datorsyn är en sektor av artificiell intelligens som använder maskin och djupt lärande för att låta datorer ”se” och analysera sin omgivning. Datorseende har en enorm inverkan på företag i alla branscher, från detaljhandel till jordbruk. Det är särskilt användbart för problem där vi skulle behöva ett mänskligt öga för att se situationen. På grund av den breda mängd problem som finns i dessa kriterier, tusentals tillämpningar av datorseende har inte upptäckts eller uttömd ännu.
den här artikeln kommer att vara en kumulativ lista över snabbväxande och progressiva datorsynsapplikationer som används av framstående branscher 2021.
Computer Vision in Sports
Player Pose Tracking
AI vision kan användas för att känna igen mönster mellan mänsklig kroppsrörelse och posera över flera ramar i videofilmer eller videoströmmar i realtid. Mänsklig pose uppskattning har tillämpats på verkliga videor av simmare där enstaka stationära kameror film över och under vattenytan. Dessa videoinspelningar kan användas för att kvantitativt bedöma idrottarnas prestanda utan att manuellt kommentera kroppsdelarna i varje videoram. Konvolutionella neurala nätverk används för att automatiskt härleda den nödvändiga poseinformationen och upptäcka simningsstilen hos en idrottsman.
Markerless Motion Capture
kameror kan användas för att spåra rörelsen hos det mänskliga skelettet utan att använda traditionella optiska markörer och specialiserade kameror. Detta är viktigt i sportfångst, där spelare inte kan belastas med ytterligare prestanda capture klädsel eller enheter.
objektiv prestationsbedömning för idrottare
automatisk detektering och igenkänning av sportspecifika rörelser övervinner begränsningarna i samband med manuella prestandaanalysmetoder. Dataingångar för datorseende kan användas i kombination med data från kroppsslitna sensorer och bärbara datorer. Populära användningsfall är simning analys, golfsving analys, over-ground kör analytics, alpin skidåkning, och upptäckt och utvärdering av cricket bowling.
Multi-Player Pose Tracking
med hjälp av datorvisionsalgoritmer kan ställningen och rörelsen för flera lagspelare beräknas från både monokulära (enkamera-bilder) och multi-view (bilder av flera kameror) sportvideodata. Den potentiella användningen av att uppskatta 2D-eller 3D-posen för spelare i sport är vidsträckt och inkluderar prestationsanalys, motion capture och nya applikationer i broadcast och immersive media.
Strokeigenkänning
Datorsynsapplikationer kan användas för att upptäcka och klassificera slag (till exempel för att klassificera slag i bordtennis). Erkännande eller klassificering av rörelser innebär ytterligare tolkningar och märkta förutsägelser av den identifierade instansen (till exempel differentiering av tennisslag som forehand eller backhand). Strokeigenkänning syftar till att tillhandahålla verktyg för lärare, tränare och spelare för att analysera bordtennisspel och förbättra sportfärdigheterna mer effektivt.
nära Realtidscoaching
Computer Vision based sports analytics hjälp för att förbättra resurseffektiviteten och minska återkopplingstider för tidsbegränsande uppgifter. Tränare och idrottare som är involverade i tidskrävande notationsuppgifter, inklusive analys efter simning, kan dra nytta av snabb objektiv feedback före nästa lopp i evenemangsprogrammet.
analys av Idrottslagbeteenden
analytiker i professionell lagsport utför regelbundet analys för att få strategisk och taktisk insikt i spelar-och lagbeteende (identifiera svagheter, bedöma prestanda och förbättringspotentialer). Manuell videoanalys är dock vanligtvis en tidskrävande process, där analytikerna behöver memorera och kommentera scener. Datorvisionstekniker kan användas för att extrahera bandata från videomaterial och tillämpa rörelseanalystekniker för att härleda relevanta lagsportanalytiska åtgärder för region, lagbildning, händelse och spelaranalys (till exempel i fotbollslagssportanalys).
automatiserad Mediatäckning
AI vision-teknik kan använda videofilmer för att tolka sportspel och överföra dem till mediehusen utan att nödvändigtvis åka dit med fysiska kameror. Till exempel har baseball fått denna fördel de senaste åren med automatisering av spelnyheter.
Bollspårning
Bollbanedata är en av de mest grundläggande och användbara uppgifterna i utvärderingen av spelarnas prestanda och analys av spelstrategier. Därför är spårning av bollrörelse en tillämpning av djup och maskininlärning för att upptäcka och sedan spåra bollen i videoramar. Bollspårning är viktigt i sport med stora fält (t.ex. fotboll) för att hjälpa nyhetssändare och analytiker att tolka och analysera ett sportspel och taktik snabbare.
Mållinjeteknik
kamerabaserade system kan användas för att avgöra om ett mål har gjorts eller inte för att stödja domarnas beslutsfattande. Till skillnad från sensorer är den visionsbaserade metoden icke-invasiv och kräver inga ändringar av de typiska fotbollsenheterna. Sådana Mållinjeteknologisystem är baserade på höghastighetskameror vars bilder används för att triangulera bollens position. En bolldetekteringsalgoritm som analyserar kandidatbollregioner för att känna igen bollmönstret.
händelsedetektering i sport
Deep Learning kan användas för att upptäcka komplexa händelser från ostrukturerade videor, som att göra mål i en fotbollsmatch, nära missar eller andra spännande delar av ett spel som inte resulterar i en poäng. Denna teknik kan användas för realtidshändelsedetektering i sportsändningar, som är tillämplig på ett brett spektrum av fältsporter.
Självutbildningsåterkoppling
Datorvisionsbaserade självutbildningssystem för sportövning är ett nyligen framväxande forskningsämne. Medan självträning är viktigt i sportövning, kan en utövare utvecklas i begränsad utsträckning utan instruktion av en tränare. Till exempel syftar en yoga-självutbildningsapplikation till att instruera utövaren att utföra yogaställningar korrekt, hjälpa till att rätta till dåliga ställningar och förebygga skador. Ett självutbildningssystem ger instruktioner om hur man justerar kroppsställningen.
Automatisk Highlight Generation
att producera sporthöjdpunkter är arbetsintensivt arbete som kräver viss grad av specialisering, särskilt i sport med en komplex uppsättning regler som spelas under en längre tid (t.ex. Cricket). Ett applikationsexempel är automatisk Cricket highlight generation med hjälp av händelsestyrda och spänningsbaserade funktioner för att känna igen och klippa viktiga händelser i en cricketmatch. En annan applikation är automatisk curation av golfhöjdpunkter med multimodel-spänningsfunktioner med datorsyn.
Sports Activity Scoring
djupa inlärningsmetoder kan användas för sports Activity scoring för att bedöma actionkvaliteten hos idrottare (djupa funktioner för Sports Activity Scoring). Automatisk sportaktivitet scoring kan användas i Dykning, Konståkning, eller valv (ScoringNet är en 3D CNN nätverk ansökan om sportaktivitet scoring). Till exempel fungerar en dykningspoängsapplikation genom att bedöma kvalitetsresultatet för en dykningsprestanda för en idrottsman: det spelar roll om idrottarens fötter är tillsammans och tårna är spetsiga rakt under hela dykprocessen.
Computer Vision in Healthcare
Cancer Detection
maskininlärning ingår i medicinska industrier för ändamål som upptäckt av bröst-och hudcancer. Bilddetektering gör det möjligt för forskare att välja ut små skillnader mellan cancer-och icke-cancerbilder och diagnostisera data från magnetisk resonansavbildning (MRI) skanningar och inmatade foton som maligna eller godartade.
COVID-19-diagnos
datorsyn kan användas för koronaviruskontroll. Flera djupinlärningsdatormodeller finns för röntgenbaserad COVID-19-diagnos. Den mest populära för detektering av COVID-19-fall med digital chest x-ray radiography (CXR) – bilder heter COVID-Net och utvecklades av Darwin AI, Kanada.
Cellklassificering
maskininlärning i medicinska användningsfall användes för att klassificera T-lymfocyter mot koloncancerepitelceller med hög noggrannhet. ML förväntas avsevärt påskynda processen för sjukdomsidentifiering avseende koloncancer effektivt och till liten eller ingen kostnad efter skapandet.
rörelseanalys
neurologiska och muskuloskeletala sjukdomar som mötande stroke, balans och gångproblem kan upptäckas med hjälp av djupinlärningsmodeller och datorsyn även utan läkaranalys. Pose Estimation datorsynsapplikationer som analyserar patientens rörelse hjälper läkare att diagnostisera en patient med lätthet och ökad noggrannhet.
