De acordo com meu último post de Visão Computacional aqui no blog de um ano atrás (Passou voando :o), teve uma coisa que ficou em aberto, onde posso aplicar essa tecnologia na minha empresa? Hoje vou contar um pouco sobre como a aplicação dessa tecnologia pode ser benéfica. Recapitulando Visão Computacional Bem, recapitulando: Visão Computacional é um campo de Inteligência Artificial que utiliza técnicas de Machine Learning e Deep Learning, que tem como objetivo realizar treinamentos utilizando dados não-estruturados (imagens e vídeos) nas máquinas para que vejam, interpretem, reajam e entendam o mundo visual, sendo capazes de interagir com diferentes tipos de situações no mundo real. Estes algoritmos são capazes de entender imagens e vídeos utilizando redes neurais convolucionais, com o objetivo de processar os dados visuais em níveis de pixels e entender como um pixel se relaciona um com outro. Com estes recursos, as máquinas são capazes de ter uma visão semelhante aos olhos humanos em diversas aplicações. Assim sendo a tecnologia tem grande poder de gerar grandes inovações, desde sistemas de detecção e monitoramento em tempo real, como também veículos autônomos a máquinas industriais inteligentes, ou até mesmo filtros simples do próprio instagram. Aplicações de Visão Computacional por diferentes áreas Nos dias de hoje a visão computacional vem ganhando popularidade em aplicações no mundo real, das mais variadas áreas, incluindo saúde, agricultura, construções, esportes, transporte, segurança entre muitas outras. A inteligência Artificial como toda ferramenta reflete qual o objetivo dos usuários, ela nos ajuda a ver e decodificar dados, com diferentes técnicas, resolvendo problemas do mundo real em um amplo espectro da nossa existência. Alguns desses casos acabam envolvendo projetos que impactam o mundo em um lugar melhor. 1. Segurança Câmeras de vigilância e dispositivos de monitoramento visual em um estabelecimento estão produzindo grandes volumes de dados a cada momento, dessa forma, é inviável que os humanos monitorem e tomem medidas proativas. É por essa razão que alguns dos principais casos de uso de Visão Computacional é na área de segurança, onde um algoritmo identifica por meio de câmeras os perigos em uma determinada área e aciona alarmes quando algo está errado, como invasões por escalada de paredes, intrusos, armas ocultas, detecção de roubo em lojas de varejo e aumento da segurança pública em geral. 2. Varejo A área de compras e varejo também não poderia ficar de fora, sendo a área que possui mais casos de uso de Visão Computacional nos últimos anos, algoritmos de Deep learning conseguem processar fluxos de vídeos em tempo real em câmeras de vigilância de segurança comuns e baratas. Realizando a detecção de maneira anônima, é possível realizar uma análise do tempo gasto em diferentes áreas como tempos de espera e de fila, avaliar a qualidade do serviço e dos padrões de movimento dos clientes, podendo melhorar os layouts e otimizar o posicionamento das mercadorias das lojas de varejo. Também é possível realizar a contagem de quantas pessoas entraram e saíram de um determinado estabelecimento: Os mapas de calor podem mostrar como os clientes estão se movendo pelo estabelecimento, permitindo que os gerentes identifiquem áreas de alto tráfego e se adaptem à disposição do estabelecimento para maximizar as vendas. Também é possível realizar o gerenciamento de estoque, realizando verificação dos níveis de estoque nas prateleiras e nos armazéns e solicitando o reabastecimento de maneira automática quando for necessário. Outro caso de uso que já é usado no mundo inteiro é utilizar os famosos QR-Code para que os clientes tenham informações dos produtos usando os seus celulares. 3. Manufatura Outro caso de uso é na área de manufatura, onde foram desenvolvidos métodos para permitir que algoritmos de visão computacional detectem comportamentos inseguros em obras. Um caso é a detecção de PPE (Personal Protective Equipment), que tem como objetivo realizar a detecção de trabalhadores sem capacetes e cintos de segurança. Também como realizar o monitoramento de ambientes com máquinas pesadas (empilhadeiras), que estão trabalhando próxima a humanos, permitindo que a máquina seja desligada de forma automática caso alguém entre no seu caminho. Inspeção de qualidade para identificar defeitos como rachaduras, amassados, arranhões ou falhas na pintura, por exemplo. Rastreamento de peças à medida que se movem pela linha de produção, garantindo que todas as etapas sejam concluídas corretamente. Detecção de objetos estranhos em produtos acabados ou em matérias-primas antes que eles entrem na linha de produção, entre outras aplicações. 