AI Aids Eyes (Isang Computer Vision System upang Paalalahanan ang Mga Operator na Magsuot ng Mga Salamin sa Kaligtasan): 4 na Hakbang

2024 May -akda: John Day | [email protected]. Huling binago: 2024-01-30 13:11

Narito ang isang demo ng system. Kapag nakita ng system na ang isang drill ay nakuha, awtomatiko itong maglalabas ng babala sa mga baso sa kaligtasan. Upang kumatawan sa pagkakaroon ng mga babala sa kaligtasan, ang hangganan ng imahe ng RGB ay kulay pula sa demo na video. Kapag nakita ng system na walang drill na nakuha, hindi ito maglalabas ng anumang mga babala sa kaligtasan. Upang kumatawan sa kawalan ng mga babala sa kaligtasan, ang hangganan ng imahe ng RGB ay may kulay na berde sa demo na video. Tulad ng ipinakita sa demo na video, matagumpay na nakita ng computer vision system kung ang drayber ay pumili ng isang drill.

Hakbang 1: Hardware

Gumagamit ako ng kahoy (mula sa Home Depot) upang bumuo ng isang istraktura ng suporta. Pagkatapos ay nai-mount ko ang isang Microsoft XBOX 360 Kinect Sensor (mula sa Amazon) sa istraktura ng suporta upang subaybayan ang aktibidad sa lupa.

Hakbang 2: Paghihiwalay

Ang isang halimbawang binubuo ng isang RGB na imahe, isang lalim na imahe at isang imahe ng nakuha na bagay ay ipinapakita.

Hinahamon para sa isang computer vision algorithm upang matukoy kung ang kamay ng operator ay may hawak na drill mula sa imahe ng RGB lamang. Gayunpaman, sa lalim na impormasyon, mas madali ang problema.

Itinatakda ng aking segmentation algorithm ang kulay ng isang pixel sa RGB na imahe sa itim kung ang kaukulang lalim nito ay nasa labas ng isang paunang natukoy na saklaw. Pinapayagan akong i-segment ang bagay na nakuha.

Hakbang 3: Pag-uuri

Kinokolekta ko ang data sa pamamagitan ng pag-video sa aking sarili na may hawak na drill / kumakaway na magkahiwalay na mga kamay. Ginagamit ko pagkatapos ang pamamaraan ng paglilipat ng pag-aaral upang ibagay ang isang VGG neural network na paunang sinanay gamit ang ImageNet. Ngunit ang resulta ay hindi maganda. Marahil ang mga nakuha na imahe ay hindi katulad ng natural na mga imahe sa ImageNet. Samakatuwid, nagsasanay ako ng isang convolutional na walang kinikilingan na network gamit ang mga nakuha na imahe mula sa simula. Ang resulta ay medyo maganda. Ang kawastuhan ng classifier ay ~ 95% sa itinakdang pagpapatunay. Ang isang snippet ng modelo ay ibinibigay sa.py file.

Hakbang 4: Magsaya at Maging Ligtas

2000

Araw-araw mga 2, 000 mga manggagawa sa Estados Unidos ang nagpapanatili ng mga pinsala sa mata na nauugnay sa trabaho na nangangailangan ng paggamot sa medisina.

60%

Halos 60% ang mga nasugatang manggagawa ay hindi nagsusuot ng proteksyon sa mata sa oras ng aksidente o nakasuot ng maling uri ng proteksyon sa mata para sa trabaho.

Magsaya at maging ligtas

Ang kaligtasan ay dapat laging mauna. Lumulubog ang aking puso tuwing may naririnig akong mga aksidente na kinasasangkutan ng mga tool sa kuryente. Inaasahan kong mapataas ng artikulong ito ang kamalayan na ang artipisyal na katalinuhan ay maaaring mag-alok sa amin ng isang karagdagang antas ng proteksyon.

Magsaya sa paggawa ng mga bagay at maging ligtas!