Siirrettävien konenäköjärjestelmien haasteet ja mahdollisuudet

Abstract

Konenäkö on yksi käytetyimmistä tekoälyn sovelluksista. Konenäköjärjestelmien avulla on mahdollista yhdistää kamera älykkäisiin tehtäviin, kuten automaattiseen kohteiden tunnistamiseen. Tällaisia tehtäviä suorittavia järjestelmiä on jo käytössä, esimerkiksi autojen ohjausavustimissa. Kun luodaan yhä kehittyneempiä konenäkömalleja, laskentatehon tarve usein kasvaa. Tämä on ongelmallista erityisesti siirrettäville järjestelmille, koska niiden laskentatehoa rajoittaa järjestelmän kokoon ja virrankulutukseen liittyvät tavoitteet. Ei ole tarkasti tiedossa, kuinka hyvin nykypäivän konenäkömallit ja siirrettäviin järjestelmiin soveltuva laitteisto voidaan yhdistää samaan järjestelmään. Tämän tutkimuksen tavoitteena on selvittää itsenäisen siirrettävän konenäköjärjestelmän rakentamisen suurimmat haasteet sekä mahdollisuudet laajan taustatutkimuksen ja demonstraattorijärjestelmän avulla.

Siirrettävän konenäköjärjestelmän demonstraattori rakennettiin onnistuneesti taustatutkimuksen avulla sopivimmiksi havaituilla komponenteilla ja ohjelmistoilla. Demonstraattori kykeni suorittamaan ajoneuvojen seurantaa reaaliajassa. Siirrettävän konenäköjärjestelmän rakentamisessa kohdattiin kuitenkin useita haasteita. Merkittävimpiä haasteita olivat komponenttien ja ohjelmistojen väliset yhteensopivuusongelmat, kohteiden tunnistusongelmat ja energianhallintaongelmat. Haasteista huolimatta tulokset osoittivat, että siirrettäviä konenäköjärjestelmiä voidaan pitää käyttökelpoisina ratkaisuina moniin tehtäviin, kuten avustaviin ja arvioita antaviin järjestelmiin.

Computer vision (CV) is one of the most used applications of AI. CV systems can execute and accomplish intelligent tasks with a camera, like automatic object detection. There are already extensive amount of CV applications in use, for example in autonomous car assistants. As the new research finds more advanced CV models, the need for more computing power is increased. This is especially problematic for mobile systems, since their computing power is usually limited by the size and energy consumption requirements of the system. It is not well known how well today’s CV models and hardware suitable for mobile systems work together. This research aims determine the challenges and potentiality on creating a standalone mobile CV systems by extensive background research and with a demonstrator system.

By using background research to select most suitable parts and software it was possible to create working mobile CV system demonstrator. The demonstrator was able to successfully detect vehicles real-time. However, there were multiple challenges faced with the creation of demonstrator system. Most influential challenges were compatibility problems between hardware and software, object detection problems and energy management problems. Regardless of the challenges, the results show that the mobile CV systems can be seen useful in many applications, like for example in assisting and approximating systems.