viziunea computerizată este un sector al inteligenței artificiale care folosește mașina și învățarea profundă pentru a permite computerelor să „vadă” și să analizeze împrejurimile lor. Viziunea computerizată are un impact masiv asupra companiilor din toate industriile, de la comerțul cu amănuntul la agricultură. Este util mai ales pentru problemele în care am avea nevoie de ochiul unui om pentru a vedea situația. Din cauza cantității largi de probleme care există în aceste criterii, mii de aplicații de viziune pe calculator nu au fost descoperite sau epuizate încă.
Acest articol va fi o listă cumulativă de aplicații de viziune computerizată cu creștere rapidă și progresivă utilizate de industrii proeminente în 2021.
Computer Vision în sport
Player Pose Tracking
ai vision poate fi folosit pentru a recunoaște tiparele dintre mișcarea corpului uman și pentru a poza pe mai multe cadre în înregistrări video sau fluxuri video în timp real. Estimarea poziției umane a fost aplicată videoclipurilor din lumea reală ale înotătorilor, unde camerele staționare unice filmează deasupra și dedesubtul suprafeței apei. Aceste înregistrări video pot fi utilizate pentru a evalua cantitativ performanța sportivilor fără a adnota manual părțile corpului din fiecare cadru video. Rețelele neuronale convoluționale sunt utilizate pentru a deduce automat informațiile de poziție necesare și pentru a detecta stilul de înot al unui atlet.
Markerless Motion Capture
camerele pot fi utilizate pentru a urmări mișcarea scheletului uman fără a utiliza markeri optici tradiționali și camere specializate. Acest lucru este esențial în captura sportivă, unde jucătorii nu pot fi împovărați cu ținute sau dispozitive suplimentare de captare a performanței.
Evaluarea performanței atletului obiectiv
detectarea automată și recunoașterea mișcărilor specifice sportului depășesc limitările asociate metodelor manuale de analiză a performanței. Intrările de date Computer Vision pot fi utilizate în combinație cu datele senzorilor și purtătorilor purtați de corp. Cazurile de Utilizare populare sunt analiza înotului, analiza leagănului de golf, analizele de alergare la sol, schiul alpin și detectarea și evaluarea bowling-ului de cricket.
Multi-Player Pose Tracking
folosind algoritmi de viziune computerizată, poziția și mișcarea mai multor jucători de echipă pot fi calculate atât din seturi de date video sportive Monoculare (imagini cu o singură cameră), cât și din mai multe vizualizări (imagini cu mai multe camere). Utilizarea potențială a estimării poziției 2D sau 3D a jucătorilor în sport este largă și include analiza performanței, captarea mișcării și aplicații noi în mass-media difuzată și imersivă.
recunoaștere accident vascular cerebral
aplicațiile de viziune computerizată pot fi utilizate pentru a detecta și clasifica accidentele vasculare cerebrale (de exemplu, pentru a clasifica accidentele vasculare cerebrale în tenis de masă). Recunoașterea sau clasificarea mișcărilor implică interpretări suplimentare și predicții etichetate ale instanței identificate (de exemplu, diferențierea loviturilor de tenis ca forehand sau backhand). Stroke recognition își propune să ofere instrumente pentru profesori, antrenori și jucători pentru a analiza jocurile de tenis de masă și pentru a îmbunătăți abilitățile sportive mai eficient.
aproape de Coaching în timp Real
îmbunătățirea eficienței resurselor și reducerea timpilor de feedback pentru sarcinile de constrângere a timpului. Antrenorii și sportivii implicați în SARCINI notaționale care necesită mult timp, inclusiv analiza cursei post-înot, pot beneficia de feedback obiectiv rapid înainte de următoarea cursă din programul evenimentului.
analiza comportamentelor echipei sportive
analiștii din sportul de echipă profesionist efectuează în mod regulat analize pentru a obține informații strategice și tactice despre comportamentul jucătorului și al echipei (identificați punctele slabe, evaluați potențialul de performanță și îmbunătățire). Cu toate acestea, analiza video manuală este de obicei un proces consumator de timp, în care analiștii trebuie să memoreze și să adnoteze scene. Tehnicile de viziune computerizată pot fi utilizate pentru a extrage date de traiectorie din materialul video și pentru a aplica tehnici de analiză a mișcării pentru a obține măsuri analitice relevante pentru sportul de echipă pentru regiune, formarea echipei, eveniment și analiza jucătorilor (de exemplu în analiza sporturilor de echipă de fotbal).
