Terapia Assistida por computador ou reabilitação, a avaliação da Ação humana pode ser aplicada para ajudar os pacientes em treinamento em casa, orientá-los para realizar ações corretamente, e impedi-los de mais lesões.as aplicações de Visão Computacional são utilizadas para avaliar o nível de competências dos aprendentes especialistas em plataformas de autoaprendizagem. Por exemplo, plataformas de treinamento cirúrgico baseadas em simulação foram desenvolvidas para a educação cirúrgica. A técnica de avaliação da qualidade da ação permite desenvolver abordagens computacionais que avaliam automaticamente o desempenho dos estudantes de cirurgia. Assim, podem ser fornecidas informações significativas de feedback aos indivíduos e orientá-los para melhorar os seus níveis de habilidade.
Visão Computacional na agricultura
monitorização das culturas
o rendimento e a qualidade de culturas importantes, como o arroz e o trigo, determinam a estabilidade da segurança alimentar. Tradicionalmente, o acompanhamento do crescimento das culturas depende principalmente do julgamento subjetivo do homem e não é oportuno ou preciso. As aplicações de visão computacional permitem monitorar de forma contínua e não destrutiva o crescimento das plantas e a resposta às necessidades de nutrientes. Em comparação com as operações manuais, o monitoramento em tempo real do crescimento das culturas através da aplicação de tecnologia de visão computacional pode detectar as mudanças sutis nas culturas devido à desnutrição muito mais cedo e pode fornecer uma base confiável e precisa para a regulação atempada. Aplicações de visão computacional podem ser usadas para a medição de indicadores de crescimento de plantas ou para determinar o estágio de crescimento.
detecção da floração
a data de designação do trigo é um dos parâmetros mais importantes para as culturas de trigo. Um sistema automático de observação de visão computacional pode ser usado para determinar o período de direção do trigo. A tecnologia de visão computacional tem as vantagens de baixo custo, pequeno erro, alta eficiência e boa robustez e pode ser dinâmica e continuamente analisada.na agricultura inteligente, o processamento de imagens com imagens de drones pode ser usado para monitorar as plantações de óleo de Palma remotamente. Com ortofotos geoespaciais, é possível identificar qual parte da terra plantada é fértil para culturas plantadas. Também foi possível identificar áreas menos férteis em termos de crescimento, e também parte do campo de plantio que não está crescendo de todo.a detecção rápida e precisa de insectos voadores é de grande importância, especialmente para o controlo de pragas. A identificação manual tradicional e a contagem de insetos voadores são ineficientes e trabalhosos. Sistemas baseados na visão permitem a contagem e reconhecimento de insetos voadores (baseado em você só olhar uma vez (YOLO) detecção de objetos e classificação).a detecção automática e precisa da gravidade da doença é essencial para a segurança alimentar, o controlo da doença e a previsão da perda de rendimento. O método de aprendizado profundo evita a engenharia de recursos trabalhosos e segmentação de imagem baseada em limiar. Foi desenvolvida uma estimativa automática da gravidade da doença vegetal baseada em imagens utilizando aplicações de rede neural convolucional profunda (CNN), por exemplo para identificar o podridão negra da maçã.as ervas daninhas são consideradas plantas prejudiciais na Agronomia porque competem com as culturas para obter a água, minerais e outros nutrientes no solo. A pulverização de pesticidas apenas nos locais exactos de ervas daninhas reduz grandemente o risco de contaminar culturas, seres humanos, animais e recursos hídricos. A detecção inteligente e a remoção de ervas daninhas são fundamentais para o desenvolvimento da agricultura. Um sistema de visão computacional baseado em rede neural pode ser usado para identificar plantas de batata e três ervas daninhas diferentes para pulverização específica no local.
colheita automática
na agricultura tradicional, existe uma dependência das operações mecânicas, com a colheita manual como base, o que resulta em custos elevados e baixa eficiência. Nos últimos anos, com a aplicação contínua da tecnologia de visão computacional, máquinas de colheita agrícola inteligentes de ponta, como máquinas de colheita e Robôs de colheita baseados na tecnologia de visão computacional, surgiram na produção agrícola, que tem sido um novo passo na colheita automática de culturas. O foco principal das operações de colheita é garantir a qualidade do produto durante a colheita para maximizar o valor de mercado. As aplicações movidas pela visão computacional incluem a coleta automática de pepinos em um ambiente de estufa ou a identificação automática de cerejas em um ambiente natural.a qualidade dos produtos agrícolas é um dos factores importantes que afectam os preços de mercado e a satisfação dos clientes. Em comparação com as inspeções manuais, A Visão Computacional fornece uma maneira de realizar verificações externas de qualidade e alcançar altos graus de flexibilidade e repetibilidade a um custo relativamente baixo e com alta precisão. Sistemas baseados na visão de máquina e visão de computador são usados para testes rápidos de danos de limão doce ou avaliação de qualidade não destrutiva de batatas.a gestão da irrigação baseada no uso da tecnologia para aumentar a produtividade do solo através do cultivo, fertilização ou irrigação tem um impacto notável na produção agrícola moderna. Ao obter informações úteis sobre o crescimento das culturas hortícolas através de imagens, o balanço hídrico do solo pode ser estimado com precisão para alcançar um planejamento preciso de irrigação. Aplicações de visão computacional fornecem informações valiosas sobre o balanço hídrico de gestão da irrigação. Um sistema baseado em visão pode processar imagens multi-espectrais tomadas por veículos aéreos não tripulados (UAVs) e obter o índice de vegetação (VI) para fornecer suporte de decisão para a gestão da irrigação.
monitorização das terras agrícolas UAV
informação sobre as terras agrícolas em tempo Real e uma compreensão precisa dessa informação desempenham um papel fundamental na agricultura de precisão. Nos últimos anos, o VANT, como uma tecnologia em rápido avanço, permitiu a aquisição de informação agrícola que tem uma alta resolução, baixo custo e soluções rápidas. As plataformas de VANT equipadas com sensores de imagem fornecem informações pormenorizadas sobre a economia agrícola e as condições das culturas (por exemplo, monitorização contínua das culturas). A teledetecção UAV contribuiu para um aumento da produção agrícola com uma diminuição dos custos agrícolas.através da aplicação da tecnologia de visão computorizada, foram realizadas as funções de gestão do solo, detecção da maturidade e estimativa do rendimento das explorações agrícolas. Além disso, a tecnologia existente pode ser bem aplicada a métodos como a análise espectral e a aprendizagem profunda. A maioria destes métodos tem as vantagens de alta precisão, baixo custo, boa portabilidade, boa integração e escalabilidade e pode fornecer suporte confiável para a tomada de decisões de gestão. Um exemplo é a estimativa do rendimento das culturas de citrinos através da detecção e contagem de frutas usando a visão computacional. Além disso, o rendimento dos campos de cana-de-açúcar pode ser previsto através do processamento de imagens obtidas através do VANT.a monitorização dos animais pode ser monitorizada utilizando técnicas novas que foram treinadas para detectar o tipo de animal e as suas acções. Há muito uso para monitoramento de animais na agricultura, onde o gado pode ser monitorado remotamente para detecção de doenças, mudanças de comportamento, ou dar à luz. Além disso, os cientistas da agricultura e da vida selvagem podem ver os animais selvagens com segurança a uma distância.
Automação agrícola
tecnologias como a colheita, semeadura, e Robôs de remoção de ervas daninhas, tratores autônomos, e drones para monitorar as condições da fazenda e aplicar fertilizantes podem maximizar a produtividade com escassez de mão de obra. A agricultura também pode ser mais rentável quando a pegada ecológica da agricultura é minimizada.
