صد کاربرد مهم بینایی ماشین در سال ۲۰۲۴

این مقاله فهرست گسترده ای از برنامه های کاربردی بینایی کامپیوتری جدید و ارزشمند را در تمام صنایع پوشش می دهد. بهترین پروژه های بینایی کامپیوتری، ایده های بینایی کامپیوتری و موارد استفاده با ارزش بالا را در حال حاضر در بازار میابید. در ادامه، اصول سیستم های بینایی کامپیوتری را پوشش خواهیم داد . صد برنامه کاربردی کامپیوتر ویژن در دنیای واقعی مرتب شده بر اساس صنعت مثال ها، پروژه ها و موارد استفاده از بینایی کامپیوتر چگونه شروع کنیم. در ادامه به این پرسشها پاسخ می دهیم:

1-اصول سیستمهای بینایی ماشین

2- صد کاربرد واقعی بینایی ماشین

3-مثال هایی از پروژه ها و موارد کاربردی بینایی ماشین

4-چگونه کار در بینایی ماشین را شروع کنیم؟

کاربردهای کامپیوتر بینایی چیست؟

 بینایی کامپیوتر بخشی از هوش مصنوعی است که از یادگیری ماشینی و یادگیری عمیق استفاده می‌کند و به رایانه‌ها اجازه می‌دهد چیزها را در عکس‌ها و ویدئوها به همان روشی که مردم انجام می‌دهند، ببینند، تشخیص دهند و تجزیه و تحلیل کنند. بینایی محاسباتی برای بازرسی خودکار بینایی هوش مصنوعی، نظارت از راه دور و اتوماسیون به سرعت در حال محبوبیت است. بینایی کامپیوترتأثیر گسترده ای بر شرکت ها در سراسر صنایع، از خرده فروشی گرفته تا امنیت، مراقبت های بهداشتی، ساخت و ساز، خودرو، تولید، تدارکات و کشاورزی دارد

سیستم‌های بینایی کامپیوتری

سیستم‌های بینایی رایانه‌ای از (1) از دوربین‌ها برای به دست آوردن داده‌های بصری استفاده می کنند، (2) مدل‌های یادگیری ماشین را برای پردازش تصاویراستفاده می کنند، و (3) منطق شرطی برای خودکار کردن موارد استفاده خاص برنامه‌ها استفاده می‌کنند. استقرار هوش مصنوعی در دستگاه‌های لبه‌ای که اصطلاحاً هوش لبه نامیده می‌شود، اجرای پیاده‌سازی‌های مقیاس‌پذیر، کارآمد، قوی، امن و خصوصی بینایی کامپیوتر را تسهیل می‌کند. 

بینایی کامپیوتری در ساخت و تولید

پیناییی کامپیوتر توانایی تولید گزارش کامل صنعت تولید را دارد. در تولید، تشخیص تصویر برای بازرسی بینایی هوش مصنوعی، کنترل کیفیت، نظارت از راه دور و اتوماسیون سیستم اعمال می شود. تجزیه و تحلیل بهره وری تجزیه و تحلیل بهره وری تأثیر تغییر محل کار، نحوه صرف زمان و منابع کارکنان و پیاده سازی ابزارهای مختلف را دنبال می کند. چنین داده هایی می توانند بینش ارزشمندی در مورد مدیریت زمان، همکاری در محل کار و بهره وری کارکنان ارائه دهند. هدف استراتژی های مدیریت ناب بینای کامپیوتر تعیین کمیت و ارزیابی عینی فرآیندها با سیستم های بینایی مبتنی بر دوربین است.

بازرسی دستگاهها و افراد

دید کامپیوتری برای بازرسی بصری یک استراتژی کلیدی در تولید هوشمند است. سیستم‌های بازرسی مبتنی بر دید نیز برای بازرسی خودکار تجهیزات حفاظت شخصی (PPE)، مانند تشخیص ماسک یا تشخیص کلاه ایمنی، محبوبیت بیشتری پیدا می‌کنند. دید محاسباتی به نظارت بر پایبندی به پروتکل های ایمنی در سایت های ساخت و ساز یا در یک کارخانه هوشمند کمک می کند. بینایی کامپیوتر به رعایت استانداردهای مربوط به مراحل مختلف عملیات و ارزیابی عملکرد کارگران آموزش دیده کمک کند. ارزیابی خودکار کیفیت عملکرد کارگران می‌تواند با بهبود عملکرد کاری، ارتقای بهره‌وری) و مهم‌تر از آن، کشف اقدامات خطرناک برای کاهش میزان تصادفات سودمند باشد.

کیفیت سنجی محصولات

دوربین هوشمند مدیریت کیفیت، روشی مقیاس پذیر برای اجرای بازرسی بصری خودکار و کنترل کیفیت فرآیندهای تولید و خطوط مونتاژ در کارخانه های هوشمند ارائه می دهند. بدین ترتیب، یادگیری عمیق از تشخیص شی در زمان واقعی برای ارائه نتایج برتر (دقت تشخیص، سرعت، عینیت، قابلیت اطمینان) در مقایسه با بازرسی دستی پر زحمت استفاده می کند. در مقایسه با سیستم‌های بینایی ماشین سنتی، بازرسی بینایی ازهوش مصنوعی و روش‌های یادگیری ماشینی استفاده می‌کند که بسیار قوی هستند و به دوربین‌های خاص گران قیمت و تنظیمات غیرقابل انعطاف نیاز ندارند. بنابراین، روش‌های بینایی هوش مصنوعی در چندین مکان و کارخانه بسیار مقیاس‌پذیر هستند.

آموزش مهارتها

آموزش مهارتی یکی دیگر از زمینه های کاربردی سیستم های بینایی، بهینه سازی عملیات خط مونتاژ در تولید صنعتی و تعامل انسان و ربات است.