acoperire Media automată
Tehnologia AI vision poate folosi înregistrări video pentru a interpreta jocurile sportive și a le transmite către casele media fără a merge neapărat acolo cu camere fizice. De exemplu, baseball-ul a câștigat acest avantaj în ultimii ani cu automatizarea acoperirii știrilor despre jocuri.
urmărirea mingii
datele traiectoriei mingii sunt una dintre cele mai fundamentale și utile informații în evaluarea performanței jucătorilor și analiza strategiilor de joc. Prin urmare, urmărirea mișcării mingii este o aplicație de învățare profundă și automată pentru a detecta și apoi urmări mingea în cadre video. Urmărirea mingii este importantă în sporturile cu terenuri mari (de exemplu, fotbal) pentru a ajuta reporterii și analiștii să interpreteze și să analizeze mai rapid un joc sportiv și tactici.
tehnologia liniei de țintă
sistemele bazate pe camere pot fi utilizate pentru a determina dacă un gol a fost marcat sau nu pentru a sprijini luarea deciziilor arbitrilor. Spre deosebire de senzori, metoda bazată pe viziune este neinvazivă și nu necesită modificări ale dispozitivelor tipice de fotbal. Astfel de sisteme tehnologice de linie de țintă se bazează pe camere de mare viteză ale căror imagini sunt folosite pentru a triangula poziția mingii. Un algoritm de detectare a mingii care analizează regiunile cu bile candidate pentru a recunoaște modelul mingii.
detectarea evenimentelor în sport
învățarea profundă poate fi utilizată pentru a detecta evenimente complexe din videoclipuri nestructurate, cum ar fi marcarea unui gol într-un meci de fotbal, aproape ratări sau alte părți interesante ale unui joc care nu au ca rezultat un scor. Această tehnologie poate fi utilizată pentru detectarea evenimentelor în timp real în emisiunile sportive, aplicabilă unei game largi de sporturi de teren.
Feedback de auto-formare
sisteme de auto-formare bazate pe viziune de calculator pentru exercitarea sport este un subiect de cercetare recent în curs de dezvoltare. În timp ce auto-formarea este esențială în exercițiile sportive, un practicant poate progresa într-o măsură limitată fără instruirea unui antrenor. De exemplu, o aplicație de auto-antrenament yoga își propune să instruiască practicantul să efectueze corect pozițiile de yoga, ajutând la rectificarea posturilor slabe și la prevenirea rănilor. Un sistem de auto-antrenament oferă instrucțiuni despre cum să ajustați postura corpului.
generarea automată de evidențiere
producerea de evidențieri sportive este o muncă intensivă a forței de muncă care necesită un anumit grad de specializare, în special în sport cu un set complex de reguli care se joacă mai mult timp (de ex. Cricket). Un exemplu de aplicație este generarea automată de evidențiere a Cricket-ului folosind funcții bazate pe evenimente și pe emoție pentru a recunoaște și a clipi evenimente importante într-un meci de cricket. O altă aplicație este curation automată a scoate în evidență golf folosind caracteristici emoție multimodel cu viziune de calculator.
punctajul activității sportive
metodele de învățare profundă pot fi utilizate pentru punctajul activității sportive pentru evaluarea calității acțiunii sportivilor (caracteristici profunde pentru punctajul activității sportive). Punctajul automat al activității sportive poate fi utilizat în scufundări, patinaj artistic sau boltire (ScoringNet este o aplicație de rețea CNN 3D pentru punctajul activității sportive). De exemplu, o aplicație de notare a scufundărilor funcționează prin evaluarea scorului de calitate al unei performanțe de scufundare a unui sportiv: contează dacă picioarele sportivului sunt împreună și degetele de la picioare sunt îndreptate drept pe tot parcursul procesului de scufundare.
Computer Vision in Healthcare
detectarea cancerului
învățarea automată este încorporată în industriile medicale în scopuri precum detectarea cancerului de sân și de piele. Detectarea imaginilor permite oamenilor de știință să aleagă mici diferențe între imaginile canceroase și cele necanceroase și să diagnosticheze datele din imagistica prin rezonanță magnetică (RMN) și fotografiile introduse ca fiind maligne sau benigne.
diagnosticul COVID-19
viziunea computerizată poate fi utilizată pentru controlul coronavirusului. Există mai multe modele de viziune computerizată de învățare profundă pentru diagnosticul COVID-19 bazat pe raze X. Cel mai popular pentru detectarea cazurilor COVID-19 cu imagini digitale cu radiografie toracică cu raze X (CXR) se numește COVID-Net și a fost dezvoltat de Darwin AI, Canada.
Clasificarea celulelor
învățarea automată în cazuri de uz medical a fost utilizată pentru a clasifica limfocitele T împotriva celulelor epiteliale ale cancerului de colon cu o precizie ridicată. ML este de așteptat să accelereze în mod semnificativ procesul de identificare a bolii în ceea ce privește cancerul de colon eficient și la puțin la nici un cost post-creare.
analiza mișcării
bolile neurologice și musculo-scheletice, cum ar fi accidentele vasculare cerebrale, echilibrul și problemele de mers pot fi detectate folosind modele de învățare profundă și viziune computerizată chiar și fără analiza medicului. Pose estimare Computer vision aplicații care analizează mișcarea pacientului ajuta medicii in diagnosticarea unui pacient cu ușurință și precizie sporită.
detectarea măștii
recunoașterea feței mascate este utilizată pentru a detecta utilizarea măștilor și a echipamentelor de protecție pentru a limita răspândirea coronavirusului. Sistemele de viziune computerizată ajută țările să implementeze măști ca strategie de control pentru a conține răspândirea bolii coronavirusului. Companii Private precum Uber au creat funcții de viziune pe computer pentru a fi implementate în aplicațiile lor mobile pentru a detecta dacă pasagerii poartă măști sau nu. Programe de acest gen fac transportul public mai sigur în timpul pandemiei coronavirusului.
detectarea tumorii
tumorile cerebrale pot fi observate în scanările RMN și sunt adesea detectate folosind rețele neuronale profunde. Software-ul de detectare a tumorilor care utilizează învățarea profundă este crucial pentru industria medicală, deoarece poate detecta tumorile cu o precizie ridicată pentru a ajuta medicii să-și facă diagnosticul. Noi metode sunt în mod constant dezvoltate pentru a spori acuratețea acestor diagnostice.
scorul progresiei bolii
viziunea computerizată poate fi utilizată pentru a identifica pacienții care sunt în stare critică pentru a direcționa asistența medicală (screeningul critic al pacientului). Se constată că persoanele infectate cu COVID-19 au o respirație mai rapidă. Învățarea profundă cu camerele de adâncime poate fi utilizată pentru a identifica tiparele respiratorii anormale pentru a efectua un screening precis și discret, dar la scară largă, a persoanelor infectate cu virusul COVID-19.
asistență medicală și reabilitare
terapia fizică este importantă pentru formarea de recuperare a supraviețuitorilor accidentului vascular cerebral și a pacienților cu leziuni sportive. Deoarece supravegherea de către un profesionist furnizat de un spital sau o agenție medicală este costisitoare, formarea la domiciliu cu o aplicație de reabilitare bazată pe viziune este preferată, deoarece permite oamenilor să practice formarea în mișcare în mod privat și economic. În terapia sau reabilitarea asistată de calculator, evaluarea acțiunii umane poate fi aplicată pentru a ajuta pacienții în formarea la domiciliu, pentru a-i îndruma să efectueze acțiuni în mod corespunzător și pentru a le preveni alte leziuni.
formarea abilităților medicale
aplicațiile de viziune computerizată sunt utilizate pentru evaluarea nivelului de calificare al cursanților experți pe platforme de auto-învățare. De exemplu, platformele de formare chirurgicală bazate pe simulare au fost dezvoltate pentru educația chirurgicală. Tehnica de evaluare a calității acțiunii face posibilă dezvoltarea unor abordări computaționale care evaluează automat performanța studenților chirurgicali. În consecință, informațiile de feedback semnificative pot fi furnizate persoanelor fizice și le pot îndruma pentru a-și îmbunătăți nivelul de calificare.
