AI: de la detaliile senzorului la monitorizarea înțeleaptă
Publicat: 2022-01-18
Ingineria senzorilor evoluează și devine mult mai exactă. Beneficiile suplimentare ale acestui lucru pentru organizații sunt evidente, de exemplu, rezoluția îmbunătățită a podelei va crea cunoștințe mult mai precise. Acestea fiind spuse, faptele în cauză reprezintă o provocare. La fel cum know-how-ul crește, tot atât de mult crește și volumul de cunoștințe care este creat. Aceste date trebuie gestionate în mod corespunzător pentru a ajuta la informarea procedurilor întreprinderii.
Soluția pentru a naviga în detalii constă în automatizare și inteligență artificială (AI). Automatizarea constă dintr-o serie de algoritmi, care au scopul de a efectua mecanic acțiuni bazate în primul rând pe instrucțiunile introduse. AI este o parte cheie a acestei proceduri, deoarece se asigură că procedurile automate sunt în continuare intuitive. Consecința este că tratamentele bazate pe cunoștințe pot fi aplicate fără conversație umană, ceea ce reduce stresul asupra întreprinderilor, deoarece eliberează o parte substanțială a timpului.
Producerea sensului informațiilor senzorului
Know-how-ul tehnologic al senzorilor este utilizat pentru a descoperi obiecte. Acest lucru reprezintă o provocare, deoarece există o mulțime de variabile care pot afecta cunoștințele stabilite, astfel încât abordarea automatizată poate avea dificultăți. Dificultatea este că algoritmii nu pot fi dezvoltați complet pentru aproape fiecare variabilă.
Au fost produse soluții pentru această problemă care depind de unități AI care au fost concepute pentru a gestiona mult mai bine volumele uriașe de informații produse de tehnologiile senzorilor. Aplicațiile serioase ale acestui sistem includ metode de avertizare la părăsirea benzii și recunoașterea indicatorilor de trafic pe site-ul web.
Există trei tipuri de rezultate de la aplicațiile AI la senzori și informațiile provenite din acestea. Inițial, există o clasificare a articolelor care determină dacă un obiect este curent într-o impresie. Apoi, există recunoașterea obiectelor în care un singur obiect sau obiecte suplimentare sunt detectate într-o imagine și locul lor este decis. Și, în sfârșit, există segmentarea obiectelor care completează contururile reale ale articolului.
Cu toate acestea, complexitatea sistemului crește de la clasificarea obiectelor la segmentare. Va trebui să se utilizeze tehnici mult mai intuitive care să gestioneze în mod adecvat efectele multor variabile asupra setului de informații.
Scopul rețelelor neuronale
AI este o perioadă umbrelă de timp pentru inginerie care permite dispozitivelor să-și înțeleagă setarea și să se adapteze la ajustările care au loc acolo. În AI, studiul echipamentelor este un subset care utilizează metode statistice pentru a permite echipamentelor să îmbunătățească performanța lor generală fără a fi programat în mod explicit. Cu toate acestea, mult mai intuitivă este Deep Learning, care este un subset al studierii echipamentelor. Deep Mastering poate procesa cantități mari de detalii lucrând cu Deep Neural Networks (DNN-uri).
Aceste rețele neuronale sunt esențiale pentru clasificarea articolelor în tehnologia senzorilor. În ciuda faptului că pot fi utilizate mai multe rețele neuronale, toate au atribute specifice care predomină care influențează modul în care stăpânesc să interpreteze și să acționeze asupra detaliilor senzorilor.
Inițial, toate rețelele neuronale trebuie să fie calificate. Pentru a clasifica, a descoperi sau a segmenta obiecte, rețelele trebuie să fie instruite cum să gestioneze diferite lecții de articole. Rețelele sunt calificate pe ilustrații sau fotografii cunoscute, în care obiectele sunt etichetate corespunzător, până când rețeaua poate clasifica, realiza și secționa în mod corect toate obiectele.
Rețelele neuronale nu sunt infailibile. Consecința analizei comunității neuronale exprimă o șansă comună ca un obiect să fie identificat cu acuratețe. Cu cât este crescută proporția de șansă, cu atât IA este mai sigură pentru o afirmație selectată. Acestea fiind spuse, având în vedere faptul că 100% nu se obține aproape niciodată, este important să vă decideți un procent de probabilitate suficient de mare pentru a fi utilizat pentru procesele companiei.