Computer Vision in Transportation
Vehicle Classification
Computer Vision applications for automated a classificação do veículo tem uma longa história. As tecnologias para a classificação automatizada de veículos têm evoluído ao longo de décadas. Com sensores acessíveis em rápido crescimento, tais como câmeras de circuito fechado de televisão (CCTV), detecção de luz e alcance (LiDAR), e até mesmo dispositivos de imagem térmica, os veículos podem ser detectados, rastreados e categorizados em várias faixas simultaneamente. A precisão da classificação do veículo pode ser melhorada através da combinação de múltiplos sensores, tais como imagem térmica, imagem LiDAR e câmeras visíveis RGB. Existem múltiplas especializações, por exemplo, uma solução de visão computacional baseada em aprendizagem profunda para detecção de veículos de construção foi empregada para fins como monitoramento de segurança, avaliação de produtividade e tomada de decisões gerenciais.as agências de aplicação da lei e os municípios estão aumentando a implantação de sistemas de monitoramento de estradas baseados em câmeras com o objetivo de reduzir o comportamento de condução inseguro. Há um uso crescente de técnicas de visão computacional para automatizar a detecção de violações, tais como excesso de velocidade, luzes vermelhas ou sinais de stop, condução errada, e fazer voltas ilegais.
análise do fluxo de tráfego
análise do fluxo de tráfego foi estudada extensivamente para sistemas de transporte inteligentes (STI) usando ambos os métodos invasivos (etiquetas, bobinas de pavimentação, etc.) e métodos não invasivos,como câmeras. Com o aumento da visão de computador e AI, a análise de vídeo pode agora ser aplicada às câmeras de tráfego onipresentes, que podem gerar um grande impacto em sua e inteligente cidade. O fluxo de tráfego pode ser observado usando meios de visão computacional e medir algumas das variáveis exigidas pelos engenheiros de tráfego.
A detecção da ocupação do estacionamento
a monitorização do espaço de estacionamento Visual é utilizada com o objectivo de detecção da ocupação do parque de estacionamento. Aplicações de visão computacional potência descentralizada e soluções eficientes para a detecção de ocupação visual do parque de estacionamento com base numa rede Neural convolucional profunda (CNN). Existem vários conjuntos de dados para detecção de estacionamento, tais como PKLot e CNRPark-EXT. Além disso, Sistemas de gerenciamento de estacionamento baseados em vídeo foram implementados usando imagens estereoscópicas (3D) ou câmeras térmicas.
reconhecimento automatizado de placas de licença
muitos Transportes modernos e sistemas de segurança pública dependem da capacidade de reconhecer e extrair informações de placas de licença de imagens fixas ou vídeos. O reconhecimento automatizado de placas de licença (ALPR) tem, em muitos aspectos, transformado as indústrias de segurança pública e de transporte, ajudando a permitir soluções modernas de Rodovias tolled, proporcionando uma tremenda economia de custos operacionais através da automação, e até mesmo permitindo capacidades completamente novas no mercado (por exemplo, unidades de leitura de placas de cruzador da polícia). OpenALPR é uma popular biblioteca de reconhecimento de placas de matrícula automática, baseada no reconhecimento de caracteres em imagens ou feeds de vídeo de placas de matrícula de veículos.
