Επιπλέον, ένα κρίσιμο ζήτημα είναι πώς αυτές οι τεχνολογίες AI μπορούν να προσαρμοστούν και να φέρουν επανάσταση στα υπάρχοντα οικοσυστήματα σε υποδομές υψηλής αξίας και υψηλής ζήτησης, όπως αεροδρόμια, αεροσκάφη και διάφορα προηγμένα συστήματα κινητικότητας.

Χρησιμοποιώντας καινοτόμες τεχνολογίες AI και αξιοποιώντας τα πλεονεκτήματα της πλατφόρμας του Πανεπιστημίου Cranfield, το Μάθημα MSc Εφαρμοσμένης Τεχνητής Νοημοσύνης στοχεύει να καλλιεργήσει μελλοντικούς ηγέτες στην εφαρμοσμένη τεχνητή νοημοσύνη σε διάφορους τομείς μηχανικής. Πρωταρχικός του στόχος είναι να επιταχύνει την ανάπτυξη και την ανάπτυξη αξιόπιστων τεχνολογιών τεχνητής νοημοσύνης για εφαρμογές κρίσιμες για την ασφάλεια παγκοσμίως.

Το έργο ομαδικού σχεδιασμού (GDP) είναι μια ενότητα μάθησης που βασίζεται σε προβλήματα και ο στόχος του GDP είναι οι μαθητές να σχεδιάσουν, να εφαρμόσουν, να επικυρώσουν και να δοκιμάσουν συστήματα που βασίζονται σε τεχνητή νοημοσύνη σε πραγματικό χρόνο για την επίλυση προβλημάτων πραγματικού κόσμου. Το GDP στοχεύει επίσης να παρέχει στους φοιτητές την εμπειρία εργασίας σε ένα συλλογικό έργο μηχανικής, ικανοποιώντας τις απαιτήσεις ενός δυνητικού πελάτη και τηρώντας τις προθεσμίες.

Το 2022 και το 2023, στους φοιτητές που εγγράφηκαν στο MSc μας στην Εφαρμοσμένη Τεχνητή Νοημοσύνη ανατέθηκε ένα διεγερτικό και απαιτητικό σχέδιο ομαδικού σχεδιασμού. Ο στόχος ήταν να αξιοποιηθεί η εφαρμοσμένη γνώση τεχνητής νοημοσύνης που αποκτήθηκε από τα μαθήματα τους για την ανάπτυξη καινοτόμων και ασφαλέστερων προϊόντων αεροδρομίου. Δουλεύοντας σε μικρές ομάδες έξι ατόμων, οι μαθητές επιφορτίστηκαν με το σχεδιασμό λύσεων που περιελάμβαναν αρχιτεκτονική λογισμικού και υλικού, ανάπτυξη και δοκιμή μοντέλων τεχνητής νοημοσύνης, καθώς και πτυχές εμπλοκής στον πραγματικό κόσμο.

Το θέμα του έργου ήταν σκόπιμα ευρύ, απαιτώντας από τους μαθητές να συνεργαστούν στις ομάδες τους για να εξερευνήσουν και να βελτιώσουν συγκεκριμένες περιοχές ενδιαφέροντος με βάση τη συλλογική τους εμπειρία και τα ενδιαφέροντά τους. Αυτή η προσέγγιση ενθάρρυνε τη δημιουργικότητα, την ομαδική εργασία και τη βαθύτερη κατανόηση της πρακτικής εφαρμογής των τεχνολογιών τεχνητής νοημοσύνης σε σενάρια πραγματικού κόσμου.

Ζητήθηκε από κάθε ομάδα να αναπτύξει λύσεις τεχνητής νοημοσύνης σε πραγματικό χρόνο για έξυπνα αεροδρόμια για να επιτύχει τις ακόλουθες λειτουργίες:

1. Το σύστημα πρέπει να είναι σε θέση να ανιχνεύει ανθρώπους χρήστες και να εκτιμά τις στάσεις και τις συμπεριφορές τους με βάση την ακριβή ανίχνευση και παρακολούθηση στάσεων.
2. Το σύστημα θα είναι σε θέση να ταξινομεί διαφορετικές συμπεριφορές του πλήθους και να αποσαφηνίζει τους λόγους, τη σημασία και τις δυνατότητες.
3. Το μοντέλο τεχνητής νοημοσύνης θα πρέπει να διασταυρώνεται με διαφορετικές μετρήσεις στην ακρίβεια, τον υπολογισμό και τα συμπεράσματα.
4. Το μοντέλο τεχνητής νοημοσύνης θα πρέπει να μπορεί να εφαρμοστεί σε πραγματικό χρόνο για να ενημερώσει τα πλεονεκτήματα και τα μειονεκτήματα των τρεχουσών τεχνολογιών τεχνητής νοημοσύνης σε αυτές τις κρίσιμες για την ασφάλεια εφαρμογές.
5. Το σύστημα μπορεί να βασίζεται σε διαφορετικές πηγές αισθητήρων ως είσοδο για να επιτρέψει τη σύντηξη αισθητήρων για στιβαρή απόδοση, ωστόσο, πολύ χαμηλού κόστους αλλά αποτελεσματικές λύσεις είναι επίσης ευπρόσδεκτες.

Μελέτη περίπτωσης 1: Ανίχνευση πτώσης σε περιβάλλον συντήρησης αεροσκαφών.

Τα περιβάλλοντα συντήρησης ενέχουν σημαντικούς κινδύνους, συμπεριλαμβανομένων των μηχανημάτων που δεν επιτηρούνται, της ανεπαρκούς περίφραξης ή των φυσικών προφυλακτήρων κοντά σε επικίνδυνες περιοχές και των ακατάστατων χώρων εργασίας. Μεταξύ αυτών των κινδύνων, οι θανατηφόροι τραυματισμοί από πτώση είναι ανησυχητικά συνηθισμένοι. Ο εντοπισμός και η έγκαιρη αναφορά μη θανατηφόρων συμβάντων θα μπορούσε να αποτρέψει περαιτέρω ζημιές ή θανάτους. Ως εκ τούτου, αυτή η εργασία προτείνει ένα ολοκληρωμένο σύστημα που βασίζεται στην όραση για την παρακολούθηση των εργαζομένων κατά τη διάρκεια των δραστηριοτήτων συντήρησης αεροσκαφών, ενισχύοντας την ασφάλεια και αποτρέποντας ατυχήματα (δείτε το παρακάτω σχήμα).

Από τα αποτελέσματα αρχικής εκπαίδευσης και επικύρωσης του σχεδιασμένου μοντέλου, η προφανής απουσία έτοιμων δεδομένων συντήρησης υπόστεγου αεροδρομίου παρουσιάζει μια πιθανότητα μεροληψίας προς εικόνες από βίντεο που τραβήχτηκαν από κάθετες γωνίες κάμερας που λαμβάνονται από την εγγύτητα στο θέμα. Αξιοποιώντας τα πλεονεκτήματα του Cranfield, το υπόστεγο συντήρησης του Πανεπιστημίου Cranfield επιλέχθηκε και χρησιμοποιήθηκε για τη συλλογή δεδομένων σε αυτό το έργο.

Συνολικά, καταγράφηκαν περίπου 50 σύντομα (δύο έως πέντε λεπτά) βίντεο προσομοιωμένων δραστηριοτήτων συντήρησης, άλλα με πτώσεις και άλλα χωρίς. Τα βίντεο που τραβήχτηκαν απογυμνώθηκαν σε καρέ και σχολιάστηκαν χρησιμοποιώντας τη βιβλιοθήκη λογισμικού εκτίμησης πόζας MoveNet και δημιουργήθηκαν διανυσματικοί χάρτες των βασικών θέσεων των αρθρώσεων του θέματος. Το παρακάτω σχήμα δείχνει μερικά στιγμιότυπα των πειραματικών δεδομένων.

