Innehållsförteckning:

AI Aids Eyes (ett datorvisionssystem för att påminna operatörerna att bära skyddsglasögon): 4 steg
AI Aids Eyes (ett datorvisionssystem för att påminna operatörerna att bära skyddsglasögon): 4 steg

Video: AI Aids Eyes (ett datorvisionssystem för att påminna operatörerna att bära skyddsglasögon): 4 steg

Video: AI Aids Eyes (ett datorvisionssystem för att påminna operatörerna att bära skyddsglasögon): 4 steg
Video: ЛЮБОВЬ С ДОСТАВКОЙ НА ДОМ (2020). Романтическая комедия. Хит 2024, November
Anonim
Image
Image

Här är en demo av systemet. När systemet upptäcker att en borr tas upp, kommer den automatiskt att utfärda en varning om skyddsglasögon. För att representera förekomsten av skyddsglasögonvarningarna, är gränsen för RGB -bilden färgad röd i demovideon. När systemet upptäcker att ingen borr tas upp, kommer det inte att ge några säkerhetsglasvarningar. För att representera frånvaron av skyddsglasögonvarningarna, är gränsen för RGB -bilden färgad grön i demovideon. Som visas i demovideon upptäcker datorvisionssystemet framgångsrikt om operatören plockar upp en borr.

Steg 1: Hårdvara

Segmentering
Segmentering

Jag använder trä (från Home Depot) för att bilda en stödstruktur. Jag monterar sedan en Microsoft XBOX 360 Kinect Sensor (från Amazon) på stödstrukturen för att övervaka aktiviteten på marken.

Steg 2: Segmentering

Ett exempel som består av en RGB -bild, en djupbild och en bild av det extraherade objektet visas.

Det är utmanande för en datorsynalgoritm att avgöra om operatörens hand håller en borr bara från RGB -bilden. Men med djupinformationen är problemet lättare.

Min segmenteringsalgoritm ställer in färgen på en pixel på RGB -bilden till svart om dess motsvarande djup ligger utanför ett fördefinierat område. Detta gör att jag kan segmentera objektet som tas upp.

Steg 3: Klassificering

Jag samlar in data genom att filma mig själv med en borr/viftande händer separat. Jag använder sedan tekniken för överföringsinlärning för att ställa in ett VGG-neuralt nätverk som är förutbildat med ImageNet. Men resultatet är inte bra. Kanske är de extraherade bilderna inte lika de naturliga bilderna i ImageNet. Därför tränar jag ett konvolutionellt neutralt nätverk med hjälp av de extraherade bilderna från grunden. Resultatet är ganska bra. Klassificeringsnoggrannheten är ~ 95% på valideringsuppsättningen. Ett utdrag av modellen ges i.py -filen.

Steg 4: Ha kul och var säker

2000

Varje dag drabbas cirka 2 000 amerikanska arbetare av arbetsrelaterade ögonskador som kräver medicinsk behandling.

60%

Nästan 60% skadade arbetare hade inte ögonskydd vid olyckstillfället eller hade fel typ av ögonskydd för jobbet.

Ha kul och var säker

Säkerhet bör alltid komma först. Mitt hjärta sjunker när jag hör om olyckor med elverktyg. Jag hoppas att den här artikeln kan öka medvetenheten om att artificiell intelligens kan erbjuda oss en extra skyddsnivå.

Ha kul att göra saker och var säker!

Rekommenderad: