Мы продолжаем рассказывать о технологии компьютерного зрения. По этой ссылке можно почитать первый пост, где были описаны принципы его работы на конкретных технических задачах. А сегодня мы поговорим о том, в каких отраслях и для чего применяют компьютерное зрение.
Что уже произошло за последние пять лет и что изменится в следующую пятилетку
Начнем с того, что в сфере распознавания объектов случился внушительный прорыв: за последние пять лет улучшились (с точки зрения hardware) основы обучения нейросетей и архитектурные решения; произошел заметный сдвиг в точности распознавания объектов на открытых дата-сетах — от 70 до 98% точности.
Со многими задачами сейчас нейросети работают лучше, чем люди (не точнее, но без усталости и необходимости иногда отвлечься от рутинной задачи). Хотя до сих пор мы не можем улучшить по точности результат работы человека, получаемый с помощью обычного, не компьютерного зрения (например, при просмотре термокарт специалистом или КТ-снимков доктором).
Технология облегчает ежедневные задачи и, разумеется, стремится однажды увидеть что-то за гранью человеческого восприятия. Прогнозы оптимистичные: рынок растет и, по оценкам экспертов, в ближайшие 5 лет ожидается его расширение еще в 1,5 раза. На вопрос о сферах применения машинного зрения можно ответить, что оно может использоваться везде, где есть какие-либо изображения.
Где применяют компьютерное зрение
Наиболее частыми потребителями этой технологии на сегодняшний день являются ритейл, производство и медицина. Где-то машинное зрение помогает оценить действия работников, где-то борется с мошенничеством, а где-то контролирует качество и склады.
О медицине лучше сказать отдельно: в связи с пандемией применение машинного зрения в этой области заиграло новыми красками. К примеру, делается очень много снимков легких, следовательно, заметно выросла потребность в разгрузке врачей и ускорении обработки снимков.
Теперь пройдемся по задачам, которые ставятся в каждой из этих областей.
Ритейл — золотая жила для машинного обучения
Сама специфика отрасли и переход к открытым раскладкам вынуждают ритейлеров ставить как можно больше камер для борьбы с теми, кто портит или пытается украсть товар. С точки зрения набора данных ритейл — самая подходящая область, где необходимо не только записывать данные, но и хранить их.
В этой отрасли довольно много коробочных решений, которые предлагаются как готовые к внедрению на любую систему видеонаблюдения. В первую очередь они касаются подсчета покупателей и таких несложных действий, как мониторинг очередей. Среди любопытных проектов в области машинного зрения можно назвать силовые карты интереса, которые анализируют места, где покупатели чаще проходят или останавливаются. Это касается не только торговых залов, но и таких больших помещений, как торговые центры и витрины в них. Разумеется, ритейлеры стремятся облегчить и ускорить работу мерчендайзеров.
Офлайн-ритейлеры крайне заинтересованы в том, чтобы понимать своего покупателя так же хорошо, как интернет-магазины. Не секрет, что машинное обучение, внедренное в интернет-магазинах и предлагающее своеобразный upsale к корзине, повышает доходы онлайн-магазинов. Внедрение идентификации клиентов, зарегистрированных в системах лояльности, в зале позволяет офлайн-ритейлерам персонифицировать свои предложения ничуть не хуже: они могут предлагать что-то индивидуализированное с учетом портрета конкретного клиента и истории его покупок.
Также машинное зрение по-прежнему применяется для распознавания людей, которых служба безопасности магазина не хочет видеть на своей территории: их поведение кажется подозрительным или они уже были замечены в шоп-лифтинге или порче товара.
Промышленность
Еще одна область, где часто применяются технологии машинного зрения — это производство. В первую очередь они используются для автоматизации рутинных действий, особенно в области распознавания дефектов непосредственно на конвейере или оценки сразу после производства
Машина не устает, а обученная различать дефекты нейросеть не нуждается в отпуске или смене места работы.
Оценка брака. На производствах есть модели-помощники, упрощающие работу оценщиков брака, а также модели для полностью автоматической сортировки, где нежелательные детали просто скидываются с конвейера. В возможностях экономии многое зависит от цены потерь: от того, насколько мы хотим быть уверены, что ни одна годная деталь не уйдет по ошибке в брак. Нейросети на производстве, как правило, не достигают 100% точности и уступают ручному отбору, но не знают усталости и принимают решения быстрее.
Контроль. Еще одна популярная область задач, где компьютерное зрение помогает производству, это контроль соблюдения норм. Часто на предприятиях требуется подтверждение того, что сотрудник действует в точности по инструкции, например, убирает руку за спину, если это предусмотрено при определенных работах со щитком, встает на резиновый коврик и так далее. Речь идет о каких-то мелочах, которые легко проверить и цена которых в случае нарушения — человеческая жизнь. С помощью камер и нейросетей мы можем отследить, надели ли сотрудники необходимые средства защиты, не нужно ли заблокировать им доступ к чему-либо в случае нарушения условий, не пересекают ли они предусмотренные линии и соблюдают ли установленную дистанцию до опасных объектов. Иногда речь идет о простом соблюдении определенных регламентов: на многих предприятиях есть определенные чек-листы, которым необходимо четко следовать, чтобы не пропустить какие-то малозначительные, но важные повторяющиеся действия, выполнение которых приводит к большой экономии на издержках.
Задачи по борьбе с воровством, подложными деталями на конвейере, неправильным перемещением товара по складу — тоже достаточно распространенная область применения машинного зрения.
Склад и логистика. На уровне распознавания этикеток существует достаточно много коробочных решений. Подобные задачи отлично регулируются системами контроля за складом, которые заметно облегчают работу кладовщиков.
Медицина
В медицине мы имеем дело с автоматизацией рутинных процессов, которые не требуют внимания доктора, но требуют сортировки пациентов. Кроме того, машинное обучение и анализ изображений активно применяются для автоматизации ручной разметки.
Эта процедура отнимает очень много времени у врача, который мог бы в это время буквально спасать жизни. Также машинное зрение позволяет искать определенные маркеры в анализах и может применяться как помощник эксперта по результатам медицинских обследований, оформленных в виде изображений.
Кроме уже озвученных сфер, которые кажутся мне наиболее распространенными, каждый год появляются все новые предложения по областям применения средств распознавания изображений или видео.
По своей природе мы очень сильно полагаемся на то, что видим. И стремимся визуализировать информацию, чтобы иметь возможность разобраться в теме или решить задачу. Например, дата-сайнтисты при анализе данных чертят множество графиков, потому что на них зачастую легче распознать какую-то особенность или проблему в данных. Со стороны компьютерного зрения ситуация очень похожая: сейчас его успешно применяют в кейсах, связанных с распознаванием звуков, сигналов сейсмометров и других датчиков, при анализе георазрезов и в других областях геологоразведки. Все те случаи, когда нужно обратиться к эксперту для получения комментариев по изображению, потенциально подходят для применения компьютерного зрения с целью ускорения и упрощения интерпретации.
Александра Царева, специалист Центра машинного обучения «Инфосистемы Джет»