Οι μαθητές μας δοκίμασαν τις προσεγγίσεις συνελικτικού νευρωνικού δικτύου 1-D, 2-D και 3-D για να αξιολογήσουν ποσοτικά τον σχεδιασμό του πιο ισχυρού μοντέλου AI. Το παρακάτω σχήμα είναι μια επίδειξη των λύσεων 3-D συνέλιξης.

Τέλος, οι προτεινόμενες λύσεις τεχνητής νοημοσύνης πέτυχαν καλά αποτελέσματα ανίχνευσης για τη συμπεριφορά πτώσης όπως φαίνεται στο παρακάτω σχήμα. Μπορούν να εξαχθούν μερικά συμπεράσματα. Πρώτον, το μοντέλο είχε ταξινομήσεις 0 FP, γεγονός που υποδηλώνει ότι το μοντέλο δεν ταξινομεί εσφαλμένα μια πτώση. Δεύτερον, υπάρχουν 940 αληθινά αρνητικά για κάθε μοντέλο, αυτό θα μπορούσε πιθανότατα να οφείλεται στο ότι τα δεδομένα κάθε δοκιμής περιέχουν ένα τμήμα μη πτώσεων (ταξινομημένο ως 0) πριν πέσει ο ηθοποιός.

Μελέτη περίπτωσης 2: Ανίχνευση ζωτικών σημείων εμφράγματος του μυοκαρδίου χρησιμοποιώντας όραση υπολογιστή και τεχνητή νοημοσύνη άκρων

Το Edge AI αναφέρεται στην ανάπτυξη εφαρμογών τεχνητής νοημοσύνης σε συσκευές που βρίσκονται σε όλο το φυσικό περιβάλλον. Η οικονομική προσιτότητα και η ευκολία χρήσης είναι βασικοί παράγοντες για την υιοθέτηση αλγορίθμων τεχνητής νοημοσύνης σε καταστάσεις όπου οι τελικοί χρήστες αντιμετωπίζουν πραγματικές προκλήσεις. Σε αυτό το έργο, ο μαθητής μας πρότεινε ένα χαμηλού κόστους και ελαφρύ μοντέλο ανίχνευσης καρδιακής προσβολής για γρήγορη απόκριση και διάσωση στο αεροδρόμιο. Η διαδικασία αποτελείται από τέσσερα κύρια στάδια όπως φαίνεται στο παρακάτω σχήμα.

Το πρώτο στάδιο συνιστά την κατάλληλη επιλογή και προετοιμασία ενός συνόλου δεδομένων εικόνας, μαζί με τους απαραίτητους σχολιασμούς για τα οριοθετημένα πλαίσια των τάξεων (πόνος στο στήθος, πτώση).

Επιπλέον, ως δεύτερο στάδιο έρχεται η εκπαίδευση του μοντέλου ανιχνευτή αντικειμένων μας μέσω της εκμάθησης μεταφοράς. Το συγκεκριμένο στάδιο πραγματοποιήθηκε στο Google Colab, χρησιμοποιώντας PyTorch. Στη συνέχεια, μετά την ολοκλήρωση του σταδίου εκπαίδευσης, το μοντέλο εισήχθη στο Jetson Nano της NVIDIA, το οποίο ήταν η επιλεγμένη ενσωματωμένη συσκευή μας για χρήση στην εφαρμογή υπολογιστικής όρασης Edge AI.

Το τρίτο στάδιο του σχεδιασμού του συστήματός μας ήταν η κατάλληλη μετατροπή και βελτιστοποίηση του μοντέλου, ώστε να λειτουργεί πιο αποτελεσματικά στο Jetson Nano. Η βελτιστοποίηση του μοντέλου μας πραγματοποιήθηκε χρησιμοποιώντας τη μηχανή συμπερασμάτων TensorRT της NVIDIA και η συγκεκριμένη διαδικασία εκτελέστηκε σε Jetson Nano (όπως φαίνεται στο παρακάτω σχήμα).