بینایی کامپیوتر در مدیریت سلامت

تشخیص سرطان

تشخیص سرطان یادگیری ماشینی در صنایع پزشکی برای اهدافی مانند تشخیص سرطان پستان و پوست گنجانده شده است. برای مثال، تشخیص تصویر به دانشمندان اجازه می‌دهد تفاوت‌های جزئی بین تصاویر سرطانی و غیرسرطانی را تشخیص دهند و داده‌های اسکن‌های تصویربرداری تشدید مغناطیسی (MRI) و عکس‌های ورودی را بدخیم یا خوش‌خیم تشخیص دهند.

تشخیص کوید 19

تشخیص کووید-19 از بینایی کامپیوتر می توان برای کنترل ویروس کرونا استفاده کرد. چندین مدل بینایی کامپیوتری یادگیری عمیق برای تشخیص COVID-19 مبتنی بر اشعه ایکس وجود دارد. محبوب ترین مورد برای تشخیص موارد COVID-19 با تصاویر رادیوگرافی دیجیتالی با اشعه ایکس قفسه سینه (CXR) COVID-Net نام دارد و توسط Darwin AI، کانادا توسعه یافته است.

دسته بندی سلولها

یادگیری ماشینی در طبقه بندی سلولی در موارد استفاده پزشکی برای طبقه بندی لنفوسیت های T در برابر سلول های اپیتلیال سرطان روده بزرگ با دقت بالا استفاده شده است. بنابراین، انتظار می رود یادگیری ماشین به طور قابل توجهی روند شناسایی بیماری در مورد سرطان روده بزرگ را به طور موثر و بدون هزینه پس از ایجاد تسریع کند.

آنالیز حرکات افراد

تجزیه و تحلیل حرکت بیماری های عصبی و اسکلتی عضلانی مانند سکته های بعدی، تعادل و مشکلات راه رفتن را می توان با استفاده از مدل های یادگیری عمیق و بینایی کامپیوتری حتی بدون تجزیه و تحلیل پزشک تشخیص داد. برنامه‌های بینایی رایانه‌ای Pose Estimation که حرکت بیمار را تجزیه و تحلیل می‌کنند به پزشکان در تشخیص آسان و افزایش دقت بیمار کمک می‌کنند.

تشخیص ماسک

تشخیص چهره نقابدار تشخیص ماسک برای تشخیص استفاده از ماسک و تجهیزات حفاظتی برای محدود کردن شیوع ویروس کرونا استفاده می‌شود. به همین ترتیب، سیستم‌های بینایی  کامپیوتری به کشورها کمک می‌کنند تا ماسک‌ها را به‌عنوان یک استراتژی کنترلی برای مهار شیوع بیماری کرونا اجرا کنند. به همین دلیل، شرکت‌های خصوصی مانند اوبر ویژگی‌های بینایی رایانه‌ای مانند تشخیص چهره را ایجاد کرده‌اند تا در اپلیکیشن‌های موبایل خود پیاده‌سازی شوند تا تشخیص دهند مسافران ماسک دارند یا نه. برنامه هایی از این دست، حمل و نقل عمومی را در طول همه گیری ویروس کرونا ایمن تر می کند. الگوریتم‌های یادگیری عمیق قادر به تشخیص دقیق چهره‌های نقاب‌دار و بدون نقاب در جریان‌های ویدیویی بی‌درنگ دوربین‌های نظارتی هستند.

تشخیص تومور

تومورهای مغزی را می توان در اسکن MRI مشاهده کرد و اغلب با استفاده از شبکه های عصبی عمیق شناسایی می شوند. نرم افزار تشخیص تومور با استفاده از یادگیری عمیق برای صنعت پزشکی بسیار مهم است زیرا می تواند تومورها را با دقت بالایی تشخیص دهد تا به پزشکان در تشخیص کمک کند. روش های جدید به طور مداوم برای افزایش دقت این تشخیص ها در حال توسعه هستند.

امتیاز بینایی کامپیوتری را می توان برای شناسایی بیماران بدحال برای هدایت مراقبت های پزشکی استفاده کرد (غربالگری بیمار بحرانی). افراد مبتلا به کووید-19 تنفس سریع تری دارند. یادگیری عمیق با دوربین‌های عمقی می‌تواند برای شناسایی الگوهای تنفسی غیرطبیعی برای انجام غربالگری دقیق و محجوب و در عین حال در مقیاس بزرگ افراد آلوده به ویروس COVID-19 استفاده شود.

مراقبت های بهداشتی و توانبخشی

مراقبت های بهداشتی و توانبخشی فیزیوتراپی برای آموزش بهبودی بازماندگان سکته مغزی و بیماران آسیب های ورزشی مهم است. چالش های اصلی مربوط به هزینه های نظارت توسط یک متخصص پزشکی، بیمارستان یا آژانس است. آموزش خانگی با برنامه توانبخشی مبتنی بر بینایی ترجیح داده می شود زیرا به افراد اجازه می دهد تا تمرینات حرکتی را به صورت خصوصی و اقتصادی انجام دهند. در درمان یا توانبخشی به کمک رایانه، ارزیابی کنش انسانی می تواند برای کمک به بیماران در آموزش در خانه، راهنمایی آنها برای انجام صحیح اقدامات و جلوگیری از صدمات بیشتر استفاده شود. می توانید دربرنامه های ورزشی و تناسب اندام بیشتری کاوش کنید.

آموزش مهارتهای پزشکی

برنامه های بینایی ماشین برای ارزیابی سطح مهارت یادگیرندگان خبره در بسترهای خودآموز استفاده می شود. به عنوان مثال، پلتفرم های آموزش جراحی مبتنی بر شبیه سازی برای آموزش جراحی توسعه داده شده است. علاوه بر این، تکنیک ارزیابی کیفیت عمل امکان توسعه رویکردهای محاسباتی را فراهم می کند که به طور خودکار عملکرد دانشجویان جراحی را ارزیابی می کند. بر این اساس، می‌توان اطلاعات بازخورد معناداری را در اختیار افراد قرار داد و آنها را برای ارتقای سطح مهارت‌هایشان راهنمایی کرد.

بینایی کامپیوتر در کشاورزی

نظارت بر حیوانات

 نظارت بر حیوانات با دید کامپیوتری یک استراتژی کلیدی در کشاورزی هوشمند است. یادگیری ماشینی از جریان های دوربین برای نظارت بر سلامت دام های خاص مانند خوک، گاو یا طیور استفاده می کند. هدف سیستم‌های بینایی هوشمند تجزیه و تحلیل رفتار حیوانات برای افزایش بهره‌وری، سلامت و رفاه حیوانات و در نتیجه تأثیرگذاری بر بازده و مزایای اقتصادی در صنعت است.

اتوماسیون مزرعه

فن‌آوری‌های اتوماسیون مزرعه مانند ربات‌های برداشت، بذر و وجین، تراکتورهای مستقل، و سیستم‌های بینایی برای نظارت بر مزارع از راه دور، هواپیماهای بدون سرنشین برای بازرسی بصری می‌توانند بهره‌وری را با کمبود نیروی کار به حداکثر برسانند. سودآوری را می توان با خودکار کردن بازرسی دستی با دید هوش مصنوعی، کاهش ردپای زیست محیطی و بهبود فرآیندهای تصمیم گیری به طور قابل توجهی افزایش داد.

نظارت بر محصول

عملکرد و کیفیت محصولات مهم مانند برنج و گندم تعیین کننده ثبات امنیت غذایی است. به طور سنتی، نظارت بر رشد محصول عمدتاً بر قضاوت ذهنی انسان متکی است و به موقع یا دقیق نیست. برنامه های بینایی ماشین امکان نظارت مستمر و غیر مخرب بر رشد گیاه و پاسخ به نیازهای مواد مغذی را فراهم می کند. در مقایسه با عملیات دستی، نظارت بر رشد محصول در زمان واقعی با استفاده از فناوری بینایی کامپیوتری می تواند تغییرات ظریف در محصولات به دلیل سوء تغذیه را خیلی زودتر تشخیص دهد و می تواند مبنای مطمئن و دقیقی برای تنظیم به موقع فراهم کند.

تشخیص گلدهی

تاریخ سرفصل گندم یکی از پارامترهای مهم برای محصولات گندم است. برای تعیین دوره طبقه بندی گندم می توان از یک سیستم مشاهده خودکار بینایی کامپیوتری استفاده کرد. فناوری بینایی کامپیوتر دارای مزایای کم هزینه، خطای کم، راندمان بالا و استحکام خوب است و می تواند به صورت پویا و پیوسته تجزیه و تحلیل شود.

تشخیص حشرات

تشخیص و شمارش سریع و دقیق حشرات پرنده به ویژه برای کنترل آفات از اهمیت بالایی برخوردار است. با این حال، شناسایی دستی سنتی و شمارش حشرات پرنده ناکارآمد و کار فشرده است. سیستم‌های مبتنی بر بینایی امکان شمارش و تشخیص حشرات در حال پرواز را می‌دهند (بر اساس تشخیص و طبقه‌بندی شی فقط یک بار نگاه می‌کنید (YOLO).

نظارت بر مزارع در کشاورزی هوشمند

 از پردازش تصویر با تصاویر هواپیماهای بدون سرنشین می توان برای نظارت بر مزارع روغن نخل از راه دور استفاده کرد. با عکسهای جغرافیایی می توان تشخیص داد که کدام قسمت از زمین مزرعه برای محصولات کاشته شده حاصلخیز است. همچنین می توان نواحی کمتر حاصلخیز از نظر رشد و قسمت هایی از مزارع زراعی را که اصلاً رشد نمی کردند شناسایی کرد.

تشخیص بیماری گیاهان

تشخیص بیماری گیاهی برآورد خودکار و دقیق شدت بیماری برای امنیت غذایی، مدیریت بیماری و پیش‌بینی کاهش عملکرد ضروری است. روش یادگیری عمیق از مهندسی ویژگی های کار فشرده و تقسیم بندی تصویر مبتنی بر آستانه اجتناب می کند. برای مثال، برای شناسایی پوسیدگی سیاه سیب، تخمین خودکار شدت بیماری گیاهی مبتنی بر تصویر با استفاده از برنامه‌های شبکه عصبی کانولوشنال عمیق (CNN) توسعه داده شد.

وجین خودکار

وجین خودکار علف های هرز از گیاهان مضر در زراعت در نظر گرفته می شوند زیرا برای بدست آوردن آب، مواد معدنی و سایر مواد مغذی موجود در خاک با محصولات کشاورزی رقابت می کنند. سمپاشی سموم فقط در مکان های دقیق علف های هرز خطر آلودگی گیاهان، انسان، حیوانات و منابع آبی را تا حد زیادی کاهش می دهد. تشخیص و حذف هوشمند علف های هرز برای توسعه کشاورزی حیاتی است. یک سیستم بینایی کامپیوتری مبتنی بر شبکه عصبی می تواند برای شناسایی گیاهان سیب زمینی و سه علف هرز مختلف برای سمپاشی خاص در محل استفاده شود.

برداشت خودکار

برداشت خودکار در کشاورزی سنتی، تکیه بر عملیات مکانیکی، با برداشت دستی به عنوان پایه اصلی وجود دارد که منجر به هزینه های بالا و راندمان پایین می شود. با این حال، در سال‌های اخیر با استفاده مداوم از فناوری بینایی کامپیوتری، ماشین‌های برداشت هوشمند کشاورزی پیشرفته مانند ماشین‌های برداشت و ربات‌های چیدن مبتنی بر فناوری بینایی کامپیوتری در تولیدات کشاورزی ظهور کرده‌اند که گامی جدید در صنعت کشاورزی بوده است. برداشت خودکار محصولات زراعی تمرکز اصلی عملیات برداشت اطمینان از کیفیت محصول در طول برداشت برای به حداکثر رساندن ارزش بازار است. برنامه های کاربردی بینایی کامپیوتر شامل چیدن خیار به صورت خودکار در محیط گلخانه یا شناسایی خودکار گیلاس در محیط طبیعی است.

تست کیفیت محصولات کشاورزی

تست کیفیت محصولات کشاورزی یکی از عوامل مهم تاثیرگذار بر قیمت بازار و رضایت مشتری است. در مقایسه با بازرسی های دستی، بینایی ماشین راهی برای انجام بررسی های کیفیت خارجی ارائه می دهد. سیستم‌های بینایی هوش مصنوعی قادر به دستیابی به درجات بالایی از انعطاف‌پذیری و تکرارپذیری با هزینه نسبتاً کم و با دقت بالا هستند. به عنوان مثال، سیستم های مبتنی بر بینایی ماشین و بینایی کامپیوتری برای آزمایش سریع آسیب لیمو شیرین یا ارزیابی کیفیت غیر مخرب سیب زمینی استفاده می شود.

مدیریت آبیاری

مدیریت خاک بر اساس استفاده از فناوری برای افزایش بهره وری خاک از طریق کشت، کوددهی یا آبیاری تأثیر قابل توجهی بر تولید کشاورزی مدرن دارد. با به دست آوردن اطلاعات مفید در مورد رشد محصولات باغی از طریق تصاویر، می توان تعادل آب خاک را برای دستیابی به برنامه ریزی دقیق آبیاری به طور دقیق تخمین زد. برنامه های کاربردی بینایی کامپیوتر اطلاعات ارزشمندی در مورد تعادل آب مدیریت آبیاری ارائه می دهند. یک سیستم مبتنی بر بینایی می تواند تصاویر چند طیفی گرفته شده توسط وسایل نقلیه هوایی بدون سرنشین (UAV) را پردازش کند و شاخص پوشش گیاهی (VI) را برای ارائه پشتیبانی تصمیم برای مدیریت آبیاری به دست آورد.

نظارت بر زمین های کشاورزی پهپاد اطلاعات زمین های کشاورزی در زمان واقعی و درک دقیق آن اطلاعات نقش اساسی در کشاورزی دقیق دارد. طی سال‌های اخیر، پهپادها (پهپادها) به عنوان یک فناوری به سرعت در حال پیشرفت، امکان دستیابی به اطلاعات کشاورزی با وضوح بالا، هزینه کم و راه‌حل‌های سریع را فراهم کرده‌اند. علاوه بر این، سکوهای پهپاد مجهز به حسگرهای تصویر، اطلاعات دقیقی در مورد اقتصاد کشاورزی و شرایط محصول ارائه می دهند (به عنوان مثال، نظارت مداوم بر محصول). در نتیجه سنجش از دور پهپاد به افزایش تولید محصولات کشاورزی با کاهش هزینه های کشاورزی کمک کرده است.

ارزیابی عملکرد از طریق استفاده از فناوری بینایی کامپیوتری، عملکردهای مدیریت خاک، تشخیص بلوغ و تخمین عملکرد برای مزارع محقق شده است. علاوه بر این، فناوری موجود را می توان به خوبی برای روش هایی مانند تحلیل طیفی و یادگیری عمیق به کار برد. بیشتر این روش ها دارای مزایای دقت بالا، هزینه کم، قابلیت حمل خوب، یکپارچگی خوب و مقیاس پذیری هستند و می توانند پشتیبانی قابل اعتمادی را برای تصمیم گیری مدیریت ارائه دهند. به عنوان مثال، تخمین عملکرد محصول مرکبات از طریق تشخیص و شمارش میوه با استفاده از بینایی کامپیوتری است. همچنین با پردازش تصاویر به دست آمده با استفاده از پهپاد می توان عملکرد مزارع نیشکر را پیش بینی کرد.

بینایی ماشین در حمل و نقل شهری

در طبقه بندی وسایل نقلیه برنامه های کاربردی بینایی کامپیوتری برای طبقه بندی خودکار وسایل نقلیه سابقه طولانی دارند. فن‌آوری‌های طبقه‌بندی خودکار وسایل نقلیه برای شمارش وسایل نقلیه در طول دهه‌ها در حال تکامل بوده‌اند. روش‌های یادگیری عمیق، پیاده‌سازی سیستم‌های تحلیل ترافیک در مقیاس بزرگ را با استفاده از دوربین‌های امنیتی رایج و ارزان امکان‌پذیر می‌سازند. با رشد سریع سنسورهای مقرون به صرفه مانند دوربین های مدار بسته تلویزیونی (CCTV)، تشخیص نور و محدوده (LiDAR) و حتی دستگاه های تصویربرداری حرارتی، وسایل نقلیه را می توان به طور همزمان در چندین خط شناسایی، ردیابی و طبقه بندی کرد. دقت طبقه‌بندی خودرو را می‌توان با ترکیب سنسورهای متعدد مانند تصویربرداری حرارتی، تصویربرداری LiDAR با دوربین‌های RGB (دوربین‌های نظارت رایج، دوربین‌های IP) بهبود بخشید. علاوه بر این، تخصص های متعددی وجود دارد. به عنوان مثال، یک راه حل بینایی کامپیوتری مبتنی بر یادگیری عمیق برای تشخیص وسایل نقلیه ساختمانی برای اهدافی مانند نظارت بر ایمنی، ارزیابی بهره وری و تصمیم گیری مدیریتی استفاده شده است.

