IRISBOND – Mamu, begiaren jarraipena egiteko bereizmen baxuko softwarea
IRISBOND
Sektorea: Osasuna
Negozio-kasua
Begiaren jarraipena egiteko gailu mugikorretarako algoritmo bat garatzea proposatu dute, ikusmen artifizialean oinarrituta. Bereizmen handiko begien jarraipena egiteko gailuen gaitasuna erreferentziatzat hartuta (Hiru), helburua da funtzionalitate horiek erreplikatzen ahalegintzea, baina horretara bideratutako hardwarea izateak dakartzan kostuak murriztuz.
Helburuak
Erabilera-kasuaren helburua da begiaren jarraipena egiteko kostu baxuko AAren algoritmoa izatea, erabiltzea web-kamera bat duen edozein gailutan (mugikorra edo mahagainekoa) integratu ahal izateko. Alde batetik, erabiltzen ari den erabiltzailearen kasura egokitu behar da (argiztapenaren eta aurpegiko zantzuen aldakortasuna) eta, bestetik, denbora errealean funtzionatzeko bezain arina izan behar da.
Erabilera-kasua
Irtenbideak AA erabiltzen duten modulu asko dituenez, sare neuronala garatzea izan da ahalegina, gure arazoaren beharretara egokitzeko. Hain ezinbestekoak ez diren moduluen kasuan, kode irekiaren eta dagoeneko merkatuan dauden produktuen algoritmo orokorragoak lortzeko moduak bilatu dira.
Azpiegitura
On Premise
Erabilitako teknologiak
Irudiak hautematea/prozesatzea Ikaskuntza Automatikoa edo Sakona
Erabilitako datuak
Begiratzeko angeluaren etiketa duten 1.000.000 irudi sintetiko (sorgailu publikoa). Etiketa duten 10.000 irudi erreal (angelua).
Erabilitako baliabideak
Antolaketari dagokionez, beharrezkoak izan dira proiektu-arduradun 1 eta 3 SW teknikari (ikusmen artifiziala eta mikrozerbitzuak). Garapen teknikoa Vicomtechek eta Irisbondek egin dute nagusiki (algoritmoak) eta Androiderako aplikazio baten bitartez egindako baliozkotze teknikoa, baldintzak, bideragarritasuna eta integrazioa Irisbondek egin du.
Zailtasunak eta ikaskuntza
rudi errealak lortzeko mugak izan dira. Datu alternatiboak lortzeko alternatibak bilatu dira. Hirugarrengoen baliabideak eta algoritmoak erabiltzen ahalegintzea, gero gure arazora egokitzeko. Konputoaren mugak dituzten gailu mugikorretan ikusmen artifizialeko (DL) algoritmoa txertatzeko zailtasuna. Ereduek mendekotasun handia dute inguruko aldaketekiko: Argi-aldaketak, erabiltzailearen posizioa.
KPIak (negozioan duen inpaktua eta ereduaren metrikak)
Precisión de predicción: Sin calibración: Error en ángulos 6º, Error en cm a 40 cm 4,18 cm Con calibración: Error en ángulos 3º, Error en cm a 40 cm 2,09 cm
Finantzaketa
Hazitek, Samsung
Kolaboratzaileak
Samsung, Vicomtech