Το τελευταίο βήμα είναι η εκτέλεση του βελτιστοποιημένου μοντέλου στο Jetson Nano, χρησιμοποιώντας ως είσοδο τα καρέ που λαμβάνει από μια web κάμερα, για να εκτελέσει τη διαδικασία ανίχνευσης αντικειμένων σε πραγματικό χρόνο και να εντοπίσει τις τάξεις μας (πόνος στο στήθος, πτώση). Μαζί με αυτή τη διαδικασία, στον κώδικα συμπερασμάτων που τρέχει στο Jetson Nano, υπήρχαν δύο συγκεκριμένα σενάρια. Τα τελικά αποτελέσματα συμπερασμάτων φαίνονται στο παρακάτω σχήμα.

Μελέτη περίπτωσης 3: Παρακολούθηση πλήθους και ανάλυση κοινωνικής απόστασης

Τα αεροδρόμια έχουν τεράστιες εισροές επιβατών κάθε μέρα και, όπως και άλλες πολυσύχναστες τοποθεσίες και οργανισμούς, πρέπει να διασφαλίζουν τη δημόσια ασφάλεια και να διασφαλίζουν ότι εφαρμόζονται κατάλληλα μέτρα για τον μετριασμό των κινδύνων κατά τη διάρκεια πανδημιών. Σε αυτό το έργο, οι μαθητές μας πρότειναν ένα ολοκληρωμένο σύστημα υπολογιστικής όρασης που παρέχει πολυλειτουργική παρακολούθηση και ανάλυση πλήθους σε όλα τα αεροδρόμια. Τα αποτελέσματα του συστήματος προορίζονται να ωφελήσουν το προσωπικό διαχείρισης του αεροδρομίου και τους επιβάτες, παρέχοντας αναλύσεις και ευφυΐα βασισμένα στο πλήθος.

Το σύστημα αποτελείται από μια ενσωματωμένη πλατφόρμα (δείτε το παρακάτω σχήμα) για την ανάλυση και την παρακολούθηση του πλήθους σε δημόσιους χώρους χρησιμοποιώντας ροές βιντεοπαρακολούθησης. Η εστίαση είναι ειδικά στα έξυπνα αεροδρόμια, αλλά το βασικό πλαίσιο είναι προσαρμόσιμο σε οποιοδήποτε δημόσιο πλαίσιο όπου η ανάλυση και η παρακολούθηση των χαρακτηριστικών του πλήθους είναι χρήσιμη.

Τα χαρακτηριστικά πόζας που εξάγονται από μια σκηνή χρησιμοποιούνται από μοντέλα κατάντη συστήματος για την εκτέλεση μοναδικών εργασιών. Αυτό περιλαμβάνει μέτρηση ατόμων, εκτίμηση διαπροσωπικής απόστασης, ανίχνευση αντικειμένων μάσκας, ταξινόμηση κατάστασης (κάθισμα, όρθια στάση, περπάτημα, ξαπλωμένη κ.λπ.) και κοινωνική ομαδοποίηση. Τα αποτελέσματα στη συνέχεια συνδυάζονται για να σχηματίσουν τον ενσωματωμένο πίνακα ελέγχου και το σύστημα παρακολούθησης. Με εξαίρεση την κοινή χρήση των χαρακτηριστικών πόζας, αυτές οι εργασίες αντιπροσωπεύουν μοναδικές προκλήσεις με διαφορετικές προσεγγίσεις μοντελοποίησης. Ευτυχώς, λόγω του αρθρωτού σχεδιασμού του συστήματος, ήταν δυνατό να αφαιρεθεί κάθε εργασία και να αναπτυχθούν διαφορετικά μέλη της ομάδας.

Τέλος, μια διαδραστική διεπαφή έχει σχεδιαστεί για να ενσωματώνει όλες τις μεταγενέστερες εξόδους σε ένα ενιαίο παράθυρο προβολής (δείτε την παρακάτω εικόνα). Η εφαρμογή ανεβάζει αρχεία δεδομένων που δημιουργήθηκαν από τα κατάντη μοντέλα στον πίνακα εργαλείων σε πραγματικό χρόνο, ώστε να μπορεί να γίνει ανάλυση της τρέχουσας κατάστασης της σκηνής. Ανά πάσα στιγμή, μπορείτε να δείτε το αρχικό πλάνα της σκηνής, μαζί με τα χαρακτηριστικά πόζας που εξάγονται από κάθε άτομο σε ένα πρόγραμμα αναπαραγωγής βίντεο που βρίσκεται δίπλα του. Ο υπεύθυνος λήψης αποφάσεων μπορεί να κάνει εναλλαγή μεταξύ μιας προβολής πλαισίου σε μια προβολή χάρτη θερμότητας και στη συνέχεια να αλλάξει το βίντεο που λαμβάνονται τα δεδομένα από δύο αναπτυσσόμενα μενού. Τα στατιστικά στοιχεία σχετικά με τη σκηνή εμφανίζονται στα δεξιά της θύρας προβολής. Αυτά τα στατιστικά στοιχεία είναι η συνολική κατάσταση της μάσκας ατόμου, το συνολικό προφίλ κινδύνου, η κατάσταση της συνολικής θέσης ατόμων, ο συνολικός αριθμός ατόμων, οι αναλογίες κοινωνικής αποστασιοποίησης και το τετραγωνίδιο αναλογιών.

Μελέτη περίπτωσης 4: Ανίχνευση βίας στο αεροδρόμιο

Τέλος, μία από τις ομάδες μας στοχεύει να αναπτύξει ένα πλαίσιο ανίχνευσης βίας που υπολογίζει τις ανθρώπινες στάσεις και ταξινομεί τη βίαιη συμπεριφορά στα πλάνα παρακολούθησης (όπως φαίνεται στην παρακάτω εικόνα). Αντί να εξάγει άμεσα χαρακτηριστικά από καρέ βίντεο, αυτό το πλαίσιο χρησιμοποιεί το ViTPose για να ανιχνεύει ανθρώπινες στάσεις σε κάθε καρέ και, στη συνέχεια, προεπεξεργάζεται και εξάγει χαρακτηριστικά από τις πληροφορίες των βασικών σημείων.

Η ολοκληρωμένη ανάλυση διαφόρων μοντέλων χρησιμοποιώντας πολλαπλά σύνολα δεδομένων (βασισμένη σε γωνία, με βάση την απόσταση, ακολουθίες 1 δευτερολέπτου και 2 δευτερολέπτων) με συνολικά 162 συνδυασμούς υπερπαραμέτρων, η ομάδα εντόπισε τελικά πολλά υποσχόμενα μοντέλα που πληρούν συγκεκριμένα κριτήρια αξιολόγησης. Μπορούμε να συμπεράνουμε ότι τα μοντέλα μπορούν να εξάγουν πολύτιμες πληροφορίες σχετικά με τη βίαιη συμπεριφορά χρησιμοποιώντας χαρακτηριστικά απόστασης των βασικών σημείων του σώματος, όπως φαίνεται στο παρακάτω σχήμα.