تشخیص تخلفات رانندگی

شناسایی تخلفات متحرک سازمان‌های مجری قانون و شهرداری‌ها در حال افزایش استقرار سیستم‌های نظارت بر جاده مبتنی بر دوربین با هدف کاهش رفتار رانندگی ناایمن هستند. احتمالاً حیاتی ترین کاربرد، تشخیص وسایل نقلیه متوقف شده در مناطق خطرناک است. همچنین، استفاده روزافزون از تکنیک‌های بینایی کامپیوتری در شهرهای هوشمند وجود دارد که شامل تشخیص خودکار تخلفات مانند سرعت غیرمجاز، روشن کردن چراغ‌های قرمز یا علائم ایست، رانندگی در مسیر اشتباه و ایجاد پیچ‌های غیرقانونی است.

تجزیه و تحلیل جریان ترافیک

تجزیه و تحلیل جریان ترافیک به طور گسترده برای سیستم های حمل و نقل هوشمند (ITS) با استفاده از روش های تهاجمی (برچسب ها، کویل های زیر روسازی و غیره) و روش های غیر تهاجمی مانند دوربین ها مورد مطالعه قرار گرفته است. با ظهور بینایی کامپیوتر و هوش مصنوعی، اکنون می توان تجزیه و تحلیل ویدئویی را برای دوربین های ترافیکی همه جا به کار برد، که می تواند تاثیر زیادی در ITS و شهر هوشمند ایجاد کند. جریان ترافیک را می توان با استفاده از ابزار بینایی کامپیوتری مشاهده کرد و برخی از متغیرهای مورد نیاز مهندسان ترافیک را اندازه گیری کرد.

تشخیص اشغال پارکینگ

نظارت بصری فضای پارکینگ با هدف تشخیص اشغال پارکینگ استفاده می شود. به خصوص در شهرهای هوشمند، برنامه‌های بینایی رایانه راه‌حل‌های غیرمتمرکز و کارآمدی را برای تشخیص اشغال پارکینگ بصری بر اساس یک شبکه عصبی پیچیده عمیق (CNN) ارائه می‌کنند. مجموعه داده های متعددی برای تشخیص پارکینگ وجود دارد، مانند PKLot و CNRPark-EXT. علاوه بر این، سیستم‌های مدیریت پارکینگ مبتنی بر ویدئو با استفاده از تصویربرداری استریوسکوپی (3D) یا دوربین‌های حرارتی پیاده‌سازی شده‌اند. مزیت تشخیص پارکینگ مبتنی بر دوربین، مقیاس پذیری برای استفاده در مقیاس بزرگ، تعمیر و نگهداری ارزان و نصب است، به خصوص که امکان استفاده مجدد از دوربین های امنیتی وجود دارد.

تشخیص خودکار پلاک خودرو (ALPR)

بسیاری از سیستم های حمل و نقل مدرن و ایمنی عمومی به شناسایی و استخراج اطلاعات پلاک خودرو از تصاویر ثابت یا فیلم ها متکی هستند. تشخیص خودکار پلاک خودرو (ALPR) از بسیاری جهات صنعت ایمنی عمومی و حمل و نقل را متحول کرده است. چنین سیستم‌های شناسایی پلاک راه‌حل‌های مدرن جاده‌ای با عوارضی را امکان‌پذیر می‌کنند، که صرفه‌جویی در هزینه‌های عملیاتی فوق‌العاده را از طریق اتوماسیون فراهم می‌کنند و حتی قابلیت‌های کاملاً جدیدی را در بازار ممکن می‌سازند (مانند واحدهای پلاک‌خوانی نصب شده روی رزمناو پلیس). OpenALPR یک کتابخانه تشخیص پلاک خودکار محبوب است که بر اساس تشخیص نویسه نوری (OCR) بر روی تصاویر یا فیدهای ویدیویی پلاک‌های خودرو است.

شناسایی مجدد وسیله نقلیه با بهبود در شناسایی مجدد افراد، سیستم‌های نظارت و حمل و نقل هوشمند قصد دارند این رویکرد را برای خودروهایی که از شناسایی مجدد خودرو مبتنی بر دید استفاده می‌کنند، تکرار کنند. روش های مرسوم برای ارائه یک شناسه وسیله نقلیه منحصر به فرد معمولاً مزاحم هستند (برچسب داخل خودرو، تلفن همراه یا GPS). برای تنظیمات کنترل‌شده مانند باجه عوارض، تشخیص خودکار پلاک (ANPR) احتمالاً بهترین فناوری مناسب برای شناسایی دقیق وسایل نقلیه است. با این حال، پلاک ها در معرض تغییر و جعل هستند و ALPR نمی تواند ویژگی های برجسته وسایل نقلیه، مانند علائم یا فرورفتگی را نشان دهد. روش‌های غیر مزاحم مانند تشخیص مبتنی بر تصویر، پتانسیل و تقاضای بالایی دارند، اما هنوز برای استفاده عملی از بلوغ فاصله دارند. بیشتر تکنیک‌های شناسایی مجدد خودرو مبتنی بر بینایی بر اساس ظاهر خودرو مانند رنگ، بافت و شکل است. امروزه، شناخت ویژگی های ظریف و متمایز مانند مدل خودرو یا مدل سال هنوز یک چالش حل نشده است.

تشخیص عابر پیاده

تشخیص عابران پیاده برای سیستم های حمل و نقل هوشمند (ITS) بسیار مهم است. موارد استفاده از رانندگی مستقل گرفته تا نظارت بر زیرساخت ها، مدیریت ترافیک، ایمنی و کارایی حمل و نقل و اجرای قانون را شامل می شود. تشخیص عابر پیاده شامل انواع بسیاری از حسگرها، مانند دوربین‌های مداربسته یا IP سنتی، دستگاه‌های تصویربرداری حرارتی، دستگاه‌های تصویربرداری نزدیک به مادون قرمز، و دوربین‌های RGB داخلی است. الگوریتم تشخیص شخص یا آشکارساز افراد می تواند بر اساس امضاهای مادون قرمز، ویژگی های شکل، ویژگی های گرادیان، یادگیری ماشین یا ویژگی های حرکت باشد. تشخیص عابر پیاده با تکیه بر شبکه‌های عصبی کانولوشن عمیق (CNN) حتی با شناسایی عابران پیاده که به شدت مسدود شده‌اند، پیشرفت چشمگیری داشته است.