viziunea computerizată în agricultură
monitorizarea culturilor
randamentul și calitatea culturilor importante, cum ar fi orezul și grâul, determină stabilitatea securității alimentare. În mod tradițional, monitorizarea creșterii culturilor se bazează în principal pe judecata umană subiectivă și nu este oportună sau exactă. Aplicațiile de viziune computerizată permit monitorizarea continuă și nedistructivă a creșterii plantelor și răspunsul la cerințele nutritive. În comparație cu operațiunile manuale, monitorizarea în timp real a creșterii culturilor prin aplicarea tehnologiei computer vision poate detecta schimbările subtile ale culturilor din cauza malnutriției mult mai devreme și poate oferi o bază fiabilă și precisă pentru reglementarea în timp util. Aplicațiile de viziune computerizată pot fi utilizate pentru măsurarea indicatorilor de creștere a plantelor sau pentru a determina stadiul de creștere.
detectarea înfloririi
data rubricii grâului este unul dintre cei mai importanți parametri pentru culturile de grâu. Un sistem automat de observare a vederii computerizate poate fi utilizat pentru a determina perioada de rubrică a grâului. Tehnologia Computer vision are avantajele costurilor reduse, erorilor mici, eficienței ridicate și robusteții bune și poate fi analizată dinamic și continuu.
monitorizarea plantațiilor
în agricultura inteligentă, procesarea imaginilor cu imagini cu drone poate fi utilizată pentru a monitoriza plantațiile de ulei de palmier de la distanță. Cu ortofotografii geospațiale, este posibil să se identifice care parte a terenului de plantație este fertilă pentru culturile plantate. De asemenea, a fost posibil să se identifice zonele mai puțin fertile din punct de vedere al creșterii și, de asemenea, o parte a câmpului de plantație care nu crește deloc.
detectarea insectelor
recunoașterea rapidă și precisă și numărarea insectelor zburătoare sunt de o mare importanță, în special pentru controlul dăunătorilor. Identificarea manuală tradițională și numărarea insectelor zburătoare este ineficientă și necesită multă muncă. Sistemele bazate pe viziune permit numărarea și recunoașterea insectelor zburătoare (pe baza detectării și clasificării obiectelor You Only Look Once (YOLO)).
detectarea bolilor plantelor
estimarea automată și exactă a severității bolii este esențială pentru securitatea alimentară, gestionarea bolilor și predicția pierderilor de randament. Metoda de învățare profundă evită ingineria caracteristicilor intensivă a forței de muncă și segmentarea imaginii bazată pe prag. Estimarea automată a severității bolii plantelor bazată pe imagini utilizând aplicații de rețea neuronală convoluțională profundă (CNN) au fost dezvoltate, de exemplu pentru a identifica putregaiul negru al mărului.
plivirea automată
buruienile sunt considerate plante dăunătoare în agronomie, deoarece concurează cu culturile pentru a obține apa, mineralele și alți nutrienți din sol. Pulverizarea pesticidelor numai în locațiile exacte ale buruienilor reduce foarte mult riscul de contaminare a culturilor, a oamenilor, a animalelor și a resurselor de apă. Detectarea inteligentă și îndepărtarea buruienilor sunt esențiale pentru dezvoltarea agriculturii. Un sistem de viziune computerizată bazat pe rețele neuronale poate fi utilizat pentru a identifica plantele de cartofi și trei buruieni diferite pentru pulverizarea specifică la fața locului.
recoltarea automată
în agricultura tradițională, există o dependență de operațiunile mecanice, recoltarea manuală fiind pilonul principal, ceea ce duce la costuri ridicate și eficiență scăzută. În ultimii ani, odată cu aplicarea continuă a tehnologiei computer vision, mașinile inteligente de recoltare agricolă de ultimă generație, cum ar fi mașinile de recoltare și roboții de culegere bazate pe tehnologia computer vision, au apărut în producția agricolă, ceea ce a fost un nou pas în recoltarea automată a culturilor. Principalul obiectiv al operațiunilor de recoltare este de a asigura calitatea produsului în timpul recoltării pentru a maximiza valoarea de piață. Aplicațiile Computer Vision powered includ culegerea automată a castraveților într-un mediu cu efect de seră sau identificarea automată a cireșelor într-un mediu natural.
testarea calității produselor agricole
calitatea produselor agricole este unul dintre factorii importanți care afectează prețurile pieței și satisfacția clienților. Comparativ cu inspecțiile manuale, Computer Vision oferă o modalitate de a efectua verificări externe de calitate și de a obține grade ridicate de flexibilitate și repetabilitate la un cost relativ scăzut și cu o precizie ridicată. Sistemele bazate pe viziunea mașinii și viziunea computerului sunt utilizate pentru testarea rapidă a deteriorării lămâii dulci sau evaluarea nedistructivă a calității cartofilor.
Managementul irigațiilor
managementul solului bazat pe utilizarea tehnologiei pentru creșterea productivității solului prin cultivare, fertilizare sau irigare are un impact notabil asupra producției agricole moderne. Prin obținerea de informații utile despre creșterea culturilor horticole prin imagini, echilibrul apei din sol poate fi estimat cu exactitate pentru a realiza o planificare precisă a irigării. Aplicațiile de viziune computerizată oferă informații valoroase despre echilibrul apei de gestionare a irigațiilor. Un sistem bazat pe viziune poate procesa imagini multi-spectrale realizate de vehicule aeriene fără pilot (UAV) și obține indicele de vegetație (VI) pentru a oferi suport decizional pentru gestionarea irigațiilor.
monitorizarea terenurilor agricole UAV
informațiile în timp real despre terenurile agricole și o înțelegere exactă a acestor informații joacă un rol de bază în agricultura de precizie. În ultimii ani, UAV, ca tehnologie care avansează rapid, a permis achiziționarea de informații agricole care au o rezoluție ridicată, costuri reduse și soluții rapide. Platformele UAV echipate cu senzori de imagine oferă informații detaliate despre economia agricolă și condițiile de cultură (de exemplu, monitorizarea continuă a culturilor). Teledetecția UAV a contribuit la o creștere a producției agricole cu o scădere a costurilor agricole.
Evaluarea randamentului
prin aplicarea tehnologiei computer vision, au fost realizate funcțiile de gestionare a solului, detectarea maturității și estimarea randamentului pentru ferme. Mai mult, tehnologia existentă poate fi bine aplicată metodelor precum analiza spectrală și învățarea profundă. Majoritatea acestor metode au avantajele de înaltă precizie, costuri reduse, portabilitate bună, integrare bună și scalabilitate și pot oferi suport fiabil pentru luarea deciziilor de management. Un exemplu este estimarea randamentului culturilor de citrice prin detectarea și numărarea fructelor folosind viziunea computerizată. De asemenea, randamentul din câmpurile de trestie de zahăr poate fi prezis prin procesarea imaginilor obținute folosind UAV.
monitorizarea animalelor
animalele pot fi monitorizate folosind tehnici noi care au fost instruite pentru a detecta tipul de animal și acțiunile acestuia. Există multă utilizare pentru monitorizarea animalelor în agricultură, unde animalele pot fi monitorizate de la distanță pentru detectarea bolilor, modificări de comportament sau naștere. În plus, oamenii de știință din agricultură și faună sălbatică pot vedea animalele sălbatice în siguranță la distanță.
automatizarea fermei
tehnologiile precum roboții de recoltare, însămânțare și plivire, tractoarele autonome și dronele pentru monitorizarea condițiilor fermei și aplicarea îngrășămintelor pot maximiza productivitatea cu lipsa forței de muncă. Agricultura poate fi, de asemenea, mai profitabilă atunci când amprenta ecologică a agriculturii este redusă la minimum.
