CHYTRÉ SENZORY

Když z učení plyne ponaučení

Autor: SICK

Kompaktní kamerové senzory InspectorP

Firma Sick již delší dobu nabízí řadu výkonných 2D programovatelných kamerových senzorů InspectorP, které používají nástroje deep learningu, jednou z částí umělé inteligence. Jedná se o nástroje pro klasifikaci, která se v průmyslovém prostředí využívá pro rozpoznávání nebo identifikaci objektů, skupin objektů, jako jsou např. defekty. Další částí deep learningu je detekce anomálií neboli odchylek. Zatím co u třídění je neuronová síť trénována s obrázky pro každou třídu, zde se použijí pouze dobré snímky. Výsledkem je upozornění, když je během procesu detekována odchylka od normálu. Výpočet neuronových sítí probíhá pro složitější úlohy pomocí zabezpečené cloudové aplikace nebo při jednodušších zadáních přímo v kamerových senzorech.

Z hlediska hardwaru nabízí řada InspectorP široké pole působnosti od miniaturní řady InspectorP61x s rozlišením 1,2Mpx a kompaktní řady InspectorP62x s elektricky nastavitelným ostřením, přes všestranně konfigurovatelné řady InspectorP63x, InspectorP64x a InspectorP65x s výměnnými objektivy, až po konfigurovatelnou řadu InspectorP85x s rozlišením až 12Mpx. Kamerové senzory tak pokrývají širokou škálu různých úrovní výkonu a dosahů, tak aby vyhovovaly každé aplikaci.

SIM2x00 Nova jako výkonný nástroj průmyslového zpracování obrazu

Portfolio bylo v poslední době rozšířeno o výkonný systém s deep learningovou aplikací, jenž využívá výkonnou výpočetní jednotku řady SIM2xxx a streamovací kamery řad picoCam2 a midiCam2 s rozlišením až 12Mpx pro i velmi detailní řešení. Díky své malé konstrukci jsou kamery picoCam2 a midiCam2 vhodné pro použití i do značně omezených prostor. Sensor Integration Machine zkráceně SIM2x00 Nova je určen pro aplikace průmyslového zpracování obrazu, které vyžadují vysokou rychlost snímkování a vysoké rozlišení. Systém za pomoci sady nástrojů Intelligent inspection zajišťuje, že vyráběné produkty přesně odpovídají svým specifikacím, např. z hlediska vzhledu a rozměrů. Navíc již zmíněné nástroje technologie deep learning rozšiřují možnosti k řešení složitých úloh. Systém umožňuje i využití algoritmů k vývoji vlastních nástrojů pro plnění dalších speciálních inspekčních úloh.

Lector 85x využívá segmentaci při čtení 1D a 2D kódů

Novinkou poslední doby je začlenění segmentace na bázi umělé inteligence v nových kamerových senzorech řady Lector85x pro efektivní zpracování obrazu v oblasti čtení kódů. Pro segmentaci Lector85x využívá umělou inteligenci ve formě neuronové sítě k vyhledávání čárových kódů (1D) a maticových kódů (2D) v celkovém snímku prostoru. Tato technologie pak umožní zpracování pouze těch oblastí v obraze, které mohou potenciálně obsahovat kód.

Segmentace se trénuje pomocí nástrojů založených na SICK deep learning. Model extrahuje prvky a segmentuje obraz a současně přiřazuje segmentům jejich třídy. Poté vygeneruje oblasti, které potenciálně obsahují kód, a dekóduje obsah kódu pomocí klasických dekódovacích algoritmů. Hlavní výhodou segmentace založené na umělé inteligenci je, že je velmi rychlá a vysoce citlivá. Dokáže tak velmi rychle a přesně lokalizovat kódy, a to i v obtížných podmínkách, jako je špatné osvětlení nebo zkreslené kódy.

COGNISTIC optimalizuje cestování ve veřejné dopravě

Dalším počinem v oblasti umělé inteligence je řešení společnosti Cognistic, která ve spolupráci s kamerovými senzory společnosti Sick řeší složité problémy ve veřejné dopravě. Cestující ve veřejné dopravě nejsou jen jednotlivci, kteří nastupují a vystupují, ale cestují se svými příručními zavazadly, batohy, kufry nebo dětskými kočárky. Mohou to být i děti se svými hračkami nebo cyklisté, kteří si zkracují cestu na začátek své cyklistické túry. Všichni tito lidé kladou velmi specifické požadavky na dopravní systém, například na prostor, který potřebují při přepravě nebo na čas, který potřebují k nástupu a výstupu.

Společnost Cognistic vyvinula software pro detekci, klasifikaci a počítání osob za pomoci umělé inteligence. Tento software využívá živý video přenos z 3D kamerového senzoru Visionary-T mini a v reálném čase poskytuje informace o počtu cestujících uvnitř autobusu nebo vlaku, stejně jako seznam předmětů, s kterými cestující nastupují či vystupují. Údaje o počtu lze přenášet do cloudu k následné podrobné analýze, to vše samozřejmě v souladu s předpisy o ochraně osobních údajů, jak je definuje právo EU. Analýza těchto údajů je do budoucna důležitá, protože je základním stavebním kamenem pro zlepšování plánování tras, využití kapacit a plánování údržby dopravních prostředků.

Umělá inteligence zajišťuje bezpečnost dopravy v silničním tunelu San Bernardino

Umělá inteligence také ve spolupráci se systémem firmy Sick napomáhá zvýšit bezpečnost a efektivitu silničních tunelů. Systémy Vehicle Hotspot Detection Systems (VHD) se používají k detekci nákladních vozidel a autobusů s přehřátými povrchy, tj. povrchy s rizikem vznícení, a to ještě před vjezdem do tunelu, na trajekt nebo do nakládacího terminálu. Systém kombinuje naměřená data z teplotních infračervených kamer a 2D LiDARů, ze kterých vytvoří 3D model, automaticky identifikuje jednotlivé oblasti vozidla, jako jsou kola, motor, výfuk nebo zavazadlový prostor a následně vyhodnotí překročení teploty rizikových částí. Následný alarm zakáže vjezd potencionálně rizikovému vozidlu do hlídané zóny. Tyto systémy byly v posledním desetiletí instalovány po celé Evropě, mimo jiné v tunelu Mont Blanc nebo v Gotthardském tunelu. I přes jejich vysokou efektivitu bylo nutné pro projekt tunelu San Bernardino zlepšit kvalitu a přesnost alarmů. Záchranná služba tunelu se totiž nachází pouze u jižního portálu. Pokud systém spustí poplach u severního vjezdu do tunelu, který je vzdálen asi sedm kilometrů, bude záchranářům nějakou dobu trvat, než se k nebezpečnému vozidlu dostanou. Falešné poplachy, např. vyvolané horkým tlumičem výfuku, vedou ke zbytečnému nasazení záchranné služby. Řešení lze nalézt v umělé inteligenci, přesněji pomocí deep learningu a výpočtem neuronové sítě, která je inspirována biologickými procesy a používá se převážně pro počítačové zpracování obrazových dat. Zvláštní výhodou této metody je její nízká chybovost.

Systém VHD byl čtyři měsíce testován a během této doby byly shromážděny snímky, analyzovány, ručně klasifikovány a následně použity k trénování algoritmů neuronové sítě. Kromě toho společnost SICK prošla s kapitánem hasičského záchranného sboru v San Bernardinu všechny poplachy v uplynulých měsících, aby mezi všemi hlášeními o poplachu odfiltrovala skutečné falešné poplachy.  Nová metoda výrazně zlepšila schopnost systému rozlišovat mezi jednotlivými oblastmi vozidla, jako jsou kola, motor nebo výfuk. V tunelu San Bernardino, kde byl nový algoritmus poprvé testován v reálném čase, se tak prokázala nižší míra falešných poplachů.
Aktuální verze algoritmu neuronové sítě však není konečná, protože výkon systému se bude nadále zlepšovat s novými obrazovými daty a trénovacími cykly. VHD systémy se tak nikdy nepřestanou učit.