Co je to počítačové vidění?
Umělá inteligence umožňuje počítačům „myslet“ a počítačové vidění umožňuje počítačům „vidět a rozumět“. Systémy počítačového vidění shromažďují informace z vizuálních vstupů, jako jsou digitální obrázky a videa. Shromažďováním a zpracováváním těchto vizuálních dat pomocí algoritmů mohou tyto systémy vytvářet návrhy a následně i iniciovat provedení nějakých akcí. Od narození se každý vidící člověk učí jak rozlišovat objekty od sebe, odhadovat vzdálenost a rychlost objektů, rozpoznávat vizuální anomálie a interpretovat to, co vidíme. To je také základem počítačového vidění s umělou inteligencí.
Systémy počítačového vidění, konkrétně jejich algoritmy, musí být trénovány podobným způsobem a to pomocí vizuálních dat. Tréninkový proces je urychlen poskytováním velkého množství různých digitálních vstupů. Míra přesnosti počítačového vidění pro identifikaci a klasifikaci objektů se za méně než deset let zvýšila z cca 50 % až na 99 %.
Jak se učí systémy počítačového vidění?
Systémy počítačového vidění se učí sledováním obrovského množství vysoce kvalitních vizuálních dat. Tato data opakovaně analyzují, dokud nerozpoznají obrázky a nezjistí signifikantní rozdíly mezi obrázky. Jak se to dělá? Technologie tzv. hlubokého učení využívá univerzální algoritmy k autonomnímu získávání poznatků z vizuálních dat prostřednictvím využití umělých neuronových sítí a tak neustále vylepšuje své znalosti z dostupných informací. Tato tzv. konvoluční neuronová síť (CNN) postupně rozděluje obrázky na jednotlivé malinké části označené štítky a následně s použitím matematických operací provádí jejich vzájemné porovnání s již dříve zjištěnými oštítkovanými elementy a následně tak podle toho určuje obsah obrazu či v něm vyhledává různé požadované vzory.
Rychlý pokrok nejen ve vývoji algoritmů a počtu dostupných dat, ale zejména v možnostech hardwaru pro provoz takových naučených CNN a citlivosti kamer postupně odemyká další a další možné oblasti použití, jako je hloubkové vnímání, 3D rekonstrukce a nebo lepší interpretace tmavých a rozmazaných obrazů. Je jasné, že hluboké učení se již plně přesunulo z koncepční sféry do praktické aplikace, protože jej využívá mnoho aplikací počítačového vidění, od rozpoznávání obličeje po samořídící vozidla.
Jak může být počítačové vidění užitečné?
Dnešní systémy počítačového vidění jsou nasazovány různými způsoby. Nejznámější aplikací je klasifikace obrázků. Systém vidí obrázek a předpovídá, že patří do určité třídy (např. člověk, bezpečnostní brýle, vysokozdvižný vozík...). Další známou aplikací je detekce objektů, známá také jako strojové vidění. Systém nejen klasifikuje obrázek, ale také zaznamenává (tabulkuje) jeho vzhled. Jakmile je objekt detekován, lze jej sledovat. Sledování objektů se často provádí pomocí sekvenčních obrázků a video kanálů.
Dalším využitím systémů počítačového vidění je vyhledávání obrázků založené na obsahu, které pomáhá zvýšit přesnost, pokud jde o vyhledávání a získávání digitálních obrázků. Obrazová data počítačového vidění jsou podrobena různým procesům včetně zpracování obrazu (spojování, filtrování, počítání pixelů), segmentace obrazu (rozdělení na více segmentů pro zjednodušení nebo změnu zobrazení na něco, co je smysluplné a snadněji analyzovatelné), robotického snímání nebo výrobní kontroly a rozpoznávání vzorů (porovnání šablon na základě algoritmu k nalezení vzorů pomocí metod strojového učení).
Možnosti použití v logistice
Umělá inteligence již ovlivňuje i odvětví logistiky, od chatbotů po optimalizaci tras a predikci poptávky. A nyní se zdá, že počítačové vidění pravděpodobně odemkne mnoho dalších příležitostí díky technologickým pokrokům v hloubkovém vnímání, 3D snímání a lepší interpretaci tmavých a rozmazaných obrazů. Aplikace sahají od klasifikace obrázků a detekce objektů až po vyhledávání obrázků podle obsahu.
Jak tedy počítačové vidění ovlivňuje konkrétně odvětví logistiky? Počítačové vidění přináší revoluci v logistice v oblastech, jako je dimenzování, bezpečnost, optimalizace trasy a predikce poptávky. Například DHL experti na nové technologické trendy předpovídají, ve kterých oblastech v odvětví logistiky se již do pěti let stane běžným standardem.
Příklady reálných oblastí použití v logistice:
Prevence nehod: Sklady, depa a další vytížená logistická zařízení představují vysoké riziko pro zdraví a bezpečnost pracovníků. Algoritmy počítačového vidění a umělé inteligence mohou pomoci monitorovat a analyzovat pohyby lidí a vozidel, včetně autonomních robotických zařízení, vysokozdvižných vozíků a nákladních vozidel. Systém počítačového vidění dokáže detekovat překročení rychlosti, pohyb nesprávným směrem, parkování na nesprávném místě a další. Dokáže také v reálném čase identifikovat neshody, jako jsou pracovníci, kteří nepoužívají chodníky. Se svým řešením pro zachycení nebezpečných událostí založeným na AI spolupracoval startup Protex AI s počítačovým viděním s DHL na projektu proof-of-concept, aby umožnil týmům EHS přijímat proaktivní bezpečnostní rozhodnutí.
Vylepšení ergonomie: Odhad lidské pozice (HPE) je technologie založená na počítačovém vidění, která klasifikuje klouby v lidském těle, zachycuje sadu souřadnic pro každý z nich (páry klíčových bodů), které tvoří kostru podobnou reprezentaci lidského těla a mohou popsat lidské tělo. Tyto informace jsou nezbytné pro ergonomii a studium výkonnosti lidí v pracovním prostředí. Technologická společnost TuMeke, která se snaží snížit počet úrazů na pracovišti, vyvinula platformu AI pro ergonomické hodnocení rizik. Uživatel zaznamenává smartphonem video spolupracovníka, který provádí skladový úkol, jako je zvedání krabice, a tato data jsou analyzována, aby poskytla shrnutí rizika a zvýraznila rizikové pozice.
Ochranné osobní prostředky (OOP): Je důležité, aby zaměstnanci vždy a správně nosili správné OOP. Technologie počítačového vidění poskytuje slibná řešení pro sledování neshody. Systémy lze trénovat k identifikaci různých typů OOP v reálném čase. Analýzou video streamů ze strategicky umístěných kamer může systém identifikovat, zda zaměstnanci nosí vhodné OOP a zda je správně používají. To pomáhá zajistit shodu s bezpečnostními protokoly a předcházet incidentům. Kromě toho systém dokáže detekovat i vadné a poškozené OOP.
Využití a hodnocení kapacity: Při plánování kapacity pro optimalizaci využití aktiv může počítačové vidění poskytnout rychlejší vhled než lidské oko a lidská zkušenost. Tato technologie dokáže vyhodnotit celkový prostor uvnitř nákladních vozidel a kontejnerů a vypočítat dostupný objem před nakládkou a určit optimální uspořádání položek pro maximalizaci nákladu a minimalizaci plýtvání prostorem. Ve skladu lze analyzovat rozměry a orientaci palet a klecí. Namísto toho, aby částečně naplněné návěsy a kontejnery opustily prostory, dánský startup Sentispec Inspector pomáhá zaznamenávat hustoty a míry plnění každého nákladu.
Počítání majetku a lokalizace: Známou výzvou ve skladu jsou chybějící palety, klece, vozíky a další položky. Počítačové vidění lze použít k počítání a lokalizaci aktiv, vyhodnocování jejich stavu v reálném čase. Pro počítání objektů algoritmy hlubokého učení detekují a klasifikují objekty v obrazovém nebo video streamu, identifikují a analyzují body obrazu, aby se spočítaly všechny výskyty konkrétního objektu. Aktiva lze identifikovat podle jejich typu. Platforma počítačového vidění od startupu Kibsi využívá stávající kamerové sítě ke sledování majetku tímto způsobem a sledování činnosti ve skladu. Majetek lze georeferencovat na virtuální mapě a operátoři skladů mohou lokalizovat majetek s přesností na palec.