Computer Vision în transport
Clasificarea vehiculului
calculator aplicațiile Vision pentru clasificarea automată a vehiculelor au o istorie lungă. Tehnologiile pentru clasificarea automată a vehiculelor au evoluat de-a lungul deceniilor. Cu senzori accesibili în creștere rapidă, cum ar fi camerele de televiziune cu circuit închis (CCTV), detectarea și măsurarea luminii (LiDAR) și chiar dispozitive de imagistică termică, vehiculele pot fi detectate, urmărite și clasificate simultan pe mai multe benzi. Precizia clasificării vehiculului poate fi îmbunătățită prin combinarea mai multor senzori, cum ar fi imagistica termică, imagistica LiDAR și camerele vizibile RGB. Există mai multe specializări, de exemplu, o soluție de viziune computerizată bazată pe învățare profundă pentru detectarea vehiculelor de construcție a fost utilizată în scopuri precum monitorizarea siguranței, evaluarea productivității și luarea deciziilor manageriale.
detectarea încălcărilor în mișcare
agențiile de aplicare a legii și municipalitățile sporesc implementarea sistemelor de monitorizare a drumurilor bazate pe camere, cu scopul de a reduce comportamentul de conducere nesigur. Există o utilizare din ce în ce mai mare a tehnicilor de viziune pe computer pentru automatizarea detectării încălcărilor, cum ar fi viteza, rularea luminilor roșii sau a semnelor de oprire, conducerea în sens greșit și efectuarea de viraje ilegale.
analiza fluxului de trafic
analiza fluxului de trafic a fost studiată extensiv pentru sistemele inteligente de transport (ITS) folosind ambele metode invazive (etichete, bobine sub pavaj etc.) și metode neinvazive, cum ar fi camerele. Odată cu creșterea viziunii computerizate și a AI, analizele video pot fi aplicate acum camerelor de trafic omniprezente, care pot genera un impact vast în orașul său și în orașul inteligent. Fluxul de trafic poate fi observat folosind mijloace de viziune computerizată și măsoară unele dintre variabilele cerute de inginerii de trafic.
detectarea ocupării parcării
monitorizarea vizuală a spațiului de parcare este utilizată în scopul detectării ocupării parcării. Aplicațiile Computer vision oferă soluții descentralizate și eficiente pentru detectarea vizuală a ocupării parcării bazate pe o rețea neuronală convoluțională profundă (CNN). Există mai multe seturi de date pentru detectarea parcării, cum ar fi PKLot și CNRPark-EXT. Mai mult, sistemele de gestionare a parcărilor bazate pe video au fost implementate folosind imagini stereoscopice (3D) sau camere termice.
recunoașterea automată a plăcuțelor de înmatriculare
multe transportări moderne și sisteme de siguranță publică depind de capacitatea de a recunoaște și extrage informații despre plăcuțele de înmatriculare din imagini statice sau videoclipuri. Recunoașterea automată a plăcuțelor de înmatriculare (ALPR) a transformat în multe privințe industriile de siguranță publică și transport, ajutând la activarea soluțiilor moderne de drumuri cu taxă, oferind economii extraordinare de costuri operaționale prin automatizare și chiar permițând capabilități complet noi pe piață (de exemplu, unități de citire a plăcuțelor de înmatriculare montate pe crucișătorul poliției). OpenALPR este o populară bibliotecă automată de recunoaștere a plăcuțelor de înmatriculare, bazată pe recunoașterea caracterelor pe imagini sau fluxuri video ale plăcilor de înmatriculare a vehiculelor.
reidentificarea vehiculului
cu îmbunătățiri în reidentificarea persoanei, sistemele inteligente de transport și supraveghere urmăresc să reproducă această abordare pentru vehiculele care utilizează reidentificarea vehiculului bazată pe viziune. Metodele convenționale pentru a furniza un ID unic al vehiculului sunt de obicei intruzive (etichetă în vehicul, telefon celular sau GPS). Pentru setări controlate, cum ar fi la o cabină de taxare, recunoașterea automată a plăcuțelor de înmatriculare (ALPR) este probabil cea mai bună tehnologie potrivită pentru identificarea exactă a vehiculelor individuale. Cu toate acestea, plăcuțele de înmatriculare pot fi modificate și falsificate, iar ALPR nu poate reflecta specialitățile importante ale vehiculelor, cum ar fi mărcile sau loviturile. Metodele non-intruzive, cum ar fi recunoașterea bazată pe imagini, au un potențial și o cerere ridicate, dar sunt încă departe de a fi mature pentru utilizarea practică. Majoritatea tehnicilor existente de reidentificare a vehiculului bazate pe viziune se bazează pe aspectul vehiculului, cum ar fi culoarea, textura și forma. Începând de astăzi, recunoașterea caracteristicilor distinctive subtile, cum ar fi marca vehiculului sau modelul anului, este încă o provocare nerezolvată.