a reidentificação do veículo
com melhorias nos sistemas de reidentificação, transporte inteligente e vigilância pessoais visa replicar esta abordagem para os veículos que utilizam a reidentificação de veículos com base na visão. Os métodos convencionais para fornecer um ID único veículo são geralmente intrusivos (etiqueta no veículo, telefone celular ou GPS). Para configurações controladas, como em uma cabine de portagem, o reconhecimento automático da placa de matrícula (ALPR) é provavelmente a melhor tecnologia adequada para a identificação precisa de veículos individuais. No entanto, as placas de matrícula estão sujeitas a alteração e falsificação, e a ALPR não pode refletir especialidades salientes dos veículos, tais como marcas ou amolgadelas. Métodos não intrusivos, como o reconhecimento baseado em imagens, têm alto potencial e demanda, mas ainda estão longe de amadurecer para uso prático. A maioria das técnicas de reidentificação de veículos baseados na visão são baseadas na aparência do veículo, tais como cor, textura e forma. A partir de hoje, o reconhecimento de características distintivas sutis, como veículo marca ou modelo ano ainda é um desafio não resolvido.a detecção de peões é crucial para os sistemas de transporte inteligentes, vai da condução autónoma à vigilância da infra-estrutura, gestão do tráfego, segurança e eficiência do trânsito e aplicação da lei. A detecção de pedestres envolve muitos tipos de sensores, tais como câmeras CCTV ou IP tradicionais, dispositivos de imagem térmica, dispositivos de imagem infravermelha próxima e câmeras RGB a bordo. Algoritmos de detecção de pedestres podem ser baseados em assinaturas infravermelhas, recursos de forma, recursos gradientes, aprendizagem de máquinas ou recursos de movimento. A detecção de pedestres baseada em redes neurais de convolução profunda tem feito progressos significativos, mesmo com a detecção de pedestres fortemente obstruídos.
detecção de sinais de tráfego
aplicações de Visão Computacional são usadas para detecção e reconhecimento de sinais de tráfego. Técnicas de visão são aplicadas aos sinais de tráfego de segmentos de diferentes cenas de tráfego (usando segmentação de imagem) e empregam algoritmos de aprendizagem profunda para o reconhecimento e classificação de sinais de tráfego.
sistemas anticolisão
detecção de veículos e detecção de faixas fazem parte integrante da maioria dos sistemas avançados de assistência ao condutor (ADAS). Redes neurais profundas têm sido usadas recentemente para investigar o aprendizado profundo e o uso dele para sistemas autônomos anticolisão.
monitorização do Estado da estrada
aplicações para detecção de defeitos baseados na visão computacional e avaliação do estado são desenvolvidas para monitorizar infra-estruturas civis de betão e asfalto. A avaliação do Estado do pavimento fornece informações para tomar decisões mais eficazes em termos de custos e consistentes relativamente à gestão da rede de pavimento. Em geral, as inspecções de socorro no pavimento são realizadas utilizando veículos sofisticados de recolha de dados e/ou levantamentos a pé no solo. Uma abordagem de aprendizado de máquina profunda para desenvolver um índice de Estado do asfalto foi desenvolvido para fornecer uma forma independente, barata, eficiente e segura de detecção de perigo de pavimentos automatizados através de Visão Computacional. Outra aplicação é uma aplicação de visão computacional para detectar buracos de estrada para alocar a manutenção da estrada e reduzir o número de acidentes de veículos relacionados.avaliação do Estado da infra-estrutura para garantir a segurança e a capacidade de serviço da infra-estrutura civil é essencial inspeccionar visualmente e avaliar o seu estado físico e funcional. Os sistemas de inspecção e monitorização da infra-estrutura civil baseados na visão computorizada são utilizados para converter automaticamente os dados de imagem e de vídeo em informações passíveis de Acção. Aplicações de inspeção de visão computacional são usadas para identificar componentes estruturais, caracterizar danos visíveis locais e globais, e detectar mudanças a partir de uma imagem de referência. Essas aplicações de monitorização incluem a medição estática da tensão e do deslocamento e a medição dinâmica do deslocamento para análise modal.