Správa vozového parku: Majetek mimo sklad je možné sledovat 24 hodin denně 7 dní v týdnu pomocí integrovaného systému kombinujícího počítačové vidění s dohledem. Pro omezení přístupu do dvora pouze registrovaným vozidlům mohou kamery identifikovat každý kamion a zaznamenat jeho čas vjezdu, čas výjezdu a počet denních jízd. Systém může také měřit vzorce využití majetku, včetně doby nečinnosti, a použít tato data k optimalizaci provozu vozového parku. ThinkIQ se svým řešením monitorování v reálném čase prohlašuje, že eliminuje potřebu stráže pro nájezd kamionů do objektů.
Aplikace měření: Před odesláním výrobků je nezbytné přesně změřit buď plochu, nebo objem, který předmět zabírá, aby bylo možné vypočítat kapacity pro skladování, manipulaci, plánování využití nákladu a přepravu zboží a také pro účtování zásilek. Proces dimenzování lze automatizovat pomocí technologie počítačového vidění v různých provedeních. Pevný systém, jako je řešení MetriXFreight od německé softwarové společnosti Metrilus, dokáže nepřetržitě monitorovat definovanou oblast měření pro zboží. Začne měřit a kótovat vždy, když předmět dorazí do oblasti měření z libovolného směru, bez ohledu na orientaci a přesné umístění. Aplikace kalifornské softwarové společnosti Qboid, založená na ručním terminálu, nabízí řešení pro mobilní dimenzování, které integruje pokročilé 3D barevné senzory a algoritmy počítačového vidění. To umožňuje automatizaci úloh odhadu rozměrů a tvaru u více typů položek, než je možné u tradičního systému.
Inspekce kvality: Když zařízením denně procházejí tisíce předmětů, nemusí být tak snadné odhalit poškozený předmět. Díky 3D a 2D kamerovému systému lze automaticky detekovat poškození krabic, jako jsou otevřené chlopně, promáčkliny, vybouleniny a rozdrcené díly. Je také možné identifikovat náklady na poškození a opravy majetku a zefektivnit procesy údržby tím, že tato data poskytne systému správy majetku. Průkopnický startup Ivisys vytvořil inovativní řešení identifikace defektů s názvem Pallet AI. Tato technologie využitím sofistikované neuronové sítě a sítě kamer umožňuje nejen identifikaci prasklin a děr, ale také k detekci plísní a změny barvy pomocí pokročilých technik rozpoznávání vzorů. Tento systém je schopen kontrolovat rozsah 250 až 450 palet za hodinu.
Detekce kvality a zarovnání štítků: Systémy založené na počítačovém vidění dokážou číst štítky a zachytit přední a zadní obrázky obalů před odesláním. Tato vizuální data se zpracovávají, aby se zajistilo, že jednotlivé štítky produktů odpovídají hlavnímu obrazu. Některé systémy také obsahují systém kontroly data expirace. Startup pro počítačové vidění Visionify se sídlem v Denveru nabízí řešení kontroly štítků pro zajištění hladkého průběhu přepravy. Jejich systémy vidění mohou ověřit štítky na kartonech, krabicích a pytlích všech velikostí, tvarů a orientací, ať už je položka nehybná nebo v pohybu.
Lokalizace zásilky / automatické třídění: Umělou inteligenci a neuronové sítě lze použít k segmentaci a určení polohy zásilek, obálek, tašek a dalších a k přesnému určení umístění a zarovnání těchto položek. K urychlení procesu třídění se používají automatizované třídicí systémy založené na kamerách a nejlepších výsledků se dosahuje při využití vysoce kvalitních 3D dat. Tyto systémy rozlišují různé charakteristiky každé položky, aby umožnily klasifikaci objektů. Známý předmět je směrován do správného zásobníku nebo na jiný dopravníkový pás k dalšímu třídění. Například systém Photoneo pokročilého řešení rozlišování a třídění dokáže rozpoznat zásilky s 95% přesností. Dokáže zachytit i pevné předměty s deformovanými povrchy.
Závěr
Z výše uvedených příkladů je jasně patrné, že počítačové a strojové vidění má zajištěnou zářivou budoucnost a rozhodně patří mezi oblasti dalšího významného rozvoje. S rostoucím výkonem hardwaru i průmyslových počítačů je možné snadněji implementovat stále sofistikovanější aplikace i v rámci odolných průmyslových systémů.
Odkazy:
- Webové stránky DHL o technologických trendech 2023: https://www.dhl.com/global-en/microsites/csi/computer-vision/understanding-computer-vision.html
