Hvordan algoritmer for sosial distansering med termiske bilder kan beskytte folkehelsen

Algoritmene som brukes for å overvåke sosial distansering, spesielt i sammenheng med COVID-19, er avgjørende for å opprettholde helseprotokoller i offentligheten. Dette er spesielt relevant i områder med høy befolkningstetthet, der det er vanskelig å manuelt sikre at folk overholder sikker avstand. Bruken av termiske bilder kombinert med algoritmer for objektgjenkjenning har blitt et viktig verktøy i arbeidet med å beskytte folkehelsen.

En sentral del av denne prosessen er algoritmen som bruker en funksjon kalt "findColor()". Denne funksjonen utfører to viktige oppgaver: den bestemmer fargen på rammene som omgir de oppdagede individene, og den beregner avstanden mellom sentroidene til disse objektene. Først beregnes sentrum av en ramme, C(X, Y), som representerer midtpunktet av en detektert person. Dette beregnes ved å bruke likningene for de minimale og maksimale verdiene for bredden og høyden på rammen, slik som vist i formelen:

C(X, Y) = (Xmin + Xmax) / 2, (Ymin + Ymax) / 2

Her representerer Xmin og Xmax de laveste og høyeste verdiene for bredden, mens Ymin og Ymax refererer til høyden. Når sentroidene er funnet, kan algoritmen videre beregne avstanden mellom disse punktene ved å bruke den euklidiske avstandsformelen:

D(C1, C2) = √[(Xmax - Xmin)² + (Ymax - Ymin)²]

Denne metoden er et viktig verktøy i sanntidsovervåkning av sosial distansering, og dens effektivitet er allerede blitt bevist i flere tester. Bruken av avanserte objektgjenkjenningsmodeller som YOLOv2 har revolusjonert analyseprosessen ved å oppdage mennesker i termiske bilder. Denne modellen analyserer bildet som en helhet i stedet for å bruke mer tidkrevende metodikker som regionforslag, som ble brukt i tidligere teknologier som R-CNN og fast R-CNN. Det gir betydelig raskere og mer presis deteksjon, spesielt når mange individer er tilstede i et område.

Ved å bruke datasett som simulerer virkelige forhold, der kroppstemperaturene til individer er målt med termiske kameraer, er evalueringen mer realistisk. Dette gjør det mulig å nøyaktig vurdere hvordan teknologien fungerer i praktiske scenarier. Den brukte algoritmen har også vist seg å være effektiv i å skille ut personer fra omgivelsene, og dens evne til å vurdere avstanden mellom sentroidene gjør det mulig å klassifisere avstanden som enten sikker eller usikker.

I tillegg er den foreslåtte teknologien testet sammen med andre avanserte modeller som R-CNN og fast R-CNN. Evalueringen av nøyaktighet, presisjon og tilbakekalling ved hjelp av en forvirringsmatrise gir innsikt i hvordan modellen utfører i forhold til andre metoder. Testene har vist at den nye tilnærmingen gir bedre resultater når det gjelder både oppdagelse av personer og klassifisering av sosial distansering i termiske bilder.

De praktiske anvendelsene av denne teknologien er betydelige, og inkluderer offentlige transportmidler, arbeidsplasser og offentlige arrangementer. Ved å implementere automatisert overvåking kan man effektivt håndheve sosial distansering og dermed redusere smittefaren. Videre vil dens fleksibilitet gjøre det mulig å tilpasse teknologien til ulike miljøer, noe som gjør den til et uunnværlig verktøy i kampen mot smittsomme sykdommer.

Resultatene fra testene viser at YOLOv2-nettverket har overgått R-CNN og fast R-CNN i flere evalueringskriterier, noe som understreker dets styrke som et verktøy for både objektgjenkjenning og avstandsberegning. Dette gjør det til en sentral teknologi for overvåkning og beskyttelse av folkehelsen, spesielt i områder med høyt menneskelig nærvær.

Hvordan kan integrerte AI-modeller på NVIDIA-plattformer effektivt overvåke smittevernstiltak under COVID-19-pandemien?

MobileNetv2, kjent for sin lette og effektive arkitektur, brukes ofte til ansiktsmaskedeteksjon på mobile og innebygde enheter, men mangler residualforbindelser som finnes i modeller som ResNet og YOLOv4-tiny. Residualforbindelser er viktige for å lette informasjonsflyten mellom lagene i et nevralt nettverk og motvirke problemer som forsvinnende gradient, noe som kan gjøre treningen mer stabil og effektiv. YOLOv4-tiny, med sine slike forbindelser, spiller derfor en sentral rolle i pålitelig gjenkjenning av sosiale distanseringspraksiser, ansiktsmasker og ansiktstemperatur, som vist i tabellene som sammenligner nøyaktigheten til ulike metoder.

I arbeidet med sanntidsutførelse av disse modellene på NVIDIA-plattformer har Jetson Nano og Jetson Xavier blitt brukt som testbærere for den integrerte løsningen. Jetson Nano tilbyr 472 GFLOPs AI-ytelse med en 128-kjerners Maxwell GPU og en firekjerners ARM A57 CPU, med 4 GB LPDDR4 RAM. Den støtter 4K-oppløsning ved 30 fps og benytter populære AI-rammeverk som PyTorch og Caffe. Jetson Xavier AGX er kraftigere, med en 512-kjerners GPU, 8-kjerners ARMv8.2 CPU, 16 GB RAM og en ytelse på 30 TOPs, noe som tillater håndtering av mer komplekse og intensive oppgaver, men også med høyere strømforbruk (10–30 W versus 5–10 W på Nano).

Integrasjonen av ansiktsmaskegjenkjenning, sosial distansering og ansiktstemperaturmåling ble mulig ved å koble flere kameraer – inkludert Raspberry Pi- og See2CAM-kameraer for maskedeteksjon, samt Lepton 3.5 og FLIR BOSON termiske kameraer for temperaturmåling og avstandsvurdering – til disse plattformene. De termiske kameraene leverer radiometriske data som lar systemet måle temperaturer for hvert bildepunkt, noe som muliggjør en detaljert og nøyaktig analyse. Bilderammene fra ulike kameraer ble standardisert til 416 x 416 piksler ved hjelp av OpenCV, noe som sikrer konsistens i databehandlingen.

Samtidig kjøring av alle tre oppgaver på samme plattform fører til redusert sanntidsytelse, spesielt på Jetson Nano, på grunn av økt beregningskostnad. Nano opplever også en merkbar økning i temperatur, som kan utløse overopphetingsalarmer og dermed redusere ytelsen. Dette illustrerer utfordringen med å balansere flere AI-tjenester i ressursbegrensede miljøer, hvor varmeutvikling og strømforbruk må håndteres nøye for å opprettholde stabil drift.

I tillegg til ytelsesaspekter ble det lagt vekt på modellens kompakte filstørrelser. YOLOv4-tiny-modellene for sosiale distansering, maskedeteksjon og temperaturmåling er mellom 22,8 MB og 23 MB, noe som gjør dem svært egnet for lavkost IoT-enheter. Dette står i kontrast til større forhåndstrente nettverk som ResNet50, som krever betydelig mer lagringsplass og ikke leverer tilfredsstillende sanntidsytelse på innebygde plattformer.

Det er vesentlig å ha en helhetlig forståelse av hvordan samtidige oppgaver i AI-systemer påvirker både ytelse og maskinvarehelse. Effektiv sanntidsbehandling krever nøye balansering mellom modellkompleksitet og plattformkapasitet, samt optimalisering av ressursbruk. Videre bør leseren være oppmerksom på at valg av sensor- og kamerateknologi, samt integrasjonsstrategier for dataflyt, er avgjørende for pålitelighet og nøyaktighet i feltapplikasjoner. Endelig må man ikke undervurdere betydningen av robust temperatur- og energistyring for å sikre stabil drift under kontinuerlig belastning, særlig i kontekst av IoT- og edge computing-løsninger.