برنامه های کاربردی کامپیوتری جهت تشخیص علائم ترافیکی

از بینایی تشخیص علائم ترافیکی برای تشخیص و تشخیص علائم ترافیکی استفاده می شوند. تکنیک‌های بینایی برای تقسیم‌بندی علائم ترافیکی از صحنه‌های مختلف ترافیک (با استفاده از تقسیم‌بندی تصویر) اعمال می‌شوند و از الگوریتم‌های یادگیری عمیق برای شناسایی و طبقه‌بندی علائم راهنمایی و رانندگی استفاده می‌کنند.

سیستم های جلوگیری از برخورد و تشخیص خودرو

سیستم های جلوگیری از برخورد تشخیص خودرو و تشخیص خط بخشی جدایی ناپذیر از اکثر سیستم های پیشرفته کمک راننده  است. شبکه‌های عصبی عمیق اخیراً برای بررسی یادگیری عمیق و استفاده از آن برای سیستم‌های اجتناب از برخورد خودکار مورد استفاده قرار گرفته‌اند.

نظارت بر وضعیت جاده

نظارت بر وضعیت جاده تشخیص عیب و ارزیابی وضعیت مبتنی بر دید کامپیوتری برای نظارت بر زیرساخت‌های عمرانی بتنی و آسفالت توسعه داده شده است. ارزیابی وضعیت روسازی اطلاعاتی را برای اتخاذ تصمیمات مقرون به صرفه تر و سازگارتر در مورد مدیریت شبکه های روسازی فراهم می کند. به طور کلی، بازرسی های آسیب روسازی با استفاده از وسایل نقلیه جمع آوری داده های پیچیده و/یا بررسی های پیاده روی زمین انجام می شود. یک رویکرد یادگیری ماشین عمیق برای توسعه شاخص وضعیت روسازی آسفالتی برای ارائه روشی مستقل، ارزان، کارآمد و ایمن برای تشخیص خودکار آسیب روسازی روسازی از طریق بینایی کامپیوتر ایجاد شد.

یکی دیگر از کاربردهای بینایی کامپیوتر، بازرسی بصری جاده ها برای شناسایی چاله های جاده و تخصیص تعمیر و نگهداری جاده با هدف کاهش تعداد تصادفات وسایل نقلیه مرتبط است.

ارزیابی وضعیت زیرساخت ساختمانها

ارزیابی وضعیت زیرساخت برای اطمینان از ایمنی و قابلیت خدمات زیرساخت های عمرانی، بازرسی بصری و ارزیابی وضعیت فیزیکی و عملکردی آن ضروری است. سیستم‌های بازرسی و نظارت بر زیرساخت‌های عمرانی مبتنی بر ویژن کامپیوتری به‌طور خودکار داده‌های تصویر و ویدیو را به اطلاعات عملی تبدیل می‌کنند. برنامه های کاربردی بازرسی بینایی کامپیوتری برای شناسایی اجزای ساختاری، مشخص کردن آسیب های قابل مشاهده محلی و جهانی و تشخیص تغییرات از یک تصویر مرجع استفاده می شود. چنین برنامه های نظارتی شامل اندازه گیری استاتیکی کرنش و جابجایی و اندازه گیری دینامیکی جابجایی برای تحلیل مودال است.

تشخیص حواس پرتی راننده

تشخیص حواس پرتی رانندگی – مانند خیالبافی، استفاده از تلفن همراه و نگاه کردن به چیزی خارج از ماشین – بخش بزرگی از تلفات ترافیکی جاده ای را در سراسر جهان تشکیل می دهد. هوش مصنوعی برای درک رفتارهای رانندگی، یافتن راه حل هایی برای کاهش حوادث ترافیکی استفاده می شود. از فناوری‌های نظارت جاده‌ای برای مشاهده تخلفات محفظه مسافران استفاده می‌شود، به عنوان مثال، در تشخیص کمربند ایمنی مبتنی بر یادگیری عمیق در نظارت جاده‌ای. فن‌آوری‌های نظارت بر راننده در خودرو بر حس‌بصری، تحلیل و بازخورد تمرکز دارند. رفتار راننده را می‌توان هم مستقیماً از دوربین‌های رو به داخل راننده و هم به‌طور غیرمستقیم از دوربین‌ها یا حسگرهای رو به بیرون استنباط کرد. تکنیک‌های مبتنی بر تجزیه و تحلیل ویدیویی رو به راننده، چهره و چشم‌ها را با الگوریتم‌هایی برای جهت نگاه، تخمین وضعیت سر، و نظارت بر حالات چهره تشخیص می‌دهند. الگوریتم‌های تشخیص چهره توانسته‌اند چهره‌های بی‌توجه در مقابل چهره‌های بی‌توجه را تشخیص دهند. الگوریتم‌های یادگیری عمیق می‌توانند تفاوت‌های بین چشم‌های متمرکز و بدون تمرکز و همچنین علائم رانندگی تحت تأثیر را تشخیص دهند. برنامه های کاربردی مبتنی بر بینایی متعدد برای طبقه بندی وضعیت حواس پرتی راننده در زمان واقعی با چندین روش یادگیری عمیق (RNN و CNN) در تشخیص حواس پرتی در زمان واقعی استفاده می شود.

