PTSC 2.3

TUGAS PENGANTAR TEKNOLOGI SISTEM CERDAS KE- 2.3

JUM'AT, 18 OKTOBER 2019

DOSEN PEMBIMBING : DONIE MARGAVIANTO, SKOM.,MMSI

Putri Amalia
17117223 - 3KA20
Sistem Informasi
Fakultas Ilmu Komputer dan Teknologi Informasi
Universitas Gunadarma

========================================================

Computer Vision

Computer Vision adalah bidang ilmiah interdisipliner yang membahas bagaimana komputer dapat dibuat untuk memperoleh pemahaman tingkat tinggi dari gambar atau video digital. Dari perspektif teknik, ia berupaya mengotomatiskan tugas-tugas yang dapat dilakukan oleh sistem visual manusia.

Computer Vision meliputi metode untuk memperoleh, memproses, menganalisis dan memahami gambar digital, dan ekstraksi data dimensi tinggi dari dunia nyata untuk menghasilkan informasi numerik atau simbolik, mis. dalam bentuk keputusan. Pengertian dalam konteks ini berarti transformasi gambar visual (input retina) menjadi deskripsi dunia yang dapat berinteraksi dengan proses pemikiran lain dan memperoleh tindakan yang sesuai. Pemahaman gambar ini dapat dilihat sebagai penguraian informasi simbolik dari data gambar menggunakan model yang dibangun dengan bantuan geometri, fisika, statistik, dan teori pembelajaran.

Disiplin ilmiah Computer Vision berkaitan dengan teori di balik sistem buatan yang mengekstraksi informasi dari gambar. Data gambar dapat mengambil banyak bentuk, seperti urutan video, tampilan dari beberapa kamera, atau data multi-dimensi dari pemindai medis. Disiplin teknologi Computer Vision berupaya untuk menerapkan teori dan modelnya pada pembangunan sistem Computer Vision.

Sub-domain dari Computer Vision meliputi rekonstruksi adegan, deteksi peristiwa, pelacakan video, pengenalan objek, estimasi pose 3D, pembelajaran, pengindeksan, estimasi gerakan, dan pemulihan gambar.

Sejarah

Pada akhir 1960-an, Computer Vision dimulai di universitas yang merintis kecerdasan buatan. Itu dimaksudkan untuk meniru sistem visual manusia, sebagai batu loncatan untuk memberkahi robot dengan perilaku cerdas. Pada tahun 1966, diyakini bahwa ini dapat dicapai melalui proyek musim panas, dengan melampirkan kamera ke komputer dan membuatnya "menggambarkan apa yang dilihatnya".

Apa yang membedakan Computer Vision dari bidang pengolahan gambar digital yang lazim pada waktu itu adalah keinginan untuk mengekstraksi struktur tiga dimensi dari gambar dengan tujuan mencapai pemahaman adegan penuh. Studi di tahun 1970-an membentuk fondasi awal untuk banyak algoritma Computer Vision yang ada saat ini, termasuk ekstraksi tepi dari gambar, pelabelan garis, pemodelan non-polyhedral dan polyhedral, representasi objek sebagai interkoneksi dari struktur yang lebih kecil, aliran optik, dan estimasi gerak.

Dekade berikutnya melihat studi berdasarkan analisis matematika yang lebih ketat dan aspek kuantitatif dari Computer Vision. Ini termasuk konsep skala-ruang, inferensi bentuk dari berbagai isyarat seperti bayangan, tekstur dan fokus, dan model kontur yang dikenal sebagai ular. Para peneliti juga menyadari bahwa banyak dari konsep-konsep matematika ini dapat diperlakukan dalam kerangka optimisasi yang sama seperti regularisasi dan bidang acak Markