Πολύ φωτεινό ή πολύ σκοτεινό... Με τους προβολείς αυτοκινήτων, και οι δύο επιλογές είναι επικίνδυνες. Αλλά δεν είναι όλοι οι προβολείς ίδιοι.
Οι ρυθμίσεις γίνονται όλο και πιο εξελιγμένες. Οι συσκευές δοκιμής χρησιμοποιούνται για την έγκριση και τον τακτικό έλεγχο των προβολέων στον τομέα της αυτοκινητοβιομηχανίας. Αυτές χρησιμοποιούν αισθητήρες για την καταγραφή της κατανομής της έντασης του φωτός των προβολέων και την ανάλυσή της σύμφωνα με καθορισμένες διαδικασίες αξιολόγησης.
Οι νέες τεχνολογίες, όπως οι προβολείς LED matrix και ένας μεγάλος αριθμός νέων εξαρτώμενων από τον κατασκευαστή κατανομών φωτός «Advanced Frontlighting System» (AFS), θέτουν μεγάλες προκλήσεις για τις υπάρχουσες διαδικασίες αξιολόγησης. Απαιτούν επίσης από τους μηχανικούς των συνεργείων να έχουν όλο και πιο εκτεταμένες γνώσεις σχετικά με τη χρήση του εξοπλισμού δοκιμών.» Αυτό αναφέρεται στο τεχνικό άρθρο του Mittelstand Digital Zentrum Chemnitz σχετικά με το έργο «Classification of headlights using AI» (Ταξινόμηση προβολέων με χρήση τεχνητής νοημοσύνης).
Είμαστε μέρος του έργου και η επαφή σας για την ανάπτυξη λογισμικού και την επεξεργασία εικόνας.
Το έργο και τα πρώτα αποτελέσματα παρουσιάστηκαν στο συνέδριο SpectroNet Collaboration Conference 2023 στο Erfurt. Αυτά δείχνουν ήδη τις υψηλές δυνατότητες της τεχνητής νοημοσύνης στον τομέα της επεξεργασίας εικόνας και της τεχνολογίας αισθητήρων και αποτελούν παράδειγμα έργων τεχνητής νοημοσύνης που μπορούμε να υλοποιήσουμε για τους πελάτες μας.
Η αυξανόμενη πολυπλοκότητα των τύπων προβολέων καθιστά δύσκολη την ταξινόμησή τους και δεν μπορεί να αντιμετωπιστεί μόνο με τη χρήση αναλυτικών μεθόδων. Οι μέθοδοι τεχνητής νοημοσύνης πρόκειται τώρα να τις συμπληρώσουν ή να τις αντικαταστήσουν. Η επιλογή των σωστών αλγορίθμων, υπερπαραμέτρων και μεθόδων εκπαίδευσης είναι ζωτικής σημασίας. Τα μοντέλα τεχνητής νοημοσύνης πρέπει να είναι σε θέση να αναγνωρίζουν και να ερμηνεύουν τις λεπτές διαφορές και τα πολύπλοκα μοτίβα στα δεδομένα. Επιπλέον, η αποτελεσματική επεξεργασία των εικόνων και η εξαγωγή χαρακτηριστικών σχετικών με την ταξινόμηση αποτελεί τεχνική πρόκληση.
Κατ' αρχάς, οι ακριβείς στόχοι, οι απαιτήσεις για τη λύση τεχνητής νοημοσύνης και η τρέχουσα κατάσταση των δεδομένων προσδιορίστηκαν στο εργαστήριο εισαγωγής. Ο εταίρος της εταιρείας παρουσίασε λεπτομερώς την περίπτωση χρήσης του. Στη συνέχεια, η ομάδα πραγματοποίησε μια ολοκληρωμένη ανάλυση και προεπεξεργασία δεδομένων. Στη συνέχεια, δημιουργήθηκε ένα απλό μοντέλο τεχνητής νοημοσύνης που επικεντρώθηκε στην εργασία ταξινόμησης, δοκιμάστηκε, επεκτάθηκε συνεχώς και προσαρμόστηκε στην απαιτούμενη πολυπλοκότητα.
Η ομάδα από το Mittelstand-Digital Zentrum Chemnitz ανέπτυξε ένα πρωτότυπο ενός σύνθετου μοντέλου τεχνητής νοημοσύνης που βρίσκεται εντός του προκαθορισμένου εύρους ακρίβειας. Οι εταίροι του έργου έδωσαν ιδιαίτερη έμφαση στην επεξηγηματικότητα και τη διαφάνεια της βιομηχανικής λύσης τεχνητής νοημοσύνης. Τα μέχρι σήμερα ευρήματα και οι βελτιστοποιήσεις έχουν τεκμηριωθεί διεξοδικά και έχουν ενσωματωθεί σε μια εφαρμογή επίδειξης για το λογισμικό δοκιμής προβολέων.
"Η συνεργασία με το Mittelstand-Digital Zentrum Chemnitz ήταν ένα πραγματικό όφελος για την εταιρεία μας. Μαζί αναπτύξαμε μια καινοτόμο λύση τεχνητής νοημοσύνης για την ταξινόμηση των προβολέων, η οποία όχι μόνο αυξάνει την αποδοτικότητά μας, αλλά και θέτει νέα πρότυπα στη διασφάλιση της ποιότητας. Αυτή η συνεργασία μας έδειξε πόσο πολύτιμη είναι η χρήση της τεχνητής νοημοσύνης στην παραγωγή".
Dr.-Ing. Uwe Schleichert, διευθύνων σύμβουλος της VELOMAT Group
English 
Deutsch 
español