Камеры с искусственным интеллектом: могут ли они заменить датчики IoT?

Хорошо, может быть, мы немного вводим в заблуждение; под камерами ИИ мы на самом деле подразумеваем компьютерное зрение. Недавний прогресс в анализе изображений с помощью искусственного интеллекта заставляет нас задуматься, может ли камера фактически заменить несколько типов датчиков. Во многих случаях это значительно упрощает управление аппаратным обеспечением и предоставляет более подробные данные. Зрительный интеллект может предложить гораздо больше, чем человеческий глаз. Он может наблюдать за сотнями мест одновременно, уменьшать изображение до субмиллиметрового масштаба, видеть в инфракрасном диапазоне и многое другое. Многие вещи, которые в настоящее время отслеживаются датчиками (температура, движение, близость), могут быть проверены и фактически улучшены с помощью камеры с искусственным интеллектом.

В этой статье мы попытаемся ответить, учитывая ваш собственный вариант использования, лучше ли заменить датчики камерами.

Последние аппаратные и программные улучшения

Достижения в области компьютерного зрения и камер с искусственным интеллектом означают, что сегодня они лучше выполняют свои функции.

Камеры качественнее и дешевле

Благодаря демократизации камер HD и 4K, снимающих со скоростью 60–120 кадров в секунду и более, у компьютерного зрения появились подходящие инструменты для анализа видео в реальном времени лучше, чем когда-либо.

Такие виды использования, как чтение номерного знака быстро едущего автомобиля, требуют высокой скорости движения, чтобы получить четкое изображение. Полнокадровые датчики и 4K позволяют контролировать большое поле зрения с помощью всего одной камеры.

Камеры повсюду (и летают!)

Камеры высокого класса, особенно на смартфонах, являются простым и качественным источником сбора данных непосредственно в полевых условиях. Когда дело доходит до промышленного обслуживания, у любого техника в кармане есть инструмент для загрузки изображения или видео и консультации с ИИ, чтобы найти решение проблемы. В сельском хозяйстве фермер может сфотографировать урожай и сразу же получить информацию о возможном заболевании.

Дроны также стали важной частью компьютерного зрения, особенно для сельскохозяйственных или крупных промышленных установок (линий электропередач, заводов по переработке, трубопроводов и т. д.). Способность дронов летать над большими территориями означает, что камеры могут собирать изображения, которые были бы слишком дорогими даже несколько лет назад.

Рост пограничных инфраструктур

Видеопотоки требуют больше места для хранения, чем большинство источников данных. Стоимость непрерывной загрузки нескольких 4K-кадров в облако может стать препятствием для использования видео. Пограничная инфраструктура решает эту проблему, анализируя отснятый материал локально и загружая лишь часть своих данных для дальнейшего анализа.

С видео конфиденциальность и безопасность данных чрезвычайно чувствительны, особенно по сравнению с такими устройствами, как сельскохозяйственные датчики почвы. Хранение файлов локально на периферийных устройствах может снизить риск их взлома, но, прежде всего, уточнить обязанности в случае кражи данных (менеджер сайта, клиент).

Варианты использования камер в IoT

Видеть за пределами человеческого зрения

Мы видим мир нашими человеческими глазами, которые позволяют нам видеть с точностью зрения около 30 градусов, на разумном расстоянии и в соответствующих условиях освещения. Камеры гораздо менее ограничены, чем это. Особенно при объединении нескольких камер компьютерное зрение почти не имеет ограничений. Он может видеть под разными углами и анализировать эти разные каналы в режиме реального времени.

RGB-камера высокого разрешения для проверки качества

В производственной цепочке проверка качества часто осуществляется путем выбора случайной партии продуктов, возможно, 1%, и их проверки. Камера с поддержкой искусственного интеллекта может контролировать все производство, не замедляя процесс, и видеть значения по умолчанию, невидимые для человеческого глаза.

Лидарные камеры для автономных транспортных средств

Камеры Lidar используют лазерный сонар для оценки расстояния до объектов, что имеет решающее значение для автономных транспортных средств. Это позволяет избежать столкновений и информирует автомобиль о своем непосредственном окружении. Без этой технологии автономные транспортные средства были бы невозможны.

