AI Aids Eyes (A System Vision System για να υπενθυμίσει στους χειριστές να φορούν γυαλιά ασφαλείας): 4 βήματα

2024 Συγγραφέας: John Day | [email protected]. Τελευταία τροποποίηση: 2024-01-30 08:32

Εδώ είναι μια επίδειξη του συστήματος. Όταν το σύστημα εντοπίσει ότι ένα τρυπάνι έχει σηκωθεί, θα εκδώσει αυτόματα μια προειδοποίηση με γυαλιά ασφαλείας. Για να αναπαριστά την παρουσία των προειδοποιήσεων για τα γυαλιά ασφαλείας, το περίγραμμα της εικόνας RGB χρωματίζεται κόκκινο στο βίντεο επίδειξης. Όταν το σύστημα εντοπίσει ότι δεν έχει τρυπάνι, δεν θα εκδίδει προειδοποιήσεις για γυαλιά ασφαλείας. Για να αντιπροσωπεύσει την απουσία των προειδοποιήσεων για τα γυαλιά ασφαλείας, το περίγραμμα της εικόνας RGB χρωματίζεται πράσινο στο βίντεο επίδειξης. Όπως φαίνεται στο βίντεο επίδειξης, το σύστημα όρασης υπολογιστή εντοπίζει επιτυχώς αν ο χειριστής σηκώνει ένα τρυπάνι.

Βήμα 1: Υλικό

Χρησιμοποιώ ξύλο (από το Home Depot) για να σχηματίσω μια δομή στήριξης. Στη συνέχεια, τοποθετώ έναν Microsoft XBOX 360 Kinect Sensor (από το Amazon) στη δομή υποστήριξης για να παρακολουθώ τη δραστηριότητα στο έδαφος.

Βήμα 2: Τμηματοποίηση

Εμφανίζεται ένα παράδειγμα που αποτελείται από μια εικόνα RGB, μια εικόνα βάθους και μια εικόνα του εξαγόμενου αντικειμένου.

Είναι δύσκολο για έναν αλγόριθμο όρασης υπολογιστή να καθορίσει εάν το χέρι του χειριστή κρατά ένα τρυπάνι μόνο από την εικόνα RGB. Ωστόσο, με τις πληροφορίες βάθους, το πρόβλημα είναι ευκολότερο.

Ο αλγόριθμος κατάτμησης ορίζει το χρώμα ενός εικονοστοιχείου στην εικόνα RGB σε μαύρο αν το αντίστοιχο βάθος του είναι εκτός προκαθορισμένου εύρους. Αυτό μου επιτρέπει να τμηματοποιήσω το αντικείμενο που παραλαμβάνεται.

Βήμα 3: Ταξινόμηση

Συλλέγω δεδομένα βιντεοσκοπώντας τον εαυτό μου κρατώντας ένα τρυπάνι/κουνώντας τα χέρια ξεχωριστά. Στη συνέχεια, χρησιμοποιώ την τεχνική της εκμάθησης μεταφοράς για να συντονίσω ένα νευρωνικό δίκτυο VGG που έχει εκπαιδευτεί εκ των προτέρων χρησιμοποιώντας το ImageNet. Το αποτέλεσμα όμως δεν είναι καλό. Σως οι εξαγόμενες εικόνες δεν είναι παρόμοιες με τις φυσικές εικόνες στο ImageNet. Ως εκ τούτου, εκπαιδεύω ένα επαναστατικό ουδέτερο δίκτυο χρησιμοποιώντας τις εξαγόμενες εικόνες από την αρχή. Το αποτέλεσμα είναι αρκετά καλό. Η ακρίβεια του ταξινομητή είναι ~ 95% στο σύνολο επικύρωσης. Ένα απόσπασμα του μοντέλου δίνεται στο αρχείο.py.

Βήμα 4: Διασκεδάστε και μείνετε ασφαλείς

2000

Κάθε μέρα περίπου 2.000 εργαζόμενοι στις ΗΠΑ υποφέρουν από οφθαλμικές βλάβες που σχετίζονται με την εργασία και απαιτούν ιατρική περίθαλψη.

60%

Σχεδόν το 60% των τραυματισμένων εργαζομένων δεν φορούσαν προστασία ματιών τη στιγμή του ατυχήματος ή φορούσαν λάθος είδος προστασίας ματιών για τη δουλειά.

Διασκεδάστε και να είστε ασφαλείς

Η ασφάλεια πρέπει πάντα να είναι πρώτη. Η καρδιά μου βυθίζεται κάθε φορά που ακούω ατυχήματα με ηλεκτρικά εργαλεία. Ελπίζω ότι αυτό το άρθρο μπορεί να αυξήσει την επίγνωση ότι η τεχνητή νοημοσύνη μπορεί να μας προσφέρει ένα επιπλέον επίπεδο προστασίας.

Διασκεδάστε φτιάχνοντας πράγματα και μείνετε ασφαλείς!