Tempo de leitura: 3 minutos

Neste artigo, explicamos em que consiste o Deep Learning e como se combina com a visão artificial no desenvolvimento de novas aplicações no setor automóvel.

A aprendizagem é uma das chaves da Inteligência Artificial avançada, pois necessitamos que as máquinas aprendam por si mesmas e aprendam com a sua própria experiência. A Inteligência Artificial é o conceito geral pela qual se podem explicar outras técnicas derivadas, por exemplo o Machine Learning, onde temos de guiar uma máquina por cada uma das fases do processo para que aprenda, através da prática, a identificar o que queremos de forma automática.

Um passo mais à frente está o Deep Learning, que funciona de forma diferente: ao invés de programar a máquina para seguir certas regras e assim solucionar um problema, o próprio algoritmo da máquina é que deve identificar padrões ou anomalias para criar um modelo. A visão artificial é uma das áreas em que o Deep Learning proporciona uma melhoria considerável em comparação com os algoritmos mais tradicionais. As aplicações reais do Deep Learning no setor industrial são infinitas, pois a automação de processos industriais abrange infinitas possibilidades. Um dos exemplos mais claros é o setor automóvel.

O que é o Deep Learning e como funciona?

Com o Deep Learning, um modelo informático aprende a realizar tarefas de classificação diretamente de imagens, texto ou som. Os modelos de Deep Learning podem alcançar uma precisão que por vezes excede o desempenho humano. Os modelos são treinados utilizando um grande conjunto de dados etiquetados e arquiteturas de redes neuronais com muitas camadas e que imitam o funcionamento do cérebro humano.

No caso de aplicações de visão, uma variante específica é usada: redes neurais convulacionais (CNN). A forma desta operar é que uma CNN convulaciona os aspetos aprendidos com a informação de entrada e usa camadas convulacionais 2D, que permite que esta dinâmica seja propícia para processamento de dados 2D como imagens.

Por sua vez, estas CNN eliminam a necessidade extrair características de forma manual, assim que se requere a identificação dos aspetos utilizados na classificação do material 2D. Portanto, a CNN extrai as características mais relevantes diretamente das imagens. Estas características não foram treinadas previamente, já que são aprendidas enquanto a rede treina com uma coleção de imagens. Esta extração automatizada de recursos torna os modelos de Deep Learning muito precisos para tarefas de visão artificial, como a classificação de objetos.

Introdução ao Deep Learning – HALCON

Aplicações chave para a indústria automóvel que utilizam Visão de Artificial e Deep Learning

Deep Learning em reconhecimento facial

O reconhecimento facial é uma solução biométrica que mede ou identifica características únicas de um rosto humano. Converte imagens em pixels para uma maior aprendizagem e processamento. No reconhecimento facial, a rede está feita para aprender a partir de bases de dados existentes e novas de imagens humanas. Como é lógico quanto maior o número de imagens para o algoritmo aprender, melhor será a sua precisão. Em aplicações na indústria automóvel, o reconhecimento facial é usado para identificar os condutores de uma frota automóvel, para personalizar a experiência do condutor, etc.

Deep Learning na deteção de objetos

A condução autónoma é a palavra da moda na indústria automóvel desta década. Quando se fala de condução autónoma ou sistemas avançados de assistência à direção (ADAS – Advanced driver-assistance systems), a deteção de objetos baseada em visão artificial com Deep Learning facilita uma plataforma para que o sistema compreenda vários objetos que um veículo pode encontrar na estrada, como peões, animais ou sinais de trânsito. A deteção de peões é um problema histórico não apenas para os ADAS, mas também na robótica.

Deep Learning em sistemas de monitorização de condutores (DMS)

As distrações ao volante são um dos principais fatores que aumentam o risco de acidentes rodoviários. É estimado que 1 em cada 5 acidentes em todo o mundo sejam causados por distração do condutor ou sonolência. Para reduzir esse fator de risco, os sistemas DMS monitorizam diversas e expressões faciais para prever o estado de alerta do condutor. Mas esta tarefa está longe de ser fácil, pois as características variam de um indivíduo para outro, e é aqui que entram os modelos de Deep Learning baseados em CNN.

Se está interessado em automatizar os seus processos com uma solução de visão artificial, não hesite e entre em contato com os nossos especialistas.