Maskdetektering
maskerad ansiktsigenkänning används för att upptäcka användning av masker och skyddsutrustning för att begränsa spridningen av coronavirus. Datorvisionssystem hjälper länder att implementera masker som en kontrollstrategi för att begränsa spridningen av koronavirussjukdom. Privata företag som Uber har skapat datorsynfunktioner som ska implementeras i sina mobilappar för att upptäcka om passagerare bär masker eller inte. Program som detta gör kollektivtrafiken säkrare under koronaviruspandemin.
Tumördetektering
hjärntumörer kan ses i MR-skanningar och detekteras ofta med djupa neurala nätverk. Tumördetekteringsprogramvara som använder djupt lärande är avgörande för den medicinska industrin eftersom den kan upptäcka tumörer med hög noggrannhet för att hjälpa läkare att göra sina diagnoser. Nya metoder utvecklas ständigt för att öka noggrannheten i dessa diagnoser.
Sjukdomsprogressionspoäng
datorsyn kan användas för att identifiera patienter som är kritiskt sjuka för direkt läkarvård (kritisk patientundersökning). Människor smittade med COVID-19 har visat sig ha snabbare andning. Djupinlärning med djupkameror kan användas för att identifiera onormala andningsmönster för att utföra en exakt och diskret men ändå storskalig screening av personer som är smittade med COVID-19-viruset.
sjukvård och rehabilitering
sjukgymnastik är viktig för återhämtningsutbildning av strokeöverlevande och idrottsskadapatienter. Eftersom övervakning av en professionell som tillhandahålls av ett sjukhus eller en medicinsk byrå är dyr, är hemträning med en visionbaserad rehabiliteringsapplikation att föredra eftersom det gör det möjligt för människor att träna rörelseutbildning privat och ekonomiskt. Vid datorstödd terapi eller rehabilitering kan utvärdering av mänsklig handling tillämpas för att hjälpa patienter att träna hemma, vägleda dem att utföra åtgärder ordentligt och förhindra dem från ytterligare skador.
Medicinsk färdighetsträning
Datorsynsapplikationer används för att bedöma kompetensnivån hos expertinlärare på självlärande plattformar. Till exempel har simuleringsbaserade kirurgiska träningsplattformar utvecklats för kirurgisk utbildning. Tekniken för åtgärdskvalitetsbedömning gör det möjligt att utveckla beräkningsmetoder som automatiskt utvärderar de kirurgiska elevernas prestanda. Följaktligen kan meningsfull återkopplingsinformation ges till individer och vägleda dem för att förbättra sina kompetensnivåer.
datorsyn i jordbruket
Grödövervakning
utbytet och kvaliteten på viktiga grödor som ris och vete bestämmer stabiliteten i livsmedelssäkerheten. Traditionellt är övervakningen av växttillväxt huvudsakligen beroende av subjektiv mänsklig bedömning och är inte aktuell eller korrekt. Datorsynsapplikationer gör det möjligt att kontinuerligt och icke-destruktivt övervaka växttillväxt och svaret på näringsbehov. Jämfört med manuell drift kan realtidsövervakning av grödans tillväxt genom att tillämpa datorsynteknik upptäcka de subtila förändringarna i grödor på grund av undernäring mycket tidigare och kan ge en tillförlitlig och korrekt grund för snabb reglering. Datorsynsapplikationer kan användas för mätning av växttillväxtindikatorer eller för att bestämma tillväxtstadiet.
Blomningsdetektering
rubriken Datum för vete är en av de viktigaste parametrarna för vete grödor. Ett automatiskt datorsynsobservationssystem kan användas för att bestämma vetekursperioden. Datorsynsteknik har fördelarna med låg kostnad, litet fel, hög effektivitet och god robusthet och kan analyseras dynamiskt och kontinuerligt.
Plantageövervakning
I intelligent jordbruk kan bildbehandling med dronebilder användas för att övervaka palmoljeplantager på distans. Med geospatiala ortofoton är det möjligt att identifiera vilken del av plantagemarken som är bördig för planterade grödor. Det var också möjligt att identifiera områden som är mindre bördiga när det gäller tillväxt, och även en del av plantagefält som inte växer alls.
Insektsdetektering
snabb och exakt igenkänning och räkning av flygande insekter är av stor betydelse, särskilt för skadedjursbekämpning. Traditionell manuell identifiering och räkning av flygande insekter är ineffektiv och arbetsintensiv. Visionsbaserade system tillåter räkning och erkännande av flygande insekter (baserat på att du bara ser en gång (YOLO) objektdetektering och klassificering).
Växtsjukdomsdetektering
automatisk och exakt uppskattning av sjukdomens svårighetsgrad är avgörande för livsmedelssäkerhet, sjukdomshantering och förutsägelse av avkastningsförlust. Den djupa inlärningsmetoden undviker arbetsintensiv funktionsteknik och tröskelbaserad bildsegmentering. Automatisk bildbaserad uppskattning av växtsjukdomens svårighetsgrad med hjälp av CNN-applikationer (deep convolutional neural network) utvecklades, till exempel för att identifiera apple black rot.
Automatisk ogräs
ogräs anses vara skadliga växter i agronomi eftersom de konkurrerar med grödor för att få vatten, mineraler och andra näringsämnen i jorden. Sprutning av bekämpningsmedel endast på exakta platser för ogräs minskar risken för kontaminering av grödor, människor, djur och vattenresurser. Intelligent upptäckt och avlägsnande av ogräs är avgörande för utvecklingen av jordbruket. Ett neuralt nätverksbaserat datorsynssystem kan användas för att identifiera potatisväxter och tre olika ogräs för specifik sprutning på plats.
Automatisk skörd
i traditionellt jordbruk är det beroende av mekaniska operationer, med manuell skörd som grundpelare, vilket resulterar i höga kostnader och låg effektivitet. Under de senaste åren, med kontinuerlig tillämpning av datorseende teknik, high-end intelligenta jordbruks Skördemaskiner, såsom skördemaskiner och plocka robotar baserade på datorseende teknik, har dykt upp i jordbruksproduktionen, som har varit ett nytt steg i den automatiska skörden av grödor. Huvudfokus för skördeverksamheten är att säkerställa produktkvaliteten under skörden för att maximera marknadsvärdet. Datorseende drivna applikationer inkluderar plocka gurkor automatiskt i ett växthus miljö eller automatisk identifiering av körsbär i en naturlig miljö.
Jordbruksproduktkvalitetstestning
kvaliteten på jordbruksprodukter är en av de viktiga faktorerna som påverkar marknadspriser och kundnöjdhet. Jämfört med manuella inspektioner ger datorseende ett sätt att utföra externa kvalitetskontroller och uppnå hög grad av flexibilitet och repeterbarhet till en relativt låg kostnad och med hög precision. System baserade på maskinsyn och datorsyn används för snabb testning av söt citronskada eller icke-destruktiv kvalitetsbedömning av potatis.
Bevattningshantering
markhantering baserad på att använda teknik för att förbättra markproduktiviteten genom odling, befruktning eller bevattning har en anmärkningsvärd inverkan på modern jordbruksproduktion. Genom att få användbar information om tillväxten av trädgårdsgrödor genom bilder kan markvattenbalansen beräknas exakt för att uppnå exakt bevattningsplanering. Datorseende applikationer ger värdefull information om bevattningshantering vattenbalansen. Ett visionsbaserat system kan bearbeta multispektrala bilder tagna av obemannade flygfordon (UAV) och få vegetationsindex (VI) för att ge beslutsstöd för bevattningshantering.
UAV jordbruksmark övervakning
realtids jordbruksmark information och en korrekt förståelse av denna information spelar en grundläggande roll i precision jordbruk. Under de senaste åren har UAV, som en snabbt framväxande teknik, möjliggjort förvärv av jordbruksinformation som har en hög upplösning, låg kostnad och snabba lösningar. UAV-plattformar utrustade med bildsensorer ger detaljerad information om jordbruksekonomi och grödförhållanden (till exempel kontinuerlig grödövervakning). UAV-fjärranalys har bidragit till en ökning av jordbruksproduktionen med en minskning av jordbrukskostnaderna.