4. Agricultura A agroindústria é um dos setores maiores impulsionadores da economia, fazendo parte de todas as nações que se destacam no mercado mundial. Em contrapartida, muitos países sofrem com altos custos, sejam de mão de obra ou falta de automação que resultam em altos custos de produção. Aplicações de visão computacional nessa área realmente fazem grande diferença nas mãos de agricultores, ajudando-os a monitorar desde animais quanto de colheitas, tornando a agricultura mais inteligente. Algoritmos de Deep learning são usados em fluxos de câmeras para monitorar a saúde e o bem-estar destes animais, como gado, porcos ou até aves. Também há outras diversas áreas que podemos aplicar visão computacional, como plantio, semeadura e capina na colheita, análise avançada de condições climáticas, capina e detecção e monitoramento de saúde nas plantas. Dessa maneira, acaba influenciando diretamente nos rendimentos e benefícios econômicos na área de agricultura. 5. Transporte Há várias soluções de Visão Computacional voltadas para o transporte, provavelmente as primeiras ideias que vem na cabeça são os veículos autônomos, porém há vários outros sistemas de monitoramentos, como a análise de tráfego e congestionamentos em determinadas rodovias: A identificação de se um veículo está parado em determinada rodovia, podendo prevenir acidentes, alertando os motoristas sobre a presença de veículos parados na rodovia ou até ajudar as equipes de emergência a chegar mais rapidamente ao local de um acidente, reduzindo o tempo de resposta e aumentando as chances de salvar vidas. A ocupação de estacionamento com o objetivo de ser usado para monitorar e fornecer informações valiosas sobre a demanda e a disponibilidade de vagas em diferentes horários. O reconhecimento automático de placas pode ser usado para identificar veículos em locais onde é necessário monitorar a entrada e saída de automóveis, como estacionamentos, portarias de prédios, entre outros. Outros usos seriam a identificação de animais nas rodovias podendo evitar possíveis acidentes, detecção de pedestres, monitoramento de condição da estrada e até classificação e rastreamento de veículos. Como podemos visualizar, há diversos casos que se pode fazer uso de Visão Computacional no setor automobilístico. 6. Saúde A área de saúde também não pode ser deixada de fora dessa lista, a prevenção e propagação de doenças causadas por vírus também um caso de uso bastante importante nos dias atuais, nesse caso, algoritmos de visão computacional estão sendo cada vez mais implantados para realizar o monitoramento de distanciamento social, bem também do uso de máscaras principalmente na época do Covid-19. Outro caso de uso bastante interessante é a detecção de câncer de pele por meio de técnicas de visão computacional, onde poderia auxiliar o médico com mais velocidade e facilidade de detecção. Também há outros diversos casos de Visão Computacional aplicados na área de saúde, como por exemplo a detecção de pneumonia por meio de análises de imagens de raio-x do tórax, identificação de fraturas ósseas, identificação de nódulos pulmonares, etc. Cases apresentados e investimentos em Visão Computacional Outro ponto importante é que as tecnologias de visão computacional de acordo com GlobeNewswire possuem uma previsão que o valor de mercado atinja em torno de US$ 48 bilhões de dólares em 2023, sendo bem provável uma grande fonte de inovação e avanços nesta área. E você, vai ficar de fora dessa? Mas aí você me pergunta, cadê as referências desses cases que foram apresentados Lucas? Bem, todos esses cases apresentados até aqui foram desenvolvidos na Dataside por mim no meu período de Acelera Jovem. Agradeço a todos por me acompanhar até aqui, e agora convido vocês a recomendarem e compartilharem possíveis ideias que podem ser utilizadas em Visão Computacional, manda aí pra gente!! Referências https://omdena.com/blog/computer-vision-projects-github/ https://www.forbes.com/sites/bernardmarr/2022/03/04/the-5-biggest-computer-vision-trends-in-2022/?sh=217c4d1719b3 https://medium.com/swlh/computer-vision-in-agriculture-d84b69c6858e https://www.marketresearchfuture.com/reports/computer-vision-market-5496 https://www.marketresearchfuture.com/press-release/computer-vision-industry https://medium.com/@draj0718/what-is-computer-vision-its-applications-826c0bbd772b https://viso.ai/applications/computer-vision-applications/ https://www.globenewswire.com/en/news-release/2019/04/09/1799533/0/en/Computer-Vision-Market-Worth-USD-48-Billion-by-2023-The-Emergence-of-Computers-is-Intensifying-Global-Computer-Vision-Market-to-Prosper-with-Major-Developments-in-Virtual-Reality.html

Hoje venho compartilhar com vocês alguns scripts que eu uso a algum tempo no meu dia a dia, pra quem não sabe, trabalho com Visão Computacional aqui na Dataside e o'que eu mais preciso utilizar são imagens e vídeos, e onde temos um bom montante de vídeos na Internet? No Youtube, é claro! Com isso em mente criei alguns scripts que me ajudam a baixar, recortar e até concatenar vídeos de uma forma fácil e intuitiva utilizando algumas bibliotecas no Python, vem comigo que eu vou te mostrar como! Primeiramente, temos que instalar as bibliotecas que iremos utilizar: pip install pytube pip install moviepy Para baixar os vídeos, utilizamos os seguintes comandos: Na linha 1 e 2 importamos as bibliotecas, a biblioteca ‘sys’ é apenas para encerrar a aplicação caso o link do vídeo esteja errado, e a ‘pytube’ é a biblioteca que instalamos anteriormente Na linha 4 colocamos o vídeo que queremos realizar o download Das linhas 6 a 9 salvamos na memória o link colocado anteriormente e, caso o link seja inválido caímos no except e encerramos o script (Bota o link certo eim!) Nas linhas 13, 14 e 15 podemos escolher qual a qualidade que queremos no vídeo, neste caso, estou usando a qualidade melhor existente. Na linha 18 também podemos salvar apenas o áudio do vídeo se for desejado, basta comentar as linhas 13, 14 e 15 e manter a linha 18 E na linha 22, baixamos o vídeo na pasta 'vídeos' Prontinho, é assim que baixamos os vídeos do Youtube! Simples não? Agora irei mostrar como cortamos partes indesejadas dos vídeos com a biblioteca ‘moviepy’, segue abaixo: Na linha 1 importamos a biblioteca que iremos utilizar para recortar os vídeos Na linha 4 a 6 criamos uma função para pegar o tempo atual que iremos passar adiante Na linha 9 e 10 escolhemos o tempo do vídeo que queremos recortar e na linha 12 e 13 baixamos o vídeo na pasta vídeos com o vídeo recortado, simples não? Agora para concatenar precisaremos de mais de um vídeo (falando o óbvio), segue abaixo: Na linha 1 importamos a biblioteca que iremos utilizar para a concatenação dos vídeos Nas linhas 4 criamos uma função que concatena os vídeos Na linha 6 percorremos a lista dos vídeos que queremos concatenar Na linha 7 concatenamos os vídeos Na linha 8 salvamos o vídeo no caminho passado pela função Na linha 11 passamos uma lista com os caminhos para os vídeos que queremos concatenar Na linha 13 e 15 passamos o caminho de saída para onde o vídeo irá ser salvo e em diante chamamos a função que criamos anteriormente. Enfim, por hoje é isso, deixo abaixo os códigos completos pra quem quiser testar: tube.py: import sys from pytube import YouTube VIDEO_URL = 'https://www.youtube.com/watch?v=92MfvxbDsCs' try: yt = YouTube(VIDEO_URL) except: print("[INFO] Link errado!") sys.exit() # Resolução do vídeo video = yt.streams.get_highest_resolution() # video = yt.streams.get_lowest_resolution() # video = yt.streams.get_by_resolution('720p') # Download video.download('videos') trimm_videos.py: from moviepy.video.io.ffmpeg_tools import ffmpeg_extract_subclip def get_sec(time_str): h, m, s = time_str.split(':') return int(h) * 3600 + int(m) * 60 + int(s) start_time = get_sec('0:00:14') end_time = get_sec('0:00:19') ffmpeg_extract_subclip("videos/DATASIDE_LIBERTY.mp4", start_time, end_time, targetname="videos/DATASIDE_LIBERTY-trimm.mp4") concatenate_videos.py: from moviepy.editor import concatenate_videoclips, VideoFileClip def concatenate(video_clip_paths, output_path): clips = [VideoFileClip(c) for c in video_clip_paths] final_clip = concatenate_videoclips(clips, method="compose") final_clip.write_videofile(output_path, codec="libx264") clips = ['videos/parts/video-trimm1.mp4', 'videos/parts/video-trimm2.mp4', 'videos/parts/video-trimm3.mp4'] output_path = 'videos/dataside_entrance_trimm.mp4' concatenate(clips, output_path)