Aktualności

Maski na twarz są kluczowym narzędziem do walki z rozprzestrzenianiem się COVID-19 i okazały się najskuteczniejsze, gdy osłony twarzy są noszone powszechnie. Gdy sklepy i firmy ponownie się otwierają, niezbędne jest, aby wszyscy mieszkańcy nosili maskę na twarzy. Jednak dodatkowe zasoby wymagane do monitorowania klientów mogą dodatkowo obciążać firmy, które już walczą ze spełnieniem innych wytycznych dotyczących higieny i dystansu społecznego. Rozwiązania do głębokiego uczenia są w stanie automatycznie wykryć każdego, kto narusza wytyczne dotyczące maski twarzy, oszczędzając czas pracowników i zapewniając bezpieczniejsze środowisko.

Głębokie uczenie jest formą uczenia maszynowego, która wykorzystuje sieci neuronowe z wieloma „głębokimi” warstwami między węzłami wejściowymi i wyjściowymi. Ucząc sieć na dużym zestawie danych, tworzony jest model, którego można używać do tworzenia dokładnych prognoz na podstawie niewidocznych danych. W takim przypadku sieć można wyszkolić w celu wykrywania nie tylko masek na twarz, ale także tego, czy maska jest prawidłowo noszona na twarzy osoby.

W pełni funkcjonalny system głębokiego uczenia można opracować i wdrożyć w ciągu kilku dni. Korzystając z kamery FLIR Firefly DL, inżynierowie FLIR opracowali system wykrywania zgodności i oznaczania użytkowników, którzy mogą naruszać wytyczne dotyczące środków ochrony osobistej (PPE). Zbiór danych do wykrywania masek twarzy wykorzystywał 2 publicznie dostępne biblioteki z ponad 1000 obrazów, aby przedstawić przykłady osób noszących maskę, bez niej i nieprawidłowo ją noszących w różnych środowiskach. Inne kamery przystosowane do tego celu to Blackfly S GigE – aby uzyskać więcej informacji na temat rozwiązań wizyjnych FLIR, skontaktuj się z dystrybutorem.

Każdy obraz w zestawie danych maski twarzy został opatrzony adnotacjami z obwiedniami pokazującymi położenie obiektów i etykietami klas wskazującymi, które twarze miały maskę, a które nie i czy były odpowiednio noszone. Programiści i integratorzy rozwiązań mogą z łatwością rozszerzyć to rozwiązanie, aby obejmowało bardziej złożone i niezawodne przypadki użycia do wdrożenia w rzeczywistym świecie. Na przykład sieć neuronową można wyszkolić do wykrywania osłon twarzy, fartuchów, rękawiczek i innych środków ochrony indywidualnej w środowiskach o wysokim ryzyku / dużym natężeniu ruchu, takich jak szpitale i lotniska.