detectarea pietonilor
detectarea pietonilor este crucială pentru sistemele inteligente de transport, variază de la conducerea autonomă la supravegherea infrastructurii, gestionarea traficului, siguranța și eficiența tranzitului și aplicarea legii. Detectarea pietonilor implică multe tipuri de senzori, cum ar fi camerele tradiționale CCTV sau IP, dispozitivele de imagistică termică, dispozitivele de imagistică în infraroșu apropiat și camerele RGB de la bord. Algoritmii de detectare a pietonilor se pot baza pe semnături infraroșii, caracteristici de formă, caracteristici de gradient, învățare automată sau caracteristici de mișcare. Detectarea pietonilor bazându-se pe rețelele neuronale de convoluție profundă a făcut progrese semnificative, chiar și cu detectarea pietonilor puternic ocluși.
detectarea semnelor de circulație
aplicațiile Computer Vision sunt utilizate pentru detectarea și recunoașterea semnelor de circulație. Tehnicile de viziune sunt aplicate semnelor de trafic segmentate din diferite scene de trafic (folosind segmentarea imaginilor) și folosesc algoritmi de învățare profundă pentru recunoașterea și clasificarea semnelor de circulație.
sisteme de evitare a coliziunilor
detectarea vehiculului și detectarea benzii de circulație fac parte integrantă din cele mai avansate sisteme de asistență a șoferului (ADAS). Rețelele neuronale profunde au fost folosite recent pentru a investiga învățarea profundă și utilizarea acesteia pentru sisteme autonome de evitare a coliziunilor.
monitorizarea stării drumurilor
aplicațiile pentru detectarea defectelor pe bază de viziune computerizată și evaluarea stării sunt dezvoltate pentru a monitoriza infrastructura civilă din beton și asfalt. Evaluarea stării pavajului oferă informații pentru a lua decizii mai rentabile și mai consistente cu privire la gestionarea rețelei de trotuare. În general, inspecțiile de primejdie pe trotuar sunt efectuate folosind vehicule sofisticate de colectare a datelor și/sau sondaje pe jos. O abordare profundă de învățare automată pentru a dezvolta un indice de stare a pavajului asfaltic a fost dezvoltată pentru a oferi un mod independent de om, ieftin, eficient și sigur de detectare automată a primejdiei pavajului prin viziune computerizată. O altă aplicație este o aplicație de viziune computerizată pentru detectarea gropilor rutiere pentru alocarea întreținerii drumurilor și reducerea numărului de accidente de vehicule aferente.
evaluarea stării infrastructurii
pentru a asigura siguranța și funcționalitatea infrastructurii civile, este esențial să se inspecteze vizual și să se evalueze starea sa fizică și funcțională. Sistemele de inspecție și monitorizare a infrastructurii civile bazate pe viziune computerizată sunt utilizate pentru a converti automat datele de imagine și video în informații acționabile. Aplicațiile de inspecție a vederii computerizate sunt utilizate pentru a identifica componentele structurale, pentru a caracteriza daunele vizibile locale și globale și pentru a detecta modificările dintr-o imagine de referință. Astfel de aplicații de monitorizare includ măsurarea statică a tensiunii și deplasării și măsurarea dinamică a deplasării pentru analiza modală.
detectarea atenției șoferului
conducerea distrasă – cum ar fi visarea cu ochii deschiși, utilizarea telefonului mobil și privirea la ceva din afara mașinii – reprezintă o proporție mare de decese din traficul rutier la nivel mondial. Inteligența artificială este utilizată pentru a înțelege comportamentele de conducere, pentru a găsi soluții pentru atenuarea incidentelor de trafic rutier. Tehnologiile de supraveghere rutieră sunt utilizate pentru a observa încălcările habitaclului, de exemplu în detectarea centurilor de siguranță bazate pe învățare profundă în supravegherea rutieră. Tehnologiile de monitorizare a șoferilor din vehicul se concentrează pe detectarea vizuală, analiza și feedback-ul. Comportamentul șoferului poate fi dedus atât direct de la camerele orientate spre șofer, cât și indirect de la camerele sau senzorii orientați spre scenă. Tehnicile bazate pe analiza video orientată spre șofer detectează fața și ochii cu algoritmi pentru direcția privirii, estimarea poziției capului și monitorizarea expresiei faciale. Algoritmii de învățare profundă și automată cărora li s-au dat mii de date ale fețelor atente vs.neatente pot detecta diferențele dintre ochii concentrați și nefocalizați, precum și semne de conducere sub influență. Există mai multe aplicații bazate pe viziune pentru clasificarea posturii șoferului distras în timp real, cu mai multe metode de învățare profundă (RNN și CNN) utilizate în detectarea distragerii șoferului.