Τέλος, συνεργαζόμενοι με τη Saab UK, οι μαθητές μας μπορούν να αναπτύξουν και να ενσωματώσουν τα μοντέλα τεχνητής νοημοσύνης τους με την πλατφόρμα βιομηχανικού επιπέδου (SAFE), μια ισχυρή πλατφόρμα συνειδητοποίησης της κατάστασης που χρησιμοποιείται ευρέως σε πολλά αστυνομικά τμήματα του Ηνωμένου Βασιλείου για επιτήρηση. Η πύλη KAFKA εφαρμόζεται ακολουθώντας τον κινητήρα AI και προωθείται στο τερματικό πελάτη για περαιτέρω προβολή και ειδοποιήσεις. Εάν εντοπιστεί κάποια βία στο υποκλαπόμενο βίντεο με οριοθετημένα πλαίσια, θα ενεργοποιήσει τον συναγερμό που διαμορφώσαμε ειδικά για το μοντέλο μας, εμφανίζοντας το βίντεο που υποκλαπεί στη διάταξη SAFE πελάτη, θα μας δώσει το μήνυμα ειδοποίησης με λεπτομέρειες. Στο τέλος, οι μαθητές μας ανέπτυξαν με επιτυχία το μοντέλο AI από το κέντρο DARTeC μας και επικοινώνησαν με το σύστημα Saab SAFE για την αύξηση της επίγνωσης της ανθρώπινης κατάστασης.

Δημιουργώντας τους εφαρμοσμένους μηχανικούς AI του μέλλοντος

Αυτά είναι μόνο μερικά επιλεγμένα δείγματα ενδιαφέροντων έργων ΑΕΠ από το μάθημα MSc AAI. Πρόσφατα, πιο απαιτητικά έργα ΑΕΠ σε εξηγήσιμη διασύνδεση με την τεχνητή νοημοσύνη, αιτιώδης συλλογιστική για τον σχεδιασμό αυτονομίας κίνησης, τεχνητή νοημοσύνη με βάση τη φυσική για αυτόνομα οχήματα και μελλοντική διαχείριση εναέριου χώρου έχουν αναληφθεί από τους σημερινούς μαθητές μας. Πιστεύουμε ότι πιο συναρπαστική έρευνα θα παραδοθεί από τους φοιτητές MSc μας σύντομα.

Ελέγξτε τις ακόλουθες ερευνητικές δημοσιεύσεις από μαθητές μας κατά τη διάρκεια του ΑΕΠ για το πόσο ενδιαφέρουσες φαίνονται οι τελικές λύσεις και αποτελέσματα:

• Osigbesan, Adeyemi, Solene Barrat, Harkeerat Singh, Dongzi Xia, Siddharth Singh, Yang Xing, Weisi Guo και Αντώνιος Τσούρδος. «Ανίχνευση πτώσης με βάση την όραση σε περιβάλλον συντήρησης αεροσκαφών με εκτίμηση θέσης». Το 2022 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems (MFI), σελ. 1-6. IEEE, 2022.
• Fraser, Benjamin, Brendan Copp, Gurpreet Singh, Orhan Keyvan, Tongfei Bian, Valentin Sonntag, Yang Xing, Weisi Guo και Αντώνιος Τσούρδος. «Μείωση της μετάδοσης του ιού μέσω της παρακολούθησης πλήθους και της ανάλυσης κοινωνικής αποστασιοποίησης βάσει τεχνητής νοημοσύνης». Το 2022 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems (MFI), σελ. 1-6. IEEE, 2022.
• Üstek, İ., Desai, J., Torrecillas, IL, Abadou, S., Wang, J., Fever, Q., Kasthuri, SR, Xing, Y., Guo, W. and Tsourdos, A., 2023, Αύγουστος. Ανίχνευση βίας σε δύο στάδια με χρήση μοντέλων ViTPose και ταξινόμησης σε έξυπνα αεροδρόμια. Το 2023 IEEE Smart World Congress (SWC) (σελ. 797-802). IEEE.
• Benoit, Paul, Marc Bresson, Yang Xing, Weisi Guo και Αντώνιος Τσούρδος. "Ανίχνευση βίαιων ενεργειών με βάση την όραση σε πραγματικό χρόνο μέσω καμερών CCTV με εκτίμηση πόζας." Το 2023 IEEE Smart World Congress (SWC), σελ. 844-849. IEEE, 2023.