●技術說明:
我們針對不同應用所研發的三種異常檢測模型僅需正常資料來訓練。對異常事件偵測,我們訓練一個自編碼器進行前景與光流的預測,異常行為偵測使用人物姿勢的估測,預測未來的人體姿勢,兩者皆以預測的誤差為異常分數。對於影像的瑕疵檢測,我們使用不同大小的截圖,令模型萃取特徵後與正常資料比對,以計算各區域的異常分數。
●技術之科學突破性:
影片異常偵測:使用前景與光流,使模型可以專注於重要資訊,不受背景的影響。
人物行為異常偵測:使用關鍵點的信心分數加權,使最初步驟取得人物關鍵點時,被遮擋的關鍵點不影響網路模型。
圖片瑕疵檢測:多種大小的補丁使網路模型可以同時學習大範圍與小範圍的資訊,並使用多種聚類方法與自監督學習。
●技術之產業應用性:
產品的品質優劣攸關企業的競爭力,然而工廠能提供的瑕疵樣本數量有限,這會大幅降低一般深度學習分類方法的效果,因此本研究的圖片瑕疵檢測就是一個可能的解方。
另一方面,工廠人員的異常活動可能導致生產的效率下降,甚至引發危險,因此自動化的監控系統極為重要,可以在違規行為發生時提出警示或是即時偵測危機狀況。
線上展網址:
https://tievirtual.twtm.com.tw/iframe/810e4129-4f1c-4cd7-b951-9ba0ee53a8c6?group=23bfb1fa-dd5b-4836-81a1-4a1809b1bae5&lang=tw
技術成熟度:實驗室階段
展示目的:商機推廣、研發成果展示
流通方式:自行洽談
敬請期待!