Computer Vision în Retail și producție
urmărirea clienților
dispozitivele de numărare plasate strategic într-un magazin de vânzare cu amănuntul pot aduna date prin procese de învățare automată despre locul în care clienții își petrec timpul și cât timp. Analiza clienților poate îmbunătăți înțelegerea de către magazinele cu amănuntul a interacțiunii consumatorilor și poate îmbunătăți optimizarea aspectului magazinului.
oamenii care numără
algoritmii de viziune computerizată sunt instruiți cu exemple de date pentru a detecta oamenii și a-i număra pe măsură ce sunt detectați. O astfel de tehnologie de numărare a Persoanelor este utilă pentru magazine pentru a colecta date despre succesul magazinelor lor și poate fi aplicată și în situații legate de COVID-19 în care un număr limitat de persoane sunt permise într-un magazin simultan.
detectarea furtului
comercianții cu amănuntul pot detecta comportamente suspecte, cum ar fi vagabondarea sau accesarea zonelor care sunt în afara limitelor, folosind algoritmi de viziune computerizată care analizează în mod autonom scena.
timp de așteptare Analytics
pentru a preveni clienții nerăbdători și linii de așteptare fără sfârșit, comercianții cu amănuntul sunt de punere în aplicare tehnologia de detectare coadă. Detectarea cozii utilizează camere pentru a urmări și număra numărul de cumpărători dintr-o linie. Odată ce un prag de clienți a fost atins, sistemul sună o alertă pentru Grefieri pentru a deschide noi checkout-uri.
distanța socială
pentru a se asigura că măsurile de siguranță sunt respectate, companiile folosesc detectoare de distanță. O cameră urmărește mișcarea angajaților sau a clienților și folosește senzori de adâncime pentru a evalua distanța dintre ei. În funcție de poziția lor, sistemul trasează un cerc roșu sau verde în jurul persoanei.
analiza productivității
analiza productivității urmărește impactul schimbărilor la locul de muncă, modul în care angajații își petrec timpul și resursele și implementează diverse instrumente. Astfel de date pot oferi o perspectivă valoroasă asupra gestionării timpului, colaborării la locul de muncă și productivității angajaților.
managementul calității
sistemele de management al calității asigură o organizație care îndeplinește cerințele clientului prin abordarea politicilor, procedurilor, instrucțiunilor, proceselor interne pentru a atinge o rată globală de satisfacție a consumatorilor.
Skill training
un alt domeniu de aplicare a sistemelor vizuale este optimizarea operațiunilor de linie de asamblare în producția industrială. Evaluarea acțiunii umane poate ajuta la construirea unor modele de acțiune standardizate legate de diferite etape de operare, precum și la evaluarea performanței lucrătorilor instruiți. Evaluarea automată a calității acțiunii lucrătorilor poate fi benefică prin îmbunătățirea performanței de lucru, promovarea eficienței productive (optimizarea slabă) și, mai important, descoperirea acțiunilor periculoase înainte de producerea daunelor.
ce urmează?
Tehnologia de învățare profundă și automată a fost utilizată pentru a crea aplicații de viziune computerizată în zeci de moduri și pentru industrii de toate tipurile.
- explorați 8 aplicații de viziune computerizată pentru controlul coronavirusului
- Aflați totul despre estimarea poziției umane cu viziunea computerizată.
- vizualizați prezentarea noastră completă a detectării obiectelor în 2021.
- citiți studiul de caz despre o aplicație de viziune computerizată pentru monitorizarea animalelor.