每週AI應用方案精選:AutoEye 篩查系統;3D視覺識別系統等

AIBigbull2050發表於2019-12-29

方案1:AutoEye 篩查系統——慧眼糖網


每週AI應用方案精選:AutoEye 篩查系統;3D視覺識別系統等

解決方案簡介:

如果能夠透過篩查及早發現和診斷糖網病變,病人就能得到及時的治療,減少失明的機率和後期治療的費用。

透過觀察血管的直徑、顏色等特徵的變化,再結合其他指標,就能夠對高血壓、冠心病、腦卒中、腎病等多種疾病進行衡量,應用前景十分廣闊。同時,眼底影像的獲取條件也相對寬鬆。透過一臺免散瞳的眼底相機,就能輕鬆採集到較高質量的眼底影像,在專案的推廣實施方面具有優勢。

解決方案詳解:

AutoEye 篩查系統對眼底圖片進行自動分析處理後會形成一份報告,回傳到醫院的電腦端,供醫生參考。報告中既有對病灶的定性,也會對病灶進行定量分析,標註出病灶的部位、數量、面積等資訊,並依據這些結果將患者歸類。而且每一份報告上都會有醫生的簽字確認,將責任落實到個人。

根據眼科醫學專家的指導,結合內分泌科臨床應用的經驗總結和實際需求,上工醫信將糖網病分為三類情況:健康無病變、輕微病變無需轉診眼科、中度以上病變需要轉診眼科。

方案2:BasicFinder HIVE資料標註私有化部署解決方案

每週AI應用方案精選:AutoEye 篩查系統;3D視覺識別系統等

解決方案簡介:

BasicFinder HIVE資料標註私有化部署是一款集流程管理、模型預處理及標註工具集於一體的平臺系統軟體。該系統可提升AI企業在資料預處理環節的專案執行效率,釋放標註人員效能。與此同時,透過私有化部署保證資料安全性

解決方案詳解:

市場背景及行業痛點:現行基礎資料服務領域所提供的資料標註系統基本限制於工具集,而缺少對標註專案流程和人員的管理,這種設計缺失會導致專案在執行期間產生混亂或者權責不明的情況產生,從而影響整體效率。市場上急需一個兼具工具集和流程管理的系統平臺。BasicFinder HIVE資料標註私有化部署恰好解決了這個問題。

具體解決的業務場景問題 :自動駕駛、智慧安防、智慧金融、醫療機器人、智慧醫療影像、智慧家居、電子商務、智慧零售。

相對其他同類產品的競爭優勢:BasicFinder HIVE 資料標註私有化部署可以與倍賽BasicFinder其他旗艦產品無縫接入,形成AI專案從資料採集、資料標註、資料管理到模型訓練及部署的閉環式程式鏈條,加速專案落地。

方案3:2D3D視覺識別系統——FANUC

每週AI應用方案精選:AutoEye 篩查系統;3D視覺識別系統等

解決方案簡介:

FANUC 公司開發的具備隨機自動拾取功能的機器人,利用其公司的 iRVision 三維區域感應器以及兩個機器人來拾取集裝箱內被衝壓扁的汽車,以及交給熱處理機器。

這家機器人公司會在成功之前嘗試多種手臂末端工具的設計與視覺處理。這對於自動拾取應用並不稀奇。這種三維技術仍然需要足夠熟練的組裝技巧,零件更加複雜,組裝任務也會更加困難。

解決方案詳解:

FANUC 的自動拾取機器人由雙頭的多功能末端執行器,它可以利用 Magswitch 開發的磁鐵抓捕器在集裝箱內重組零部件,使抓取更加容易,以及由 SCHUNK 開發的兩指抓握器去拾取零件並將它們扔到滑梯上。滑梯上的感應器會告訴機器人的第二個控制端零件的方向,並告訴它輪緣是向上還是向下,因此機器人就知道該如何抓取零件。

接著,機器人會從滑梯上取下零件,調整方向,將它嵌入到熱處理機中。並撿起完成的零件並將它交給下一步的操作。

方案4:仿生 獵 豹 機器人

每週AI應用方案精選:AutoEye 篩查系統;3D視覺識別系統等


解決方案簡介:

MIT 生體模仿學實驗室推出了第三代 獵 豹機器人,在早先的概念原型上增加了更多實用性功能,可以用於極端情況下的短途搜救工作。

解決方案詳解:

獵 豹機器人由 Sang-bae Kim 教授帶領的團隊研發,DARPA(美國國防部高階研究計劃局)進行部分資助。

第二代獵 豹機器人的移動速度已經能達到每小時 14 英里,而且搭載了可以繪製地形資料的鐳射雷達系統,經過了路徑識別和障礙避讓的訓練後,能夠自動越過障礙物。

機器人的尾部還搭載了亞馬遜 Echo Dot,能夠回答簡單的問題。

Kim 教授表示,獵 豹機器人還有更多的改進計劃,比如在以後將搭載更靈活的手臂,同時訓練利用三隻腿站立的能力。


方案5:目鄰遠端智慧閱片平臺——愛爾眼科

每週AI應用方案精選:AutoEye 篩查系統;3D視覺識別系統等

解決方案簡介:

有經驗的眼科醫生需要花費 3 至 10 分鐘判斷被檢者是否存在 AMD(年齡相關性黃斑變性)、DR(糖尿病性視網膜病變)等眼底疾病。愛爾眼科的系統藉助卷積神經網路,可分析眼底照相機拍攝的涵蓋視網膜、黃斑、視神經、血管等眼底照片,在 10 秒鐘內完成初步判斷。

解決方案詳解:

模型的準確率提升需要有標註的資料,2016 年 1 月至當年 8 月,系統學習了 5 萬多張眼底照片,經過學習和模型調整,準確率達到 82%。 此後,系統開始學習 AMD(年齡相關性黃斑變性)的辨識,再學習了 4 萬多張眼底照片,使 DR 診斷準確率達到 93.3%。

系統在基層社群篩查出的 DR 患者可以轉移到附近的愛爾眼科醫院接受治療,直接為後者帶來了客流。結合眼科影像分析處理的特點,公司與英特爾合作,從處理器及相關硬體最佳化的角度,使用定製化的硬體解決方案,提升 DR 和 AMD 篩查的準確性和效率。





來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/69946223/viewspace-2671164/,如需轉載,請註明出處,否則將追究法律責任。

相關文章