Поскольку дроны продолжают находить применение в широком спектре коммерческих приложений, акцент смещается в сторону более высоких уровней автоматизации и более тесной интеграции дронов с бизнес-процессами для значительного повышения эффективности. Недавние достижения в области искусственного интеллекта позволили компьютерам осмысливать окружающие их визуальные данные, в некоторых случаях почти достигая производительности человеческого уровня. Некоторые из задач, решаемых этими алгоритмами, включают:

  • Обнаружение объектов — идентифицируйте и находите интересующие вас объекты на изображении.
  • Подсчет объектов — идентифицируйте и подсчитывайте интересующие вас объекты на изображении.
  • Сегментация изображения — классифицируйте пиксели изображения на несколько конечных сегментов для упрощения представления.
  • Обнаружение изменений — обнаружение изменений между двумя разнесенными во времени изображениями.
  • Классификация изображений — классифицируйте изображение по одной из известных категорий изображений.

Рис. Обнаружение и подсчет аравийского сернобыка по аэрофотоснимку (фактический пример)

Технологический потенциал дронов расширяется за счет объединения технологии автономных дронов с искусственным интеллектом. Системы компьютерного зрения, установленные на дронах, позволяют им собирать обширные визуальные данные в виде фотографий или видео. Обработка этих данных с использованием ИИ раскрывает уникальные перспективы и информацию, которые в противном случае было бы либо невозможно, либо очень дорого получить с использованием традиционных методов, требующих участия человека.

Стремясь использовать искусственный интеллект для дронов, платформа FlytBase расширяется и включает возможности искусственного интеллекта для обработки данных аэрофотосъемки.

Рабочий процесс

AI-платформа FlytBase базируется в облаке, в котором автоматизирован весь рабочий процесс подготовки наборов данных, обучающих моделей и развертывания обученных моделей для логического вывода. Это позволяет сократить время оборота и ускорить итерации при работе над вариантом использования. Нахождение в облаке также помогает масштабировать систему во время выполнения, когда спрос (либо для обучения, либо для логического вывода в реальном времени) возрастает.

Примеры вариантов использования, которые можно автоматизировать с помощью платформы искусственного интеллекта FlytBase:

  1. Подсчет объектов — например. подсчет количества аравийских сернобыков по ортокартическому изображению. Это вымирающий вид, и наблюдение за их количеством идет на их сохранение.
  2. Обнаружение объекта — например. поиск трещин и участков ржавчины на изображении промышленных конструкций.
  3. Обнаружение изменений — например. обнаружение изменений между двумя фотографиями парковки, сделанными почти с одной и той же точки обзора в разное время.

Чтобы использовать возможности платформы искусственного интеллекта FlytBase, клиенты приносят свой вариант использования в FlytBase вместе с достаточным набором данных обучающих изображений.

Рис. Предварительная обработка обучающих данных изображения

Данные, предоставленные заказчиком, тщательно обрезаются, маркируются и упаковываются для целей обучения и добавляются в библиотеку наборов данных изображений.

Рис. Рабочий процесс обучения ИИ FlytBase

Рабочий процесс обучения модели FlytBase AI состоит из:

  • Библиотека моделей: содержит модели обнаружения объектов на выбор во время обучения.
  • Библиотека предварительно обученных весов: содержит веса из ранее обученных моделей, из которых можно заимствовать представление.
  • Библиотека наборов данных изображений: содержит упакованные наборы данных, предоставленные клиентами. Необработанные данные предварительно обрабатываются для увеличения изображения и маркировки перед помещением в эту библиотеку.

С помощью описанного выше рабочего процесса пользователь может выбрать различные части конвейера обучения и начать обучение на одном из наших облачных вычислительных узлов с поддержкой графического процессора. Это приводит к обученной модели, готовой к выводу.

Рис. Клиент делает логические выводы в реальном времени через графический интерфейс или API по защищенным каналам.

Как только наша модель обучена, она развертывается на платформе для непосредственного использования нашими пользователями. Пользователи могут делать выводы в реальном времени либо через нашу веб-консоль, либо с помощью REST API, предоставляемого платформой. API-интерфейсы REST имеют дополнительное преимущество интеграции этой платформы с системой клиента для дальнейшей автоматизации.