Diferite modele de rețele neuronale au case diferite. De exemplu, unele stiluri de comunitate pot fi educate foarte rapid, dar oferă procente de șanse mai mici atunci când este vorba de evaluarea obiectelor. De regulă, cu cât instruirea unei comunități neuronale este mult mai elaborată și consumatoare de timp, cu atât este probabil să fie mult mai demnă de încredere. Din acest motiv, organizațiile care aplică know-how-ul trebuie să vă hotărâți dacă doresc să acorde prioritate vitezei sau fiabilității.
Dobândirea la scenă (nor)
Sunt solicitate și diferite modele de rețele neuronale, indiferent dacă senzorul folosește imagini, clipuri video sau nori de poziție. Un nor de probleme este un set de puncte de detalii din casă reprezentând o condiție sau un obiect 3D. Pentru a dezvolta un nor de probleme, se utilizează cunoștințele de scanare laser. Aproape fiecare problemă include o sumă mare de informații care pot fi încorporate cu alte surse de cunoștințe sau folosite pentru a realiza stiluri 3D.
Există versiuni speciale ale comunității neuronale pentru norii de probleme care abordează nevoile distincte ale conținutului de informații. De exemplu, pentru un studiu întreprins de Regatul Unit Network Rail, a fost dezvoltat un nor de etapă dintr-o porțiune de rută prelungită de aproximativ 90 km care a oferit recunoașterea a 18 clase de obiecte.
Obstacolul cheie oferit de acest job a fost înregistrarea detaliilor, deoarece o serie de călătorii de scanare au experimentat să fie conectate pentru a obține lucruri utilizabile. Excelentul clasificării articolelor de către rețeaua neuronală a variat pentru lecțiile de articole de persoană în funcție de calitățile geometrice ale obiectului. De exemplu, stâlpii de energie și pasajele supraterane au fost identificate rapid de rețeaua neuronală, dar distincțiile între suprafețe, pentru ilustrarea formelor de perete, au fost nesigure.
Norii de probleme pot fi, de asemenea, utilizați în cadrul unui proces hibrid, exact în care cunoștințele tehnologice sunt combinate cu alte metode, cum ar fi dispozitivele CAD (PC-aided style) și alte tipuri de cartografiere. Acest lucru este deosebit de valoros atunci când este utilizat în combinație cu rețelele neuronale pentru a ajuta topografia automată și luarea deciziei de utilizare a terenurilor menționate mai devreme. Sistemele hibride sunt mai responsabile pentru sarcini precum detectarea suprafețelor decât cunoștințele privind norul de puncte pe cont propriu.
Asistență la concluzie pentru rezultate mult mai bune
Toate aceste tehnologii bazate în mare parte pe inteligența artificială au beneficii suplimentare unice, în principal bazate pe responsabilitățile pe care le rezolvă. Pe de altă parte, ceea ce au frecvent clasificarea obiectelor, norii de etapă și modelele hibride este că sunt susținute de scopul de susținere al AI.
AI ajută ființele umane să facă selecții vitale mai rapide și cu o percepție suplimentară. În exercițiu, aceasta este cea mai bună circumstanță a ambelor lumi, în sensul că permite raționamentul uman în direcția problemelor care ar putea avea contexte sociale, politice sau de afaceri, dar mărește metoda de construire a determinării, permițând transmiterea de date. concluzii bazate pe ceea ce este captat de senzor.
Senzorii oferă porțiuni largi de informații. În aceste fapte se află perspective acționabile care pot fi utilizate în toate industriile pentru a crește procedurile companiei. Acestea fiind spuse, pur și simplu există o mulțime de date generate pentru a oferi aceste informații în timp util de către indivizi pe cont propriu – deblocarea acesteia constă într-o metodă AI prin intermediul rețelelor neuronale pentru a crește procesele de creare a deciziilor finale ale omului. Odată realizată, această tehnologie va genera îmbunătățiri în întreaga organizație și guvern, pionierii asigurând oportunitatea maximă a investițiilor lor în senzori.
Dean McCormick, șeful Wise Checking Options, Hexagon's Basic Safety, Infrastructure & Geospatial division