atenção do condutor detecção
condução distraída-tais como sonhar acordado, uso de telemóvel e olhar para algo fora do carro – é responsável por uma grande proporção de mortes no tráfego rodoviário em todo o mundo. A inteligência Artificial é usada para entender comportamentos de condução, encontrar soluções para mitigar incidentes de tráfego rodoviário. As tecnologias de vigilância rodoviária são utilizadas para observar as violações do habitáculo, por exemplo na detecção de cintos de segurança com base na aprendizagem profunda na vigilância rodoviária. As tecnologias de monitorização do condutor no veículo centram-se na detecção visual, análise e feedback. O comportamento do motorista pode ser inferido tanto diretamente a partir de câmeras voltadas para o motorista e indiretamente a partir de câmeras ou sensores voltados para a cena externa. Técnicas baseadas em análise de vídeo voltadas para o motorista detectam a face e os olhos com algoritmos para a direção do olhar, estimativa de pose da cabeça e monitoramento da expressão facial. Algoritmos de aprendizagem profunda e de máquina que foram dados milhares de peças de dados de caras atenciosas vs. desatentivas podem detectar diferenças entre os olhos que estão focados e desfocados, bem como sinais de condução sob a influência. Existem várias aplicações baseadas na visão para a classificação da postura do condutor distraído em tempo real com vários métodos de aprendizagem profunda (RNN e CNN) utilizados na detecção de distracção do condutor.
de Visão de Computador no Varejo e Fabricação
controle de Cliente
Estrategicamente colocado contando dispositivos ao longo de uma loja de varejo pode coletar dados através de máquina de processos de aprendizagem sobre onde os clientes passam o seu tempo, e por quanto tempo. A análise de clientes pode melhorar a compreensão das lojas de varejo da interação com o consumidor e melhorar a otimização do layout da loja.
pessoas contando
algoritmos de Visão Computacional são treinados com exemplos de dados para detectar humanos e contá-los como eles são detectados. Essas pessoas contam tecnologia é útil para as lojas para coletar dados sobre o sucesso de suas lojas e também pode ser aplicado em situações relativas ao COVID-19, onde um número limitado de pessoas são permitidas em uma loja ao mesmo tempo.
Detecção De roubo
Varejistas podem detectar comportamentos suspeitos, tais como vadiar ou acessar áreas que estão fora dos limites usando algoritmos de Visão Computacional que estão analisando autonomamente a cena.
análise do tempo de espera
para evitar clientes impacientes e linhas de espera intermináveis, os varejistas estão implementando tecnologia de detecção de filas. A detecção de fila usa câmeras para rastrear e contar o número de compradores em uma linha. Uma vez atingido um limiar de clientes, o sistema soa um alerta para os funcionários para abrir novos check-out.
distância Social
para garantir que as precauções de segurança estão sendo seguidas, as empresas estão usando detectores de distância. Uma câmera rastreia o movimento dos funcionários ou clientes e usa sensores de profundidade para avaliar a distância entre eles. Dependendo de sua posição, o sistema Desenha um círculo vermelho ou verde em torno da pessoa.Análise de produtividade análise de produtividade
análise de produtividade rastreia o impacto da mudança no local de trabalho, como os funcionários gastam seu tempo e recursos e implementam várias ferramentas. Tais dados podem fornecer informações valiosas sobre a gestão do tempo, a colaboração no local de trabalho e a produtividade dos funcionários.os sistemas de gestão da qualidade garantem que uma organização cumpre os requisitos do cliente, abordando as suas políticas, procedimentos, instruções e processos internos para atingir uma taxa global de satisfação do consumidor.outro campo de aplicação de sistemas de visão é a otimização das operações da linha de montagem na produção industrial. A avaliação da Ação humana pode ajudar a construir modelos de ação padronizados relacionados a diferentes etapas de operação, bem como a avaliar o desempenho de trabalhadores treinados. Avaliar automaticamente a qualidade de ação dos trabalhadores pode ser benéfico melhorando o desempenho do trabalho, promovendo a eficiência produtiva (otimização magra), e, mais importante, descobrindo ações perigosas antes que os danos ocorram.o que se segue?
Deep and machine learning technology has been used to create computer vision applications in dozen of ways and for industries of all types.Explore 8 aplicações da visão computacional para o controle do coronavírus aprenda tudo sobre a estimativa Pose humana com a visão computacional.