Innholdsfortegnelse:

AI Aids Eyes (Et datasyn for å minne operatører om å bruke vernebriller): 4 trinn
AI Aids Eyes (Et datasyn for å minne operatører om å bruke vernebriller): 4 trinn

Video: AI Aids Eyes (Et datasyn for å minne operatører om å bruke vernebriller): 4 trinn

Video: AI Aids Eyes (Et datasyn for å minne operatører om å bruke vernebriller): 4 trinn
Video: Выставка САЛА! Уникальное САЛО! Привоз без людей!! Что продают в мороз? Одесса 2024, November
Anonim
Image
Image

Her er en demo av systemet. Når systemet oppdager at en drill blir hentet, vil det automatisk utstede en advarsel om vernebriller. For å representere tilstedeværelsen av advarslene om vernebriller, er grensen til RGB -bildet farget rødt i demovideoen. Når systemet oppdager at ingen drill blir plukket opp, vil det ikke utstede noen advarsler om vernebriller. For å representere fraværet av advarslene om vernebriller, er grensen til RGB -bildet farget grønt i demovideoen. Som vist i demovideoen, oppdager datasynssystemet om operatøren plukker opp en drill.

Trinn 1: Maskinvare

Segmentering
Segmentering

Jeg bruker tre (fra Home Depot) for å danne en støttestruktur. Deretter monterer jeg en Microsoft XBOX 360 Kinect Sensor (fra Amazon) på støttestrukturen for å overvåke aktiviteten på bakken.

Trinn 2: Segmentering

Et eksempel som består av et RGB -bilde, et dybdebilde og et bilde av det ekstraherte objektet vises.

Det er utfordrende for en datasynsalgoritme å avgjøre om operatørens hånd holder en drill fra RGB -bildet alene. Men med dybdeinformasjonen er problemet lettere.

Min segmenteringsalgoritme setter fargen på en piksel på RGB -bildet til svart hvis dens tilsvarende dybde er utenfor et forhåndsdefinert område. Dette gjør at jeg kan segmentere objektet som hentes.

Trinn 3: Klassifisering

Jeg samler inn data ved å filme meg selv og holde en drill/vinkehender separat. Jeg bruker deretter teknikken for overføringslæring til å stille inn et VGG nevrale nettverk som er forhåndstrent med ImageNet. Men resultatet er ikke bra. Kanskje de ekstraherte bildene ikke ligner de naturlige bildene i ImageNet. Derfor trener jeg et konvolusjonelt nøytralt nettverk ved å bruke de ekstraherte bildene fra bunnen av. Resultatet er ganske bra. Klassifiseringsnøyaktigheten er ~ 95% på valideringssettet. En kodebit av modellen er gitt i.py -filen.

Trinn 4: Ha det gøy og vær trygg

2000

Hver dag får rundt 2000 amerikanske arbeidere jobbrelaterte øyeskader som krever medisinsk behandling.

60%

Nesten 60% skadde arbeidere hadde ikke vernebriller på ulykkestidspunktet eller hadde feil type øyevern for jobben.

Ha det gøy og vær trygg

Sikkerhet bør alltid komme først. Hjertet synker når jeg hører om ulykker med elektroverktøy. Jeg håper denne artikkelen kan øke bevisstheten om at kunstig intelligens kan tilby oss et ekstra beskyttelsesnivå.

Ha det gøy å lage ting og vær trygg!

Anbefalt: