Κάμερες AI: Μπορούν να αντικαταστήσουν τους αισθητήρες IoT;

Εντάξει, ίσως είμαστε λίγο παραπλανητικοί. Με τις κάμερες AI, εννοούμε στην πραγματικότητα την όραση υπολογιστή. Η πρόσφατη πρόοδος στην ανάλυση εικόνων που τροφοδοτείται από την τεχνητή νοημοσύνη μας κάνει να αναρωτιόμαστε αν η κάμερα θα μπορούσε πράγματι να αντικαταστήσει διάφορους τύπους αισθητήρων. Για πολλές περιπτώσεις χρήσης, διευκολύνει τη διαχείριση του υλικού και παρέχει πιο διορατικά δεδομένα. Η οπτική νοημοσύνη έχει να προσφέρει πολλά περισσότερα από το ανθρώπινο μάτι. Μπορεί να παρατηρήσει εκατοντάδες μέρη ταυτόχρονα, να μεγεθύνει σε κλίμακα υποχιλιοστών, να δει σε υπέρυθρες και πολλά άλλα. Πολλά πράγματα που επί του παρόντος παρακολουθούνται από αισθητήρες (θερμοκρασία, κίνηση, εγγύτητα) θα μπορούσαν να επαληθευτούν και, στην πραγματικότητα, να βελτιωθούν από μια κάμερα που λειτουργεί με AI.

Αυτό το άρθρο θα προσπαθήσει να απαντήσει, λαμβάνοντας υπόψη τη δική σας περίπτωση χρήσης, εάν είναι καλύτερο να αντικαταστήσετε τους αισθητήρες με κάμερες.

Πρόσφατες Βελτιώσεις Υλικού και Λογισμικού

Οι εξελίξεις στην όραση υπολογιστών και τις κάμερες με δυνατότητα AI σημαίνουν ότι είναι σε καλύτερη θέση να εκτελούν λειτουργίες σήμερα.

Οι κάμερες είναι υψηλότερης ποιότητας και φθηνότερες

Με τον εκδημοκρατισμό των καμερών HD και 4K, λήψης στα 60-120 fps (καρέ ανά δευτερόλεπτο) ή περισσότερο, η όραση υπολογιστή διαθέτει κατάλληλα εργαλεία για την ανάλυση του πλάνα σε πραγματικό χρόνο καλύτερα από ποτέ.

Χρήσεις όπως η ανάγνωση του αριθμού πινακίδας ενός αυτοκινήτου με γρήγορη οδήγηση απαιτούν υψηλή ταχύτητα κύλισης για να τραβήξετε μια καθαρή εικόνα. Οι αισθητήρες πλήρους καρέ και η ανάλυση 4K καθιστούν δυνατή την παρακολούθηση ενός μεγάλου οπτικού πεδίου με μία μόνο κάμερα.

Οι κάμερες είναι παντού (και πετούν!)

Οι κάμερες υψηλής τεχνολογίας, ειδικά σε smartphone, αποτελούν μια εύκολη και ποιοτική πηγή απόκτησης δεδομένων, απευθείας στο πεδίο. Όταν πρόκειται για βιομηχανική συντήρηση, οποιοσδήποτε τεχνικός έχει ένα εργαλείο στην τσέπη του για να ανεβάσει μια εικόνα ή ένα βίντεο και να συμβουλευτεί μια τεχνητή νοημοσύνη για να βρει τη λύση στο πρόβλημα. Στη γεωργία, ένας αγρότης μπορεί να τραβήξει μια φωτογραφία μιας καλλιέργειας και να έχει αμέσως πληροφορίες για μια πιθανή ασθένεια.

Τα drones έχουν γίνει επίσης σημαντικό μέρος της όρασης υπολογιστών, ειδικά για γεωργικές ή μεγάλες βιομηχανικές εγκαταστάσεις (γραμμές ηλεκτροδότησης, μονάδες ανακύκλωσης, αγωγοί κ.λπ.). Η ικανότητα των drones να πετούν πάνω από μεγάλες περιοχές σημαίνει ότι οι κάμερες μπορούν να συλλέγουν εικόνες που θα ήταν υπερβολικά απαγορευτικές από πλευράς κόστους ακόμη και πριν από μερικά χρόνια.

The Rise of Edge Infrastructures

Οι ροές βίντεο απαιτούν περισσότερο χώρο αποθήκευσης από τις περισσότερες πηγές δεδομένων. Το κόστος της συνεχούς μεταφόρτωσης πολλών πλάνα 4K στο cloud θα μπορούσε να αποτελέσει εμπόδιο για τη χρήση βίντεο. Η υποδομή Edge αντιμετωπίζει αυτήν την πρόκληση αναλύοντας το υλικό τοπικά και ανεβάζοντας μόνο ένα κλάσμα των δεδομένων του για περαιτέρω ανάλυση.

Με το βίντεο, το απόρρητο και η ασφάλεια των δεδομένων είναι εξαιρετικά ευαίσθητα, ειδικά σε σύγκριση με συσκευές όπως οι αισθητήρες γεωργικού εδάφους. Η τοπική αποθήκευση των αρχείων σε συσκευές edge μπορεί να μειώσει τον κίνδυνο χακάρισής τους, αλλά κυρίως να διευκρινίσει τις ευθύνες σε περίπτωση ληστείας δεδομένων (διαχειριστής ιστότοπου, πελάτης).

Περιπτώσεις χρήσης καμερών στο IoT

Βλέποντας πέρα ​​από το ανθρώπινο όραμα

Βλέπουμε τον κόσμο μέσα από τα ανθρώπινα μάτια μας, που μας επιτρέπουν να βλέπουμε με ακρίβεια όρασης γύρω στις 30 μοίρες, σε λογική απόσταση και κατάλληλες συνθήκες φωτισμού. Οι κάμερες είναι πολύ λιγότερο περιορισμένες από αυτό. Ειδικά όταν συνδυάζονται πολλές κάμερες, η όραση υπολογιστή δεν έχει σχεδόν κανένα περιορισμό. Μπορεί να δει από πολλές οπτικές γωνίες και να αναλύσει αυτές τις διαφορετικές ροές σε πραγματικό χρόνο.

Κάμερα RGB υψηλής ευκρίνειας για έλεγχο ποιότητας

Σε μια αλυσίδα παραγωγής, ο ποιοτικός έλεγχος γίνεται συχνά επιλέγοντας μια τυχαία παρτίδα προϊόντων, ίσως 1 τοις εκατό, και επιθεωρώντας τα. Μια κάμερα με δυνατότητα AI μπορεί να επιθεωρήσει ολόκληρη την παραγωγή χωρίς να επιβραδύνει τη διαδικασία και να δει τις προεπιλογές αόρατες στο ανθρώπινο μάτι.

Κάμερες Lidar για Αυτόνομα Οχήματα

Οι κάμερες Lidar χρησιμοποιούν σόναρ λέιζερ για να αξιολογήσουν την απόσταση των αντικειμένων, η οποία είναι ζωτικής σημασίας για τα αυτόνομα οχήματα. Αυτό αποφεύγει τις συγκρούσεις και κάνει το όχημα να γνωρίζει το άμεσο περιβάλλον του. Τα αυτόνομα οχήματα δεν θα ήταν δυνατά χωρίς αυτήν την τεχνολογία.

Κάμερες FLIR (υπέρυθρες) για ανίχνευση θερμότητας

Οι μπροστινές υπέρυθρες κάμερες (FLIR) παρέχουν ακριβή θερμογραφία για την ανίχνευση υπερθέρμανσης σε ηλεκτρονική κάρτα, σωλήνα ή μηχανή. Σε αυτήν την περίπτωση, δεν χρειάζεται κανείς περίπλοκους αλγόριθμους για να λάβει μια ειδοποίηση. Η κάμερα FLIR λειτουργεί ακριβώς όπως ένας αισθητήρας. Οι κάμερες FLIR αναπτύσσονται τώρα ως απάντηση στον COVID-19. Αυτοί μπορούν παρακολουθεί τη θερμοκρασία των ανθρώπων σε λογική απόσταση, με μη παρεμβατικό τρόπο. Χρησιμοποιούνται επίσης από τον στρατό εδώ και χρόνια.

Αντικατάσταση πολλαπλών αισθητήρων με μία μόνο κάμερα

Τα ψυγεία σε ένα ψιλικατζίδικο μπορούν να απογραφούν αυτόματα με την προσθήκη αρκετών αισθητήρων (βάρος, θερμοκρασία). Καινοτομία AT&T Το χυτήριο ανέπτυξε ένα σύστημα τοποθετημένο σε κάμερα που αντικατέστησε όλους αυτούς τους αισθητήρες. Η κάμερα ανιχνεύει πότε ένα δεδομένο ράφι εξαντλείται και παρακολουθεί τη θερμοκρασία σε πραγματικό χρόνο.

Περιορισμοί των καμερών σε σχέση με τους αισθητήρες

Εμφραξη

Σε πολλές περιπτώσεις, η εγκατάσταση μόνο μιας κάμερας δεν θα κάνει το κόλπο. Για την αντιμετώπιση προβλημάτων απόφραξης (ένα αντικείμενο που κρύβεται πίσω από ένα άλλο), απαιτούνται πολλές κάμερες σε πολλές γωνίες. Μια startup από τη Sony εφηύρε μια λύση πολλαπλών καμερών με τεχνητή νοημοσύνη για την παρακολούθηση της υγείας των ζώων, ειδικά την ανίχνευση θερμότητας σε μια φάρμα αγελάδων. Οι συνδεδεμένες κάμερες αναγνωρίζουν πότε μια αγελάδα τοποθετεί μια άλλη, ακόμα κι αν μια από τις πολλές γωνίες είναι αποφραγμένη. Αυτό, ωστόσο, είναι δυνατό μόνο εάν χρησιμοποιούνται πολλές κάμερες.

Διαθεσιμότητα ρεύματος και δικτύου

Μια κάμερα που κινηματογραφεί συνεχώς δεν μπορεί να τροφοδοτηθεί μόνο από μπαταρία, επομένως απαιτείται άμεση παροχή ρεύματος. Τα ηλιακά πάνελ δεν αρκούν στις περισσότερες περιπτώσεις εάν η κάμερα χρειάζεται να λειτουργεί τη νύχτα. Επιπλέον, για να μεταφορτωθεί μια ροή HD στο cloud, είναι απαραίτητο το 4G.

Αυτές οι δύο προδιαγραφές καθιστούν δύσκολη την εγκατάσταση μιας αυτόνομης κάμερας σε ορισμένες απομακρυσμένες περιοχές, όταν ένας αισθητήρας χαμηλής κατανάλωσης μπορεί να λειτουργεί για χρόνια.

Πόροι ανάλυσης

Η κατάποση πολλών ροών βίντεο και η διδασκαλία στον υπολογιστή να τις κατανοεί είναι στην πραγματικότητα μια πολύ πιο περίπλοκη αποστολή από την κανονική ανάλυση δεδομένων αισθητήρων IoT. Εάν ακόμη και κάτι τόσο απλό όπως η ανίχνευση θερμότητας με μια κάμερα FLIR είναι σε μεγάλο βαθμό προσιτό σε ιδιώτες ή ΜΜΕ, η διέλευση από τη διαδρομή AI μπορεί να είναι εξαιρετικά δαπανηρή και τα αποτελέσματα αβέβαια.

Οι μηχανικοί μηχανών και βαθιάς μάθησης που μπορούν να χειριστούν την εργασία ανάλυσης έχουν μεγάλη ζήτηση, επομένως το κόστος πρόσληψης μπορεί να είναι ο κύριος αποκλεισμός για νεοφυείς επιχειρήσεις ή μικρές εταιρείες.

Πρέπει να επιλέξετε κάμερες αντί για αισθητήρες;

Καθώς κάθε περίπτωση χρήσης είναι διαφορετική, θα εξηγήσουμε τα τρία παραδείγματα όπου αξίζει σίγουρα να εξετάσετε την επένδυση.

• Χρειάζεστε μια κάμερα που μοιάζει με αισθητήρα, ας πούμε για ανίχνευση υπερθέρμανσης σε ένα εργοστασιακό μηχάνημα. Η κάμερά σας μπορεί να αντικαταστήσει αρκετές δεκάδες αισθητήρες. Η ροή βίντεο αποθηκεύεται τοπικά και οι κάμερες εγκαθίστανται εύκολα (δίκτυο, τροφοδοτικό). Πηγαίνετε για κάμερες.
• Χρειάζεστε οπτική νοημοσύνη περισσότερο από μια κάμερα, για παράδειγμα, για να επαληθεύσετε ότι οι εργάτες σας εισέρχονται σε ένα εργοτάξιο με τα σκληρά καπέλα τους. Η περίπτωση χρήσης είναι κοινή και θα βρείτε εύκολα αλγόριθμους ML προεκπαιδευμένους για αυτήν την εργασία. Μια κάμερα με προκατασκευασμένο λογισμικό αναγνώρισης εικόνας είναι πιο λογική από την εγκατάσταση ενός αισθητήρα σε κάθε σκληρό καπέλο. Η επένδυση μπορεί να επαναχρησιμοποιηθεί σε όλα τα μελλοντικά κατασκευαστικά έργα. Αλλά μόλις μια περίπτωση χρήσης γίνει πολύ συγκεκριμένη, η επαναχρησιμοποίησή της μειώνεται, καθώς το κόστος ανάπτυξης μπορεί γρήγορα να υπερβεί τα πιθανά οφέλη.
• Χρειάζεστε μια πολύ συγκεκριμένη, προσαρμοσμένη στα μέτρα σας λύση οπτικής νοημοσύνης. Φανταστείτε μια πολυεθνική εταιρεία που παράγει γυάλινες πόρτες ασφαλείας. Θέλουν να εντοπίσουν προεπιλογές στο γυαλί στη γραμμή συναρμολόγησης. Χρειάζονται μια αφοσιωμένη ομάδα για να χειριστεί αυτή την αποστολή για αρκετούς μήνες. Προετοίμασαν προηγουμένως αυτό το έργο συγκεντρώνοντας και προσθέτοντας ετικέτες σε πολλές χιλιάδες εικόνες με ετικέτες για την εκπαίδευση του AI. Επιπλέον, το ROI θα επιταχυνθεί με την εφαρμογή της λύσης σε πολλές εγκαταστάσεις παραγωγής.

Όσο για άλλες περιπτώσεις χρήσης IoT, είναι ακόμα πιθανό η μετάβαση στην όραση υπολογιστή να είναι πολύ δαπανηρή ή επικίνδυνη. Αν και οι κάμερες μπορούν να βελτιώσουν τις λύσεις IoT, δεν ταιριάζουν πάντα στο οικοσύστημα IoT και οι ροές βίντεο δεν μπορούν να περάσουν σωστά μέσω των δικτύων LPWAN.

Πηγή: https://www.iotforall.com/ai-cameras-can-they-replace-iot-sensors