IA : des détails des capteurs à une surveillance avisée
Publié: 2022-01-18
L'ingénierie des capteurs évolue et devient beaucoup plus précise. Les avantages supplémentaires de cela pour les organisations sont évidents, à titre d'illustration, une résolution de plancher améliorée créera des connaissances beaucoup plus précises. Cela dit, les faits en cause constituent un défi. Tout comme le savoir-faire augmente, le volume de connaissances créées augmente également. Ces données doivent être correctement gérées pour aider à dire les procédures de l'entreprise.
La solution pour naviguer dans les détails réside dans l'automatisation et l'intelligence artificielle (IA). L'automatisation consiste en une série d'algorithmes destinés à exécuter mécaniquement des actions principalement basées sur des instructions saisies. L'IA est un élément clé de cette procédure car elle garantit que les procédures automatisées restent intuitives. La conséquence est que les traitements fondés sur la connaissance peuvent être appliqués sans conversation humaine, ce qui réduit le stress des entreprises car il libère une partie substantielle du temps.
Produire un sens des informations des capteurs
Le savoir-faire technologique des capteurs est utilisé pour découvrir des objets. Cela représente un défi car de nombreuses variables peuvent affecter les connaissances établies, de sorte que l'approche automatisée peut avoir du mal. La difficulté est que les algorithmes ne peuvent pas être entièrement développés pour à peu près toutes les variables.
Des solutions à ce problème ont été produites qui dépendent des unités d'IA qui ont été conçues pour mieux gérer les énormes volumes d'informations produites par les technologies de capteurs. Les applications sérieuses de cela intègrent des méthodes d'avertissement de sortie de voie et la reconnaissance des indicateurs de trafic sur le site Web.
Il existe trois types de résultats des applications d'IA aux capteurs et aux informations qui en découlent. Au départ, il existe une classification des éléments qui détermine si un objet est actuel dans une impression. Ensuite, il y a la reconnaissance d'objets dans laquelle un seul objet ou des objets supplémentaires sont détectés dans une image et leur place est décidée. Et enfin, il y a la segmentation des objets qui remplit les contours réels de l'élément.
Cependant, la complexité du système augmente de la classification des objets à la segmentation. Des techniques beaucoup plus intuitives devront être utilisées pour gérer de manière appropriée les effets de nombreuses variables sur les ensembles d'informations.
Le but des réseaux de neurones
L'IA est une période de temps parapluie pour l'ingénierie qui permet aux appareils de comprendre leur environnement et de maîtriser pour s'adapter aux ajustements qui s'y produisent. En IA, l'étude d'équipement est un sous-ensemble qui utilise des méthodes statistiques pour permettre à l'équipement d'améliorer ses performances générales sans être explicitement programmé. Cependant, Deep Learning est beaucoup plus intuitif, qui est un sous-ensemble de l'étude de l'équipement. Deep Mastering peut traiter de grandes quantités de détails en travaillant avec les réseaux de neurones profonds (DNN).
Ces réseaux de neurones sont essentiels à la classification des éléments dans la technologie des capteurs. Bien que plusieurs réseaux de neurones puissent être utilisés, ils ont tous des attributs spécifiques qui influencent la façon dont ils maîtrisent l'interprétation et l'action sur les détails des capteurs.
Initialement, tous les réseaux de neurones doivent être qualifiés. Pour classer, comprendre ou segmenter des objets, les réseaux doivent être instruits sur la façon de gérer les différentes leçons d'items. Les réseaux sont qualifiés sur des illustrations ou des photos connues où les objets sont étiquetés de manière appropriée jusqu'à ce que le réseau puisse correctement classer, réaliser et sectionner tous les objets.
Les réseaux de neurones ne sont pas infaillibles. La conséquence de l'analyse de la communauté neuronale exprime une part de chance qu'un objet soit identifié avec précision. Plus la proportion de chance augmente, plus l'IA est sûre d'une assertion sélectionnée. Cela dit, compte tenu du fait que 100% n'est presque jamais atteint, il est important de déterminer un pourcentage de probabilité suffisamment élevé pour être utilisé pour les processus de l'entreprise.
