Program konference

SICK je eden vodilnih svetovnih ponudnikov rešitev za senzorske aplikacije v industrijskem sektorju. Podjetje s sedežem v Waldkirch im Breisgau je leta 1946 ustanovil Dr.-Ing. e. h. Erwin Sick. SICK ima več kot 11.000 zaposlenih po vsem svetu. Razvojna skupina, Vision Lab Slovenija je od avgusta 2022 del globale razvojne skupine, ki deluje na področju avtonomne zaznave. Industrijska avtomatizacija se spreminja izjemno hitro. Kot vodilni na področju inovacij na čelu razvoja najsodobnejše senzorske tehnologije SICK danes ponuja rešitve, ki so pripravljene na izzive prihodnosti – z inteligentnimi senzorji, ki zbirajo podatke, jih vrednotijo v realnem času, se prilagajajo svojemu okolju in komunicirajo v omrežje. V sklopu predavanja bomo podrobneje spoznali rešitve, ki temeljijo na tehnologijah strojnega vida. Poudarili bomo pristope, ki prek programske opreme podpirajo koncepte modularnost in fleksibilnosti in posledično uporabnikom omogočajo visoko stopnjo prilagodljivosti rešitev specifičnim potrebam.

Zasnova čitalnikov prstnih odtisov, ki se vgrajujejo in uporabljajo v zasebnih objektih (hiše in stanovanja) ima svojo specifiko predvsem v tem, da je potrebno upoštevati različne navade uporabnikov, starostne skupine uporabnikov, izpostavljenost vremenskim vplivom ter zahteve proizvajalcev vhodnih vrat glede načina vgradnje. S pravilnim informiranjem vseh deležnikov v procesu od proizvodnje vrat do končnega uporabnika, ter s pravimi nastavitvami algoritma, ki obdeluje zajete biometrične podatke, lahko zagotovimo tudi več kot 95 % uspešnih transakcij. Daleč največji izziv nam je predstavljalo informiranje in izobrazba uporabnikov, še posebej preden se je tovrstna tehnologija začela bolj množično pojavljati v mobilni telefoniji. Tako kot se je to zgodilo v mobilni telefoniji, postaja dandanes odklepanje vhodnih vrat s pomočjo biometrične prepoznave standard. V sklopu vabljenega predavanja bodo predstavljene izkušnje z integracijo biometričnih čitalnikov v vhodnih vratih, izzivi, s katerimi se srečujemo in naša vizija razvoja integracije biometrične kontrole pristopa v segmentu zasebnih uporabnikov.

Osnovni način, da dosežemo dobre rezultate pri pečenju je prilagoditev časa – če želi ljubiteljski kuhar bolj zapečene piškote bo podaljšal čas peke. Ta pristop ne zagotavlja vedno istih rezultatov in lahko vodi v preveč ali premalo zapečene jedi. Za reševanje tega problema je bilo razvitih že več sistemov računalniškega vida, ni pa še bilo izvedene sistematične študije, ki bi razviti sistem primerjala z izkušenim domačim kuharjem. V tem delu predstavimo sistem računalniškega vida, ki je sestavljen iz pečice s kamero, sistema za zajemanje slik in globokih nevronskih modelov. Delovanje sistema primerjamo z modelom ljubiteljskega kuharja. Ker se videz jedi v pečici spreminja skozi čas, poleg konvolucijskega modela CNN uporabimo dve vrsti modelov, ki na vhodu sprejmeta zaporedje slik - CNN-LSTM in ConvLSTM. Rezultati kažejo, da model ConvLSTM prekaša model ljubiteljskega kuharja za 5 odstotnih točk v metriki F1. Da so modeli primerni za spremljanje kvalitete jedi v pečici, morajo imeti sposobnost učenja dinamike pečenja.

One of the major obstacles to the application of deep learning in industry is the requirement for a large number of labeled images required for supervised learning. This is because obtaining labeled images can be time-consuming and costly. To overcome this challenge, some methods utilize image augmentation or synthetic images for pre-training, followed by fine-tuning with real images. This paper introduces a method for generating synthetic images from 3D CAD models, along with a new dataset consisting of both synthetic and real images, and their corresponding segmentation masks. The aim is to train a segmentation model using only synthetic images, which are readily available in industry, allowing for a quicker adaptation of the production process to new products without the need for capturing real training images. We evaluate an image segmentation algorithm on the proposed dataset and compare the results obtained with a different number of synthetic and real images of an industrial object captured or rendered on different backgrounds.

V članku je opisan razvoj sistema za detekcijo puščic pri klasičnem pikadu, z uporabo metod računalniškega vida, ki so implementirane v odprtokodni knjižnici OpenCV. Cilj je bil razviti sistem z visoko natančnostjo, ki bo enostaven za uporabo in cenovno dostopen. Na začetku je opisan postopek kalibracije tarče, sledi iskanje točke udarca in izračun točk in na koncu še uporabljene prilagoditve pri razvoju sistema.

Deep generative models have drawn the attention of the AI community in the last decade. The scalability of neural architectures helps solving multiple relevant problems, e.g., text- to-image generation, otherwise not addressable. In the context of image data privacy, the increasing amount of produced, shared, and stored images imposes new measures to protect personal identity information. At the same time, such protection mechanisms need to preserve the image quality. In this talk, we discuss how PiktID is using some recent deep learning-based techniques for protecting human identities in pictures. We show several examples, and we present interesting use-cases.

Naslov "Napovedovanje slik otrok obrazov z GAN metodo" je že na prvi pogled vzbudil motivacijo, ker je potencialni rezultat zanimiv. GAN metoda je tudi dokaj novo področje, kar vse skupaj naredi še bolj zanimivo, saj ni veliko raziskav, v katerih je bila uporabljena. Na problem smo pogledali tudi s strani "uporabnika", torej nekoga, ki bi rad videl sliko svojega potencialnega otroka. Iz tega sklepamo, da bi končna rešitev na trgu doživela zanimanje, še posebej v bogatejšem sloju prebivalstva. Raziskav na to temo je bolj malo, vendar dovolj za osnovo pri izdelavi naloge. Cilj naloge je bil dobiti sliko obraza otroka na osnovi izgleda njegovih staršev.

Na večih nivojih izobraževanja je očitno pomanjkanje poudarka na umetni inteligenci (UI). Članek predstavlja zasnovo EU projekta AIM@VET (moduli umetne inteligence za poklicno izobraževanje in usposabljanje) v teku, ki zajema razvoj učnih modulov z namenom prilagajanja poklicnega izobraževanja potrebam trga dela z osredotočenostjo na UI. Projekt vključuje šest partnerjev iz Španije, Portugalske in Slovenije, pri čemer slovenski del predstavljata Univerza v Ljubljani (UL) in Šolski center Velenje (ŠCV), ki se osredotočata na računalniški vid kot delu UI. Teme vključujejo: zajem in urejanje nepristranskih podatkov, detekcijo in segmentacijo ter sledenje in prepoznavanje. Razvojni proces vključuje predvsem pripravo vsebine s strani UL in prenos vsebine s strani učiteljev ŠCV na dijake, pri čemer tako dijaki kot učitelji podajo povratne informacije. Pomen poklicnega izobraževanja na področju UI in pomen zagotavljanja nepristranskih in pravičnih algoritmov sta še posebej izpostavljena skozi projekt.

Določitev meja kmetijskih poljin je osnovni proces na področju preciznega kmetijstva ter eden ključnih členov nove Evropske kmetijske politike. Prav tako so meje kmetijskih poljin osnovni gradnik za spremljanje kmetijskih zemljišč v okviru klimatskih sprememb ter prehranske varnosti. Cilj procesa je avtomatska določitev meja kmetijskih poljin iz satelitskih posnetkov. Temelji na podobnosti prostorskih, spektralnih in časovnih lastnostih slikovnih pik, ki pripadajo isti poljini. Osnovno metodo smo razvili v okviru projekta NIVA na podatkih konstelacije satelitov Sentinel-2 Evropske Vesoljske Agencije. Globoka nevronska mreža temelji na u-net arhitekturi in iz satelitskega posnetka napove tri slikovne spremenljivke: segmentacijo poljine, mejo poljine, ter razdaljo segmentiranih slikovnih točk do meje. Iz teh treh napovedi nato sestavimo sliko meja poljin bodisi iz enega posnetka ali pa iz (daljše) časovne vrste posnetkov. V fazi naknadne obdelave slikovno napoved predelamo v vektorski format, ki predstavlja končni rezultat procesa.

Volkci lijakarji so žuželke, katerih ličinke v pesku gradijo pasti v obliki lijaka za lov plena. Naklon lijaka in sipanje peska proti dnu lijaka plenu otežujeta pobeg, zato je oblika lijaka ključnega pomena za uspeh pri lovu. Različne vrste volkcev lijakarjev lahko gradijo različno oblikovane pasti. V raziskavi Devetak in sodelavci (2020) smo proučevali povezavo med geometrijo pasti in lastnostmi peščenega substrata. Pasti smo 3D skenirali z laserskim čitalnikom in izdelali 3D modele pasti, ki smo jih uporabili za opis oblike z meritvami kotov in za analizo variabilnosti pasti z metodami geometrijske morfometrije. Ugotovili smo, da substrat z manjšo granulacijo ali večjim deležem finega peska omogoča gradnjo kompleksnejših pasti s strmejšimi stenami, saj ima višji maksimalni kot stabilnosti. Oblika pasti je torej odvisna od strukture substrata in v heterogenem habitatu omogoča sobivanje različnih vrst volkcev z različnimi preferencami glede substrata.

Morfologija aortne zaklopke se v kardiovaskularni medicini uporablja za analizo bolezni srčnih zaklopk, za katero pa je potrebna natančna določitev značilnih anatomskih točk, tj. oslonilnih točk. V tej študiji preučujemo uporabo arhitekture globokega učenja, in sicer omrežje prostorskih konfiguracij, za zaznavanje oslonilnih točk na lističih zdrave aortne zaklopke v 120 koronarnih slikah, pridobljenih s tehniko računalniške tomografije. Na podlagi trikratnega prečnega preverjanja smo za šest oslonilnih točk, ki predstavljajo baze in komisure sinusov aortne zaklopke, z omenjeno metodo dobili povprečno napako zaznavanja 1,45 ± 0,82 mm. Čeprav je dobljena natančnost primerljiva z obstoječimi metodami, bi lahko dodatne izboljšave v obliki predhodne oz. naknadne obdelave slik ali z uporabo naprednejših metodoloških konceptov izboljšale uspešnost zaznavanja oslonilnih točk.

A few promising solutions for thermal imaging Unexploded Ordnance (UXO) detection were proposed after the start of the military conflict in Ukraine in 2014. Our research focuses on improving the accuracy of UXO detection in thermal images. The current state-of-the-art UXO detection method is based on the YOLOv5 Convolutional Neural Network (CNN). We accessed the effectiveness of UXO detection by using the state-of-the-art object detector YOLOv7 in this article. Two YOLOv7 models were re-implemented, fine-tuned using a grid- search approach and trained on a UXOTi_NPA public dataset of 720x480 pixel thermal images. The results showed that the models were able to identify UXOs from 11 different classes with more than 90% probability and a Mean Average Precision (mAP) of 86.8% to 89.7%, depending on the model's complexity. The metrics are just slightly behind the YOLOv5 results. Such CNN, thus, enables accurate automatic UXO detection, which is crucial to address one of the least explored and life-threatening problems worldwide.