Израильская компания Cipia, занимающаяся разработкой автомобильных решений, была выбрана для предоставления своей системы мониторинга водителя Driver Sense (DMS) ведущему европейскому производителю компонентов для коммерческих автомобилей.
(Photo: Courtesy of Cipia)
DMS использует искусственный интеллект и компьютерное зрение для отслеживания уровня рассеянности и сонливости водителей, когда они находятся за рулем, что помогает сделать вождение более безопасным.
Система отслеживает важные факторы, в том числе направление взгляда, частоту моргания и открытость глаз, чтобы выявлять потенциально опасные ситуации. Она также включает в себя возможность точного контроля за водителем, когда он надевает маску, определяет, правильно ли пристегнут ремень безопасности, а также курит ли водитель сигарету.
DMS будет установлена на пять различных моделей грузовиков, которые производятся в Европе и продаются по всему миру. Производство планируется начать в следующем году.
Благодаря новому контракту число производителей автомобилей по всему миру, использующих технологию Cipia, увеличится до 10.
“Нормативно-правовая база в Европе побуждает производителей оборудования создавать самые безопасные автомобили в мире”, - сказал генеральный директор Cipia Иегуда Хольцман.
“Все больше европейских OEM-производителей [оригинального оборудования] выбирают сенсорные решения Cipia в салоне, признавая нашу приверженность не только надежным технологиям, но и высочайшему уровню поддержки клиентов и быстрой доставке. Наш подход направлен на соблюдение жестких сроков проектирования и производства, обеспечивая соблюдение жестких нормативных сроков”.
В легкой промышленности более 60% товарной продукции занимают текстильные изделия. На производстве тканей часто возникают различные внешние дефекты (дыры, неравномерное окрашивание полотен), которые сложно своевременно обнаружить. Из-за этого большая часть материала впоследствии выбрасывается или уходит на переработку, что очень затратно. Обеспечить контроль качества продукции в наше время можно методами компьютерного зрения, которые по фото- и видеосъемке обрабатывают изображения и считывают брак в изделии. Но существующие прототипы таких решений учитывают не все возможные изъяны, часто встречающиеся в промышленности. Ученые ПНИПУ усовершенствовали метод компьютерного зрения для быстрого и точного выявления дефектов на производстве.
Статья опубликована в сборнике «AIP Conference Proceedings», 2024 год. Исследование выполнено в рамках программы стратегического академического лидерства «Приоритет 2030».
Текстильная промышленность занимается переработкой растительных, животных, искусственных и синтетических волокон в пряжу, нити и ткани. Производители всех стран постоянно стремятся расширить ассортимент и улучшить качество выпускаемой продукции, чтобы придать ей ценные потребительские свойства. Достигается это с помощью автоматизации процессов и внедрения новых технологий.
Система компьютерного зрения позволяет автоматически распознавать дефекты тканей путем анализа их внешнего вида. Такой брак часто возникает на различных стадиях производства из-за некачественного сырья, нарушений в технологических процессах и ошибок оборудования.
В России практически нет комплексов, которые обеспечивают контроль качества текстильной промышленности. А применение зарубежных аналогов для непрерывного поиска дефектов не всегда доступно производителям и требует больших материальных затрат. Решением могут стать более гибкие и бюджетные системы, которые используют алгоритмы обработки видеопотока. Они универсальны и могут подойти под любой этап производства.
Система распознавания брака должна считывать изображения с датчиков, оснащенных камерой, корректировать их (удалять шумы, размытия и другие помехи) и достоверно определять места с дефектами. Алгоритм, лежащий в основе, может разрабатываться по различным методам для распознавания границ изображений. Так, широко применяется метод нечеткой логики, который при обработке фото и видеосъемки в соответствии с базой данных определяет степень принадлежности элементов к тому или иному значению (есть брак или нет, а если есть, то какой). А значит, он полезен для обнаружения дефектов текстильных изделий.
Но существующий прототип такого алгоритма имеет свои недостатки. Он не учитывает нерезкие цветовые перепады изображения, с помощью которых можно определить заломы (неровность полотна), а также неравномерность плотности полотна. Поэтому для расширения спектра обнаруживаемых дефектов ученые Пермского Политеха усовершенствовали его.
– Наш модифицированный метод обработки включает две фазы: быструю и более тщательную. Разные типы ткани при фото- и видеосъемке имеют свою яркость и контрастность. Поэтому в первой фазе алгоритм находит возможные дефекты с помощью цветокоррекции, а во второй – проверяет достоверность определения брака, выделяет его цветом и передает результат на экран специалисту. Алгоритм опробован на изображениях четырех видов тканей и может обнаруживать дефекты плетения и окраски, – поделился доктор технических наук, заведующий кафедрой «Автоматизация технологических процессов» Березниковского филиала ПНИПУ Андрей Затонский.
Политехники сравнили эффективность их метода с уже существующим аналогом на примере ткани с дефектом неровности полотна. В результате брак обнаружила только разработка пермских ученых.
Новый алгоритм разделяет изображение на две основные части (общий фон и дефект, если он существует). Если пропустить через систему нечеткого вывода изображение без каких-либо изъянов, то изображение на выходе будет полностью окрашено одним цветом или же примеси других цветов будут минимальными.
Для текстур каждого типа материала политехники определили среднее фоновое распределение, то есть типичное для конкретной ткани соотношение текстуры и фона. Например, для джинсовой ткани оно составляет 72%, для льняной – 67%. Именно этот параметр используется для перехода от первой фазы анализа изображения ко второй, чтобы подтвердить или опровергнуть наличие дефекта. Если в быстрой обработке алгоритм выдает процент фонового распределения, далекий от среднего, значит, на ткани присутствует брак. Тогда в длительной фазе пиксели на изображении помечаются красным цветом. После чего специалист получает сигнал о наличии дефекта.
Усовершенствованная учеными Пермского Политеха система для распознавания дефектов в текстильной промышленности позволит определять изъяны в материале быстро и точно на любом этапе производства. Такой бюджетный, не трудозатратный и универсальный способ будет полезен российским текстильным фабрикам для повышения качества продукции.
Вообщем, такой вопрос, дорогие пикабушники (знаю, тут сидят люди, знающие ответы на странные вопросы).
У глаз сильная чувствительность к голубому свету (минута в магазине с холодным ярким светом – мигрень на весь день, сразу). Отсюда – по магазинам хожу в солнцезащитных очках) Телефон айфон, потому что экран совсем желтый только на эппле. От андроидов даже на режиме защиты зрения и минимальной яркости устают глаза быстро.
В общем, для работы нужен ноутбук. Может, кто подскажет вариант? Пока всё делаю на телефоне, но это сложно и долго.
И если есть неврологи – можно это как-то поменять? Началось от того, что работала весь день под яркими «ксеноновыми»лампами прямо в глаза, к вечеру была рвота и головная боль. С тех пор такая штука появилась.
Цель — разработка домашних помощников, которым можно делегировать приготовление еды или уборку. Роботы уже умеют снимать кастрюлю с плиты, открывать ящики и дверцы, поднимать овощи — всего 12 задач.
Как они учатся?
Метод называется Vision-Robotics Bridge. Обучение строится на концепции аффордансов — возможностей взаимодействия с окружающими предметами по аналогии с человеком. Робот анализирует возможные точки контакта, то есть части объекта, за которые можно взяться или нажать их, и планирует дальнейшую траекторию движения.
Например, человек открывает ящик. Робот видит, что нужно взять за ручку и тянуть на себя в горизонтально. После просмотра нескольких примеров он сможет понять, как открыть любой аналогичный ящик. На освоение нового навыка роботу нужно 25 минут.
Старая модель обучения требовала, чтобы действия демонстрировали живые люди. Теперь роботу достаточно посмотреть видео. Для этого использовали видео из наборов данных Ego4D и Epic Kitchens, созданных специально для обучения моделей компьютерного зрения. В них собраны ролики, на которых моют посуду, прибираются или готовят еду.
Роботы уже перемещаются по кампусу университета и выполняют разные простые задачи. По мнению ученых, новый подход ускорит процесс их обучения и даст новые возможности для их использования в повседневности.
Получается, робота можно научить любым действиям, показав ему YouTube.
Стартап был отмечен Forbes как следующий стартап на миллиард долларов, а один из его основателей вошел в список 30 Under 30 2020 года. Используя компьютерное зрение на базе искусственного интеллекта и готовое оборудование, Trigo превращает существующие супермаркеты и продуктовые магазины в полностью автономные и цифровые магазины
Основатели Trigo (слева направо) Майкл Габай и Даниэль Габай | Фото: Том Бартов
Trigo , израильская компания, специализирующаяся на компьютерном зрении, создающая инфраструктуру для автономных розничных магазинов и занимающаяся розничной аналитикой, привлекла 100 миллионов долларов в рамках нового раунда акционерного финансирования, чтобы масштабировать развертывание автономных городских супермаркетов в Европе и США, выйти в новые регионы и развить свою деятельность. комплексный пакет приложений для управления магазином и запасами, StoreOS™.
Инвестиции возглавили сингапурская государственная инвестиционная компания Temasek Holdings (TEM.UL) и 83North . В число новых стратегических инвесторов входит компания SAP SE, которая также поможет коммерциализировать решение Trigo. К раунду присоединились существующие инвесторы, в том числе Hetz Ventures , Red Dot Capital Partners , Vertex Ventures , Viola и гигант супермаркетов REWE Group, один из ведущих мировых ритейлеров.
Trigo будет использовать средства для значительного развертывания магазинов, увеличения площадей поддерживаемых магазинов, включая полноразмерные городские супермаркеты, расширения в новых регионах и дальнейшего развития своего предложения StoreOS™.
Покупатели могут покинуть магазины без очереди на кассу | Фото: Триго
Trigo была основана в 2018 году братьями Майклом Габеем , генеральным директором компании, и Даниэлем Габеем , вице-президентом по технологиям. Даниэль вошел в список Forbes Israel 30 Under 30 2020, а компания была отмечена Forbes как следующий стартап на миллиард долларов в 2021 году.
СКРИНШОТ
Решения Trigo в настоящее время развернуты у некоторых ведущих мировых продовольственных ритейлеров, включая Tesco PLC в Великобритании, ALDI Nord в Нидерландах, REWE Group в Берлине и Кельне, Netto Marken-Discount (также известную как Netto) в Мюнхене, израильский Shufersal ( SAE) и Wakefern Food Corp., крупнейший кооператив розничной торговли в США.
Майкл Габай, соучредитель и генеральный директор Trigo, сказал: «Мы доказали, что можем использовать компьютерное зрение и искусственный интеллект, чтобы предоставить физическим магазинам те же идеи и возможности, что и магазины электронной коммерции. Эти инвестиции позволяют Trigo выполнить свой план расширения и усовершенствовать наш продукт для удовлетворения растущих потребностей наших клиентов».
Trigo превращает существующие супермаркеты в полностью автономные цифровые магазины, в которых анализируются изображения с потолочных камер и сенсоров на полках для создания «цифрового двойника» магазина. Алгоритмы компьютерного зрения, подобные тем, что используются в беспилотных автомобилях, регистрируют взаимодействие между людьми и товарами. В результате произошли фундаментальные изменения в том, как покупатели и операторы управляют физическими магазинами. Например, покупатели могут заходить в магазины, выбирать товары с полок и уходить без необходимости стоять в очереди на кассе или сканировать товары. Платежи и поступления осуществляются в цифровом виде.
Добрый день. Как-то раз я подсел на одну сомнительную браузерную игру (названия не будет, чтобы не создавать лишнюю рекламу этому исчадию). Если вкратце, то она оказалась слишком нудной (и донатной) и я решил её слегка автоматизировать. Не для получения выгоды, а просто потому что захотелось.
Обычного кликера, кликающего по предустановленным координатам было недостаточно, так как цепочка нажатий должна зависеть от наличия и положения интерактивных элементов на экране, а просчитывать все варианты и пытаться это всё закостылить мне не хотелось. В итоге было принято решение сделать бота "зрячим", и искать эти элементы на экране. Для этой задачи была задействована библиотека Emgu CV.
В итоге родился "умный" и "зрячий" кликер, который ищет в окне игры определённые элементы (кнопки, иконки, двери, сундуки) и кликает на них в определённом порядке.
Изначально я не планировал выкладывать его в открытый доступ, но в итоге я перестал играть в эту игру, и поддерживать разработку бота не планирую. Поэтому теперь любой, кто всё ещё играет в это, может допилить бота как захочется, а те, кто ищет точку входа в тему компьютерного зрения, может использовать его для своих целей. Более того, код можно легко переиспользовать для создания бота для любой другой браузерной игры.