Avkastningsbedömning
genom tillämpning av datorsynsteknik har funktionerna för markhantering, mognadsdetektering och avkastningsuppskattning för gårdar realiserats. Dessutom kan den befintliga tekniken tillämpas väl på metoder som spektralanalys och djupinlärning. De flesta av dessa metoder har fördelarna med hög precision, låg kostnad, bra bärbarhet, god integration och skalbarhet och kan ge tillförlitligt stöd för beslutsfattande. Ett exempel är uppskattningen av citrusgrödan genom fruktdetektering och räkning med hjälp av datorsyn. Utbytet från sockerrörsfält kan också förutsägas genom att bearbeta bilder erhållna med användning av UAV.
Djurövervakning
djur kan övervakas med hjälp av nya tekniker som har utbildats för att upptäcka typen av djur och dess åtgärder. Det finns mycket användning för djurövervakning i jordbruket, där boskap kan övervakas på distans för sjukdomsdetektering, förändringar i beteende eller födelse. Dessutom kan jordbruks-och djurlivsforskare se vilda djur säkert på avstånd.
Farm Automation
tekniker som skörd, sådd och ogräsrensning robotar, autonoma traktorer och drönare för att övervaka gårdsförhållanden och tillämpa gödselmedel kan maximera produktiviteten med brist på arbetskraft. Jordbruket kan också vara mer lönsamt när jordbrukets ekologiska fotavtryck minimeras.
datorseende i transport
Fordonsklassificering
dator vision applikationer för automatiserad fordonsklassificering har en lång historia. Tekniken för automatiserad fordonsklassificering har utvecklats under årtionden. Med snabbt växande prisvärda sensorer som CCTV‐kameror (closed-circuit television), light detection and ranging (LiDAR) och till och med värmebildningsenheter kan fordon detekteras, spåras och kategoriseras i flera banor samtidigt. Noggrannheten i fordonsklassificeringen kan förbättras genom att kombinera flera sensorer som termisk avbildning, Lidaravbildning och RGB-synliga kameror. Det finns flera specialiseringar, till exempel har en djupinlärningsbaserad datorvisionslösning för detektering av byggfordon använts för ändamål som säkerhetsövervakning, produktivitetsbedömning och beslutsfattande.
Moving Violations Detection
brottsbekämpande organ och kommuner ökar utplaceringen av kamerabaserade vägbanövervakningssystem med målet att minska osäkert körbeteende. Det finns en ökande användning av datorseende tekniker för att automatisera upptäckten av kränkningar som fortkörning, kör rött ljus eller stoppskyltar, felaktig körning, och göra olagliga svängar.
Trafikflödesanalys
analys av trafikflöde har studerats omfattande för intelligenta transportsystem (ITS) med hjälp av både invasiva metoder (taggar, trottoarspolar etc.) och icke-invasiva metoder som kameror. Med ökningen av datorsyn och AI kan videoanalys nu tillämpas på de allestädes närvarande trafikkamerorna, vilket kan generera stor inverkan i sin och smarta stad. Trafikflödet kan observeras med hjälp av datorsynmedel och mäta några av de variabler som krävs av trafikingenjörer.
Parkeringsbeläggningsdetektering
visuell övervakning av parkeringsplatser används med målet att upptäcka parkeringsplatser. Datorseende applikationer kraft decentraliserade och effektiva lösningar för visuell parkeringsplats beläggning upptäckt baserat på en djup faltning neuralt nätverk (CNN). Det finns flera datamängder för detektering av parkeringsplatser som PKLot och CNRPark-EXT. Dessutom har videobaserade parkeringshanteringssystem implementerats med stereoskopisk bildbehandling (3D) eller värmekameror.
automatiserad Registreringsskyltigenkänning
många moderna transporter och allmänna säkerhetssystem beror på förmågan att känna igen och extrahera registreringsskyltinformation från stillbilder eller videor. Automated license plate recognition (ALPR) har på många sätt förändrat den allmänna säkerhets‐och transportindustrin, vilket hjälper till att möjliggöra moderna vägtullar, vilket ger enorma operativa kostnadsbesparingar via automatisering och till och med möjliggör helt nya funktioner på marknaden (t.ex. poliskryssarmonterade registreringsskyltläsningsenheter). OpenALPR är ett populärt automatiskt nummerplåtsigenkänningsbibliotek, baserat på teckenigenkänning på bilder eller videoflöden av fordonsregistreringsskyltar.
fordonsidentifiering
med förbättringar i personsidentifiering syftar smarta transport-och övervakningssystem till att replikera detta tillvägagångssätt för fordon som använder visionsbaserad fordonsidentifiering. Konventionella metoder för att tillhandahålla ett unikt fordons-ID är vanligtvis påträngande (in-vehicle tag, mobiltelefon eller GPS). För kontrollerade inställningar som vid en vägtullsbås är automatisk registreringsskyltigenkänning (ALPR) förmodligen den bästa lämpliga tekniken för korrekt identifiering av enskilda fordon. Registreringsskyltar kan dock ändras och förfalskas, och ALPR kan inte återspegla framträdande specialiteter hos fordon som märken eller bucklor. Icke-påträngande metoder som bildbaserat erkännande har hög potential och efterfrågan men är fortfarande långt ifrån mogna för praktisk användning. De flesta befintliga visionsbaserade fordonsidentifieringstekniker baseras på fordonets utseende som färg, struktur och form. Från och med idag är erkännandet av subtila särdrag som fordonsmärke eller årsmodell fortfarande en olöst utmaning.
Pedestrian Detection
detektering av fotgängare är avgörande för intelligenta transportsystem, det sträcker sig från autonom körning till infrastrukturövervakning, trafikledning, transiteringssäkerhet och effektivitet och brottsbekämpning. Fotgängardetektering involverar många typer av sensorer, såsom traditionella CCTV‐eller IP-kameror, värmebildningsenheter, nära infraröda bildenheter och ombord RGB-kameror. Fotgängardetekteringsalgoritmer kan baseras på infraröda signaturer, formfunktioner, lutningsfunktioner, maskininlärning eller rörelsefunktioner. Pedestrian detection förlitar sig på djupa faltning neurala nätverk har gjort betydande framsteg, även med detektering av kraftigt tilltäppta fotgängare.
Trafikskyltdetektering
Datorsynsapplikationer används för detektering och igenkänning av trafikskyltar. Visionstekniker används för att segmentera trafikskyltar från olika trafikscener (med bildsegmentering) och använder djupa inlärningsalgoritmer för erkännande och klassificering av trafikskyltar.
kollisionsundvikande system
fordonsdetektering och körfältsdetektering utgör en integrerad del av de flesta avancerade förarassistanssystem (ADAS). Djupa neurala nätverk har nyligen använts för att undersöka djupt lärande och användningen av det för autonoma kollisionsundvikande system.
Vägtillståndsövervakning
applikationer för datorvisionsbaserad defektdetektering och tillståndsbedömning är utvecklade för att övervaka betong och asfalt civil infrastruktur. Pavement condition assessment ger information för att göra mer kostnadseffektiva och konsekventa beslut om hanteringen av pavement network. I allmänhet utförs inspektioner av trottoarbesvär med hjälp av sofistikerade datainsamlingsfordon och/eller fot-på-markundersökningar. En djup Maskininlärningsmetod för att utveckla ett asfaltbeläggningsförhållande index utvecklades för att ge ett mänskligt oberoende, billigt, effektivt och säkert sätt att automatisera pavement distress detection via datorsyn. En annan applikation är en datorsynsapplikation för att upptäcka väggropar för att fördela vägunderhåll och minska antalet relaterade fordonsolyckor.
Infrastructure Condition Assessment
för att säkerställa säkerheten och användbarheten av den civila infrastrukturen är det viktigt att visuellt inspektera och bedöma dess fysiska och funktionella tillstånd. System för Datorvisionsbaserad inspektion och övervakning av civil infrastruktur används för att automatiskt konvertera bild-och videodata till handlingsbar information. Datorsyninspektionsapplikationer används för att identifiera strukturella komponenter, karakterisera lokala och globala synliga skador och upptäcka förändringar från en referensbild. Sådana övervakningstillämpningar innefattar statisk mätning av stam och förskjutning och dynamisk mätning av förskjutning för modal analys.
detektering av förarens uppmärksamhet
distraherad körning-som dagdrömmer, mobiltelefonanvändning och tittar på något utanför bilen – står för en stor del av dödsolyckorna i vägtrafiken över hela världen. Artificiell intelligens används för att förstå körbeteenden, hitta lösningar för att mildra vägtrafikincidenter. Vägövervakningsteknik används för att observera överträdelser av passagerarutrymmen, till exempel vid djupinlärningsbaserad säkerhetsbältesupptäckt vid vägövervakning. Fordonsövervakningsteknik för förare fokuserar på visuell avkänning, analys och feedback. Förarens beteende kan härledas både direkt från inre förarvända kameror och indirekt från yttre scenvända kameror eller sensorer. Tekniker baserade på videoanalys med förarläge upptäcker ansiktet och ögonen med algoritmer för blickriktning, uppskattning av huvudställning och övervakning av ansiktsuttryck. Djupa och maskininlärningsalgoritmer som har fått tusentals data om uppmärksamma vs. ouppmärksamma ansikten kan upptäcka skillnader mellan ögon som är fokuserade och ofokuserade, liksom tecken på körning under påverkan. Det finns flera visionsbaserade applikationer för realtidsdistraherad förarställning klassificering med flera djupa inlärningsmetoder (RNN och CNN) som används vid detektering av förarens distraktion.
datorsyn i detaljhandel och tillverkning
kundspårning
strategiskt placerade räkningsenheter i en butik kan samla in data genom maskininlärningsprocesser om var kunderna spenderar sin tid och hur länge. Kundanalys kan förbättra butikens förståelse för konsumentinteraktion och förbättra optimering av butikslayout.
människor som räknar
datorsynalgoritmer tränas med dataexempel för att upptäcka människor och räkna dem när de detekteras. Sådan folkräkningsteknik är användbar för butiker för att samla in data om deras butikers framgång och kan också tillämpas i situationer angående COVID-19 där ett begränsat antal personer tillåts i en butik samtidigt.
Stölddetektering
återförsäljare kan upptäcka misstänkt beteende som loitering eller åtkomst till områden som är begränsade med hjälp av datorsynalgoritmer som autonomt analyserar scenen.
Väntetidsanalys
för att förhindra otåliga kunder och oändliga väntelinjer implementerar återförsäljare ködetekteringsteknik. Ködetektering använder kameror för att spåra och räkna antalet shoppare i en rad. När en tröskel för kunder har uppnåtts, låter systemet en varning för kontorister att öppna nya kassor.
Socialt avstånd
för att säkerställa att säkerhetsåtgärder följs använder företag avståndsdetektorer. En kamera spårar anställdas eller kundens rörelse och använder djupsensorer för att bedöma avståndet mellan dem. Beroende på deras position drar systemet en röd eller grön cirkel runt personen.
Produktivitetsanalys
Produktivitetsanalys spåra effekterna av arbetsplatsförändringar, hur anställda spenderar sin tid och resurser och implementerar olika verktyg. Sådan data kan ge värdefull inblick i tidshantering, arbetsplatssamarbete och anställdas produktivitet.
kvalitetshantering
kvalitetsledningssystem säkerställer att en organisation når kundens krav genom att ta itu med sina policyer, procedurer, instruktioner, interna processer för att nå en övergripande konsumentnöjdhetsgrad.
färdighetsträning
ett annat användningsområde för synsystem är optimering av monteringslinjeoperationer i industriell produktion. Utvärderingen av mänsklig handling kan hjälpa till att konstruera standardiserade handlingsmodeller relaterade till olika operationssteg, samt att utvärdera utbildade arbetares prestanda. Att automatiskt bedöma arbetstagarnas åtgärdskvalitet kan vara fördelaktigt genom att förbättra arbetsprestanda, främja produktiv effektivitet (LEAN optimering) och, ännu viktigare, upptäcka farliga åtgärder innan skador uppstår.
Vad är nästa?
djup-och maskininlärningsteknik har använts för att skapa datorsynsapplikationer på dussintals sätt och för industrier av alla slag.
- utforska 8 applikationer av datorsyn för koronaviruskontroll
- lär dig allt om mänsklig Poseuppskattning med datorsyn.
- se vår fullständiga översikt över objektdetektering 2021.
- Läs fallstudien om en Datorsynsapplikation för djurövervakning.