Deep learning i sieci neuronowe w analizie obrazu

Detekcja obiektów na zdjęciach lotniczych i satelitarnych terenu

• Wykorzystanie sieci neuronowych umożliwia wykrycie określonych obiektów, precyzyjny pomiar ich rzeczywistej powierzchni, wytyczenie granic obiektów z dokładnością do piksela, zliczanie obiektów oraz ocenę stanu obiektów.

• Przykładowe zastosowania
  • wykrywanie budynków, działek, zbiorników wodnych, samochodów, maszyn, drzew, lasów, rzek, jezior, ulic, zwierząt, ludzi i innych
  • ocena fazy powstawania budowli
  • ocena stanu uprawy rolnej, zadrzewienia itp.
  • umiejscowienie obiektu w przestrzeni (precyzyjna lokalizacja)
  • ocena szkód

• Dla kogo?
  • administracja państwowa (zadania kartograficzne, kontrola zagospodarowania gruntów, ocena stanu zalesienia)
  • agencje dopłatowe (kontrola dotacji)
  • organy odpowiedzialne za stan dróg trakcji i mostów publicznych
  • firmy sektora energetycznego (linie energetyczne, generatory energii)
  • firmy ubezpieczeniowe

Zobacz więcej

Detekcja niebezpiecznych przedmiotów na zdjęciach RTG

• Specyfika działania promieni RTG powoduje, że przedmioty, które nie pochłaniają promieniowania, stają się przezroczyste i często w jednym miejscu widać wiele obiektów leżących pod sobą. Możemy nauczyć sieć neuronową rozpoznawać obiekty, które nie powinny się znaleźć na danych obrazowych.

• Przykładowe zastosowania
  • kontrola bagażu
  • wykrywanie przemytu nielegalnych substancji
  • szukanie wad fabrycznych na linii produkcyjnej
  • kontrola naturalnego zużycia produktów i wskazywanie momentu konieczności wymiany

• Dla kogo?
  • organy nadzoru i ścigania
  • organizatorzy imprez masowych
  • producenci towarów
  • właściciele powierzchni handlowych (sieci marketów)

Zobacz więcej

Tagowanie / opisywanie zdjęć hasłami przedmiotowymi

• Sieć neuronowa może automatycznie identyfikować obiekty na zdjęciach i przypisywać je do danej kategorii ze względu np. na: wiek, styl architektoniczny/wyposażenia, rodzaj obiektu na fotografii i jego cechy (np. czerwona, letnia sukienka).

• Sieć tworzy też ranking zdjęć z punktu widzenia tego, w jakim stopniu zdjęcie ilustruje obiekt z danej kategorii oraz pozwala ocenić jakość techniczną zdjęcia.

• Dla kogo?
  • media
  • właściciele baz zdjęć
  • archiwa państwowe
  • sklepy internetowe
  • portale aukcyjne
  • pośrednicy obrotu nieruchomościami

Rozpoznawanie ludzi na zdjęciach

• Sieć neuronowa uczy się na podstawie bazy zdjęć referencyjnych cech charakterystycznych dla danej osoby. Na tej podstawie jest w stanie rozpoznać twarz uwiecznionej osoby i otagować zdjęcie. Sieć może również wygenerować tytuł, opis tego, co jest widoczne na danym zdjęciu i oszacować rok wykonania fotografii.

• Sieć tworzy też ranking zdjęć z punktu widzenia tego, w jakim stopniu jest pewna tego, że zdjęcie przedstawia daną osobę.

• Dla kogo?
  • media
  • właściciele baz zdjęć
  • archiwa państwowe

Inteligentny OCR – automatyczna analiza zdjęć i skanów dokumentów

• Automatyczne odnalezienie w skanie dokumentu lub na zdjęciu informacji kluczowych z punktu widzenia dalszego jego przetwarzania.

• Przykładowe zastosowania
  • odczyt poziomu zużycia energii z liczników na podstawie zdjęć w warunkach różnego ich oświetlenia, stanu technicznego czy konstrukcji urządzenia
  • wydobycie ze skanów faktur informacji dotyczących kontrahentów i kwot

• Dla kogo?
  Organizacje z dużą liczbą klientów (abonamentów), niezależnie od branży, gdzie automatyzacja procesu ich obsługi odgrywa kluczową rolę dla sprawności operacyjnej firmy.

Identyfikacja urządzeń w gospodarstwie domowym i wzorców korzystania z nich

• Automatyczna identyfikacja wzorca sygnału o niskiej częstotliwości z urządzeń domowych, na podstawie odbiornika sygnału umieszczonego w pobliżu gospodarstw domowych (np. na trawniku osiedlowym).

• Przykładowe zastosowania
  • profilowanie konsumpcji energii, optymalizacja progów abonamentowych i sposobu dostarczania mediów zużywalnych
  • optymalizacja oferty handlowej dostawców mediów
  • wcielenie w życie idei „inteligentny dom”.

• Dla kogo?
  • firmy deweloperskie
  • dostawcy energii

Detekcja obiektów i zachowań w materiale video

• Wykrywanie obiektów i zachowań w materiale video pochodzącym z kamer przemysłowych.

• W przypadku analizy materiału archiwalnego (nagranie z kamer) algorytm umożliwia błyskawiczne wyszukanie w wielogodzinnym nagraniu interesujących nas obiektów lub zachowań.

• W przypadku analizy live streamingu video możliwe jest wykrywanie określonych obiektów i zachowań w czasie rzeczywistym, a także śledzenie przemieszczającego się obiektu (np. agresywnego kibica), na podstawie wizualnego markera na ekranie.

• Na podstawie danych treningowych zawierających reguły zachowań, sieć neuronowa uczy się identyfikować i klasyfikować sekwencje zachowań uznawanych za niebezpieczne (np. akt wandalizmu), podejrzane obiekty (np. walizka pozostawiona w miejscu publicznym) lub odstępstwa od określonego wzorca (np. handlowe reguły pozycjonowania towarów na półkach); odstępstwo od wcześniej zdefiniowanych reguł zachowania generuje alert.

• Przykładowe zastosowania
  • wykrywanie i prewencja zachowań niebezpiecznych (np. aktów terroryzmu czy wandalizmu)
  • monitoring poprawnej ekspozycji produktów w sklepie

• Dla kogo?
  • organy nadzoru i ścigania,
  • organizatorzy imprez masowych,
  • producenci towarów,
  • właściciele powierzchni handlowych (sieci marketów)

Ocena wielkości szkody na podstawie zdjęć

• Właściciele uszkodzonych pojazdów mogą rozpocząć proces likwidacji szkód bezpośrednio po zdarzeniu.

• Wytrenowana na tysiącach zdjęć i akt likwidacji szkód sieć neuronowa wspomoże ubezpieczonego we właściwym udokumentowaniu fotograficznym szkód smartfonem, oszacuje wielkość szkody na podstawie zdjęć, a następnie zweryfikuje wycenę kosztów naprawy. Tak zautomatyzowany proces znacząco skraca likwidację szkód i obniży jej koszty.

• Przykładowe zastosowania
  • ocena szkód po wypadkach drogowych

• Dla kogo?
  • firmy ubezpieczeniowe