Différentes conceptions de réseaux neuronaux ont différentes maisons. Par exemple, certains styles de communauté peuvent être éduqués très rapidement mais offrent des pourcentages de chance plus faibles en ce qui concerne l'évaluation des objets. En règle générale, plus l'instruction d'une communauté neuronale est longue et élaborée, plus elle est susceptible d'être fiable. Pour cette raison, les organisations qui appliquent le savoir-faire doivent décider si elles veulent donner la priorité à la rapidité ou à la fiabilité.
Accéder à la scène (cloud)
Différents modèles de réseaux de neurones sont également demandés, peu importe si des visuels, des clips vidéo ou des nuages de position sont utilisés par le capteur. Un nuage de problème est un ensemble de points de détail en interne représentant une condition ou un objet 3D. Pour développer un nuage de problèmes, le savoir-faire en matière de numérisation laser est utilisé. Presque chaque numéro comprend une grande quantité d'informations qui peuvent être intégrées à d'autres sources de connaissances ou utilisées pour créer des styles 3D.
Il existe des versions particulières de la communauté neuronale pour les nuages de problèmes qui répondent aux besoins distincts du contenu de l'information. Par exemple, pour une étude entreprise par United Kingdom Network Rail, un nuage de scène d'une portion d'itinéraire prolongée d'environ 90 km a été développé qui a fourni la reconnaissance de 18 classes d'objets.
Le principal obstacle offert par ce travail était l'enregistrement des informations, car un certain nombre de parcours de numérisation devaient être connectés pour obtenir des éléments utilisables. L'excellence de la classification des items par le réseau de neurones variait pour les cours d'items individuels en fonction des qualités géométriques de l'objet. Par exemple, les pylônes énergétiques et les viaducs ont été rapidement identifiés par le réseau de neurones, mais les distinctions entre les surfaces, par exemple les formes de murs, n'étaient pas fiables.
Les nuages de problèmes peuvent également être utilisés dans le cadre d'un processus hybride où la technologie est combinée avec d'autres méthodes telles que les appareils de style assisté par ordinateur (CAO) et d'autres types de cartographie. Ceci est particulièrement précieux lorsqu'il est utilisé en combinaison avec des réseaux de neurones pour faciliter l'arpentage automatisé et décider de l'utilisation des terres comme mentionné précédemment. Les systèmes hybrides sont plus responsables de tâches telles que la détection de surfaces que la connaissance des nuages de points par vous-même.
Aide à la conclusion pour de bien meilleurs résultats
Toutes ces technologies basées sur l'IA ont des avantages supplémentaires uniques principalement basés sur les responsabilités qu'elles résolvent. D'un autre côté, ce que la classification d'objets, les nuages de scène et les modèles hybrides ont tous en commun, c'est qu'ils sont étayés par l'objectif de soutien de l'IA.
L'IA aide les êtres humains à effectuer des sélections vitales plus rapidement et avec une meilleure perception. Dans l'exercice, c'est le meilleur de ces deux circonstances en ce sens qu'il permet un raisonnement humain dans le sens de problèmes qui peuvent avoir des contextes sociaux, politiques ou commerciaux, mais augmente la méthode de construction de la détermination, permettant des données poussées. conclusions basées sur ce qui est capté par le capteur.
Les capteurs fournissent de larges portions d'informations. Dans ces faits se trouvent des informations exploitables qui peuvent être utilisées dans tous les secteurs pour améliorer les procédures de l'entreprise. Cela dit, il y a aussi beaucoup de données générées pour fournir ces informations en temps opportun par des individus seuls - le déverrouillage consiste en une méthode d'IA au moyen de réseaux de neurones pour augmenter les processus de prise de décision finale humaine. Une fois mise en œuvre, cette technologie générera des améliorations dans l'ensemble de l'organisation et du gouvernement, les pionniers garantissant l'opportunité maximale de leurs investissements dans les capteurs.
Dean McCormick, responsable des options de vérification intelligentes, division Sécurité de base, infrastructure et géospatiale d'Hexagon