Камеры FLIR (инфракрасные) для обнаружения охоты

Инфракрасные камеры переднего обзора (FLIR) обеспечивают точную термографию для обнаружения перегрева электронной карты, трубы или машины. В этом случае не нужны какие-то сложные алгоритмы для получения оповещения. Камера FLIR работает точно так же, как датчик. Камеры FLIR в настоящее время развертываются в ответ на COVID-19. Они могут следить за температурой людей на разумном расстоянии, ненавязчивым образом. Они также использовались военными в течение многих лет.

Замена нескольких датчиков одной камерой

Холодильники в магазине можно инвентаризировать автоматически, добавив несколько датчиков (веса, температуры). Инновации AT&T Foundry разработала систему с камерами, которая заменила все эти датчики. Камера определяет, когда на данной полке заканчивается товар, и отслеживает температуру в режиме реального времени.

Ограничения камер по сравнению с датчиками

окклюзия

Во многих случаях установка только одной камеры не поможет. Для решения проблемы окклюзии (объект, спрятанный за другим) необходимо несколько камер под разными углами. Стартап от Sony изобрел многокамерное решение на основе искусственного интеллекта для мониторинга здоровья животных, особенно для обнаружения охоты на коровьей ферме. Связанные камеры определяют, когда корова садится на другую, даже если один из нескольких углов закрыт. Однако это возможно только при использовании нескольких камер.

Мощность и доступность сети

Камера, снимающая непрерывно, не может питаться только от батареи, поэтому необходим прямой источник питания. Солнечных батарей в большинстве случаев недостаточно, если камере нужно работать ночью. Кроме того, для загрузки HD-канала в облако необходим 4G.

Эти две характеристики затрудняют установку отдельной камеры в некоторых отдаленных районах, когда датчик с низким энергопотреблением может работать годами.

Ресурсы для анализа

Поглощение нескольких видеопотоков и обучение компьютера их пониманию на самом деле является гораздо более сложной задачей, чем обычный анализ данных датчиков IoT. Если даже такая простая вещь, как обнаружение охоты с помощью камеры FLIR, в значительной степени доступна для любых частных лиц или малых и средних предприятий, использование ИИ может быть чрезвычайно дорогостоящим, а результаты неопределенными.

Инженеры по машинному обучению и глубокому обучению, которые могут выполнять аналитическую работу, пользуются большим спросом, поэтому стоимость найма одного из них может стать основным препятствием для стартапов или небольших компаний.

Стоит ли выбирать камеры вместо датчиков?

Поскольку каждый вариант использования индивидуален, мы объясним три примера, когда определенно стоит задуматься об инвестициях.

• Вам нужна сенсорная камера, скажем, для обнаружения перегрева в заводской машине. Ваша камера может заменить несколько десятков сенсоров. Видеопоток хранится локально, а камеры просты в установке (сеть, источник питания). Идите за камерами.
• Вам нужна визуальная разведка больше, чем камера, например, чтобы убедиться, что ваши рабочие входят на строительную площадку в касках. Вариант использования является распространенным, и вы легко найдете алгоритмы машинного обучения, предварительно обученные для этой задачи. Камера с предустановленным программным обеспечением для распознавания изображений имеет больше смысла, чем установка сенсора на каждую каску. Инвестиции могут быть повторно использованы во всех будущих строительных проектах. Но как только вариант использования становится слишком специфичным, его повторное использование падает, поскольку стоимость разработки может быстро превысить потенциальные выгоды.
• Вам нужно очень конкретное, индивидуальное решение для визуального интеллекта. Представьте себе многонациональную компанию, производящую защитные стеклянные двери. Они хотят обнаружить дефекты стекла на сборочной линии. Им нужна специальная команда, чтобы справиться с этой миссией в течение нескольких месяцев. Ранее они подготовили этот проект, собрав и пометив несколько тысяч изображений, помеченных для обучения ИИ. Более того, окупаемость инвестиций будет ускорена за счет внедрения решения на нескольких производственных площадках.

Что касается других вариантов использования IoT, то переход на компьютерное зрение, скорее всего, будет слишком дорогостоящим или рискованным. Хотя камеры могут улучшить решения IoT, они не всегда подходят для экосистемы IoT, а видеопотоки не могут должным образом передаваться через сети LPWAN.

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