الگوریتمها شمارش مردم

الگوریتم‌های «مردم شمارش بینایی رایانه» با نمونه‌های داده‌ای آموزش داده می‌شوند تا انسان‌ها را شناسایی کرده و آنها را در هنگام شناسایی شمارش کنند. چنین فناوری شمارش افراد برای فروشگاه‌ها برای جمع‌آوری داده‌های موفقیت فروشگاه‌هایشان مفید است و همچنین می‌تواند در موقعیت‌های مربوط به COVID-19 که تعداد محدودی از افراد به طور هم‌زمان اجازه ورود به یک فروشگاه را دارند، استفاده شود. فروشندگان تشخیص سرقت با استفاده از الگوریتم‌های بینایی رایانه‌ای که به‌طور مستقل صحنه را تجزیه و تحلیل می‌کنند، می‌توانند رفتارهای مشکوک مانند پرسه زدن یا دسترسی به مناطقی که ممنوع است را شناسایی کنند.

تشخیص سارقین

فروشندگان در تشخیص سرقت با استفاده از الگوریتم‌های بینایی رایانه‌ای که به طور مستقل صحنه را تجزیه و تحلیل می‌کنند، می‌توانند رفتارهای مشکوک مانند پرسه زدن یا دسترسی به مناطقی را که ممنوع است، شناسایی کنند.

بهسازی عملکرد خرده فروشان

تجزیه و تحلیل زمان انتظار برای جلوگیری از مشتریان بی حوصله و صف های انتظار بی پایان، خرده فروشان در حال پیاده سازی فناوری تشخیص صف هستند. تشخیص صف از دوربین ها برای ردیابی و شمارش تعداد خریداران در یک خط استفاده می کند. پس از رسیدن به آستانه مشتریان، سیستم هشداری را برای کارمندان به صدا در می آورد تا صندوق های پرداخت جدید را باز کنند. فاصله گذاری اجتماعی برای اطمینان از رعایت نکات ایمنی، شرکت ها از آشکارسازهای فاصله استفاده می کنند. یک دوربین حرکت کارمندان یا مشتری را ردیابی می کند و از حسگرهای عمق برای ارزیابی فاصله بین آنها استفاده می کند. سپس، بسته به موقعیت آنها، سیستم یک دایره قرمز یا سبز در اطراف فرد ترسیم می کند.

فاصله گذاری اجتماعی

فاصله گذاری اجتماعی برای اطمینان از رعایت نکات ایمنی، شرکت ها از آشکارسازهای فاصله استفاده می کنند. یک دوربین حرکت کارمندان یا مشتری را ردیابی می کند و از حسگرهای عمق برای ارزیابی فاصله بین آنها استفاده می کند. سپس، بسته به موقعیت آنها، سیستم یک دایره قرمز یا سبز در اطراف فرد ترسیم می کند.

دوربین‌های ضبط حرکت بدون نشانگر جهت تشخیص عملکرد ورزشکاران

دوربین‌های ضبط حرکت بدون نشانگر از تخمین پوز با یادگیری عمیق برای ردیابی حرکت اسکلت انسان بدون استفاده از نشانگرهای نوری سنتی و دوربین‌های تخصصی استفاده می‌کنند. این در فیلمبرداری ورزشی ضروری است، جایی که بازیکنان نمی‌توانند با لباس‌ها یا دستگاه‌های ضبط عملکرد اضافی بار شوند.

ارزیابی عملکرد تشخیص و تشخیص خودکار حرکات ورزشی خاص بر محدودیت‌های مرتبط با روش‌های تحلیل عملکرد دستی (موضوعیت، کمی‌سازی، تکرارپذیری) غلبه می‌کند. ورودی داده‌های سیستم بینایی کامپیوتر را می‌توان در ترکیب با داده‌های حسگرها و پوشیدنی‌های پوشیدنی استفاده کرد. موارد استفاده رایج عبارتند از آنالیز شنا، تجزیه و تحلیل نوسان گلف، تجزیه و تحلیل دویدن روی زمین، اسکی آلپاین، و تشخیص و ارزیابی بولینگ کریکت.

ردیابی وضعیت چند نفره

ردیابی وضعیت چند نفره با استفاده از الگوریتم‌های بینایی کامپیوتری، ژست انسان و حرکت بدن بازیکنان چند تیم را می‌توان از مجموعه داده‌های ویدئویی ورزشی تک چشمی (فیلم تک دوربینی) و چند نمای (فیلم از چندین دوربین) محاسبه کرد. استفاده بالقوه از تخمین وضعیت دوبعدی یا سه بعدی چند بازیکن در ورزش گسترده است و شامل تجزیه و تحلیل عملکرد، ضبط حرکت، و برنامه‌های جدید در پخش و رسانه‌های فراگیر می‌شود.

تشخیص نحوه ضربه به توپ

برنامه های بینایی کامپیوتری قادر به تشخیص و طبقه بندی تشخیص ضربه به توپ هستند (به عنوان مثال، طبقه بندی ضربه ها در تنیس روی میز). تشخیص یا طبقه‌بندی حرکت شامل تفاسیر بیشتر و پیش‌بینی‌های برچسب‌گذاری‌شده از نمونه شناسایی‌شده است (به عنوان مثال، تمایز ضربات تنیس به عنوان فورهند یا بک هند). هدف تشخیص ضربه فراهم کردن ابزارهایی برای معلمان، مربیان و بازیکنان برای تجزیه و تحلیل بازی‌های تنیس روی میز و بهبود مهارت‌های ورزشی کارآمدتر است.

بینایی ماشین در نقش دستیار مربیان ورزش

مربیگری در زمان واقعی، تجزیه و تحلیل ویدئویی ورزشی مبتنی بر چشم انداز کامپیوتری به بهبود بهره وری منابع و کاهش زمان بازخورد برای وظایف با محدودیت زمانی کمک می کند. مربیان و ورزشکارانی که درگیر کارهای نمادین زمان بر، از جمله تجزیه و تحلیل مسابقه پس از شنا هستند، می توانند از بازخورد سریع و عینی قبل از مسابقه بعدی در برنامه رویداد بهره مند شوند. سیستم‌های خودآموزی برای تمرینات ورزشی یک موضوع تحقیقاتی مشابهی است که اخیراً در حال ظهور است. در حالی که خودآموزی در تمرینات ورزشی ضروری است، یک تمرین‌کننده ممکن است تا حد محدودی بدون دستور مربی پیشرفت کند. به عنوان مثال، یک برنامه خودآموزی یوگا با هدف آموزش به تمرین‌کننده برای انجام صحیح ژست‌های یوگا، کمک به اصلاح وضعیت‌های نامناسب و جلوگیری از آسیب می‌باشد. علاوه بر این، می توان از سیستم های خودآموزی مبتنی بر بینایی برای ارائه دستورالعمل هایی در مورد نحوه تنظیم وضعیت بدن استفاده کرد.

تجزیه و تحلیل تیم های ورزشی تحلیلگران در ورزش های تیمی حرفه ای به طور منظم تجزیه و تحلیل را برای به دست آوردن بینش استراتژیک و تاکتیکی در مورد رفتار بازیکنان و تیم (شناسایی نقاط ضعف، ارزیابی عملکرد و بهبود پتانسیل ها) انجام می دهند. با این حال، تجزیه و تحلیل دستی ویدیو معمولاً وقت گیر است، جایی که تحلیلگران باید صحنه ها را به خاطر بسپارند و حاشیه نویسی کنند. تکنیک‌های یبینایی کامپیوتر را می‌توان برای استخراج داده‌های مسیر از مواد ویدیویی و استفاده از تکنیک‌های تجزیه و تحلیل حرکت برای استخراج اقدامات تحلیلی ورزشی تیمی مرتبط برای منطقه، تشکیل تیم، رویداد و تجزیه و تحلیل بازیکن استفاده کرد (به عنوان مثال، در تجزیه و تحلیل ورزش تیمی فوتبال)

ردیابی توپ در بازی

ردیابی توپ ردیابی اشیاء در زمان واقعی برای شناسایی و ثبت الگوهای حرکتی اجسام استفاده می شود. داده های مسیر توپ یکی از اساسی ترین و مفیدترین اطلاعات در ارزیابی عملکرد بازیکنان و تجزیه و تحلیل استراتژی های بازی است. از این رو، ردیابی حرکت توپ، کاربرد یادگیری عمیق و ماشینی برای شناسایی و سپس ردیابی توپ در فریم های ویدئویی است. به عنوان مثال، ردیابی توپ در ورزش هایی با زمین های بزرگ (به عنوان مثال، فوتبال) مهم است تا به گویندگان اخبار و تحلیلگران کمک کند تا یک بازی ورزشی و تاکتیک ها را سریعتر تفسیر و تحلیل کنند.

کمک به آنالیز ورزش

مربیگری در زمان واقعی، تجزیه و تحلیل ویدئویی ورزشی مبتنی بر چشم انداز کامپیوتری به بهبود بهره وری منابع و کاهش زمان بازخورد برای وظایف با محدودیت زمانی کمک می کند. مربیان و ورزشکارانی که درگیر کارهای نمادین زمان بر، از جمله تجزیه و تحلیل مسابقه پس از شنا هستند، می توانند از بازخورد سریع و عینی قبل از مسابقه بعدی در برنامه رویداد بهره مند شوند. سیستم‌های خودآموزی برای تمرینات ورزشی یک موضوع تحقیقاتی مشابهی است که اخیراً در حال ظهور است. در حالی که خودآموزی در تمرینات ورزشی ضروری است، یک تمرین‌کننده ممکن است تا حد محدودی بدون دستور مربی پیشرفت کند. به عنوان مثال، یک برنامه خودآموزی یوگا با هدف آموزش به تمرین‌کننده برای انجام صحیح ژست‌های یوگا، کمک به اصلاح وضعیت‌های نامناسب و جلوگیری از آسیب می‌باشد. علاوه بر این، می توان از سیستم های خودآموزی مبتنی بر بینایی برای ارائه دستورالعمل هایی در مورد نحوه تنظیم وضعیت بدن استفاده کرد.

پرورش افراد نخبه برای ورزش

نسل برجسته تولید نکات برجسته ورزشی، کار فشرده ای است که به درجاتی از تخصص نیاز دارد، به ویژه در ورزش هایی با مجموعه قوانین پیچیده ای که برای مدت طولانی تری اجرا می شود (مانند کریکت). یک مثال کاربردی، تولید خودکار برجسته کریکت با استفاده از ویژگی‌های رویداد محور و مبتنی بر هیجان برای تشخیص و کلیپ رویدادهای مهم در مسابقه کریکت است.

امتیازدهی فعالیت های ورزشی

امتیازدهی فعالیت های ورزشی روش های یادگیری عمیق را می توان برای امتیازدهی فعالیت های ورزشی برای ارزیابی کیفیت عملکرد ورزشکاران استفاده کرد (ویژگی های عمیق برای امتیازدهی فعالیت ورزشی). به عنوان مثال، امتیاز دهی خودکار فعالیت های ورزشی را می توان در غواصی، اسکیت بازی، یا خرک بازی استفاده کرد (ScoringNet یک برنامه شبکه سه بعدی CNN برای امتیازدهی فعالیت های ورزشی است). به عنوان مثال، یک برنامه امتیاز دهی غواصی با ارزیابی امتیاز کیفی عملکرد غواصی یک ورزشکار کار می کند: این مهم است که آیا پاهای ورزشکار در کنار هم و انگشتان پاهای او در کل فرآیند غواصی مستقیم هستند یا خیر.