Платформа FlytBase AI предназначена для поддержки многопользовательской аренды, что позволяет эффективно использовать ресурсы и, следовательно, экономить средства для наших клиентов.

Алгоритм глубокого обучения

В основе конвейера обработки изображений лежат современные модели CNN, использующие последние достижения в области компьютерного зрения и глубокого обучения.

За последние несколько лет было опубликовано несколько моделей обнаружения объектов, которые значительно улучшили предыдущее поколение с точки зрения точности и скорости вывода. Примечательны SSD, DetectNet, Fast R-CNN, Faster R-CNN, Yolo и Yolo V2. Точно так же для классификации изображений модели ResNet50, VGG16/19 и Inception являются одними из наиболее предпочтительных моделей. Некоторые модели имеют лучшую точность, в то время как другие могут делать выводы быстрее, чем другие. При выборе модели учитываются эти критерии, адаптированные к варианту использования клиента.

Рис. Одновременно можно обучать несколько моделей, и выбрать наилучшую

Конвейер позволяет одновременно обучать несколько реализаций модели (одна и та же модель с разными гиперпараметрами или разные модели) на одном и том же наборе данных, чтобы можно было выбрать наилучшую. Поскольку для разных реализаций модели может потребоваться организация наборов данных в разных форматах (например, из формата PASCAL VOC в формат TFRecord), мы создали адаптеры для преобразования данных на лету в соответствии с моделью.

Мы использовали трансферное обучение для настройки готовых предварительно обученных моделей для повышения точности обнаружения интересующих нас объектов. Это включает в себя удаление слоев готовых предварительно обученных моделей, чтобы сохранить правильный уровень представления из предыдущего набора данных, прежде чем обучать их на новом наборе данных.

Платформа искусственного интеллекта FlytBase не зависит от конкретной среды, в которой реализованы модели (Tensorflow, Caffe, Theano и т. д.), благодаря уровню абстракции. Это позволяет платформе с легкостью ассимилировать наилучшую реализацию передовых моделей, созданных в исследовательских лабораториях.

Проблемы и решения

Использование аэрофотоснимков высокого разрешения для обучения моделей компьютерного зрения ставит уникальные задачи:

  • Отсутствие достаточного количества данных для обучения. Существует множество открытых наборов данных для обучения, но почти во всех из них есть изображения, снятые с уровня человеческого глаза. Что делает аэрофотоснимки уникальными, так это их вид сверху вниз на объекты. Более того, для обнаружения пользовательских объектов у клиентов часто не хватает изображений для обучения модели, поэтому нам приходится обходиться ограниченным набором изображений.
  • Очень высокое разрешение изображений: модели компьютерного зрения могут одновременно обрабатывать изображения ограниченного разрешения. Для изображений с высоким разрешением нам нужно обрезать изображения на большие куски и выполнять вывод по ним по одному. Это может привести к двойному учету или пропуску.
  • Неглубокие особенности объектов: если смотреть сверху вниз, объекты могут иметь очень общие формы, которые а) трудно обнаружить и б) могут казаться похожими на другие объекты.

Платформа искусственного интеллекта FlytBase использует различные подходы для решения этих задач, включая увеличение данных, обрезку с различными смещениями для изображений высокого разрешения и обучение моделей на похожих объектах для лучшей дифференциации. Улучшение алгоритмов для решения этих задач — непрерывный процесс, который еще больше обогащает платформу.

Дорога впереди

Наши клиенты могут раскрыть огромный потенциал благодаря изображениям, которые они собирают с помощью дронов. Благодаря масштабируемой архитектуре, автоматизированному конвейеру и нашему обширному опыту работы с дронами, их данными и автоматизацией платформа FlytBase AI приведет к значительному повышению эффективности для наших клиентов.

Платформа FlytBase AI оптимизирована для интерпретации данных дронов и легко интегрируется с остальной платформой FlytBase, обеспечивая связь с вашими бизнес-приложениями.

Если вы хотите использовать технологию машинного обучения для автоматизации обработки данных вашего дрона, свяжитесь с нашими экспертами по адресу [email protected].

OR

Посетите и отправьте форму: flytbase.com/ai

"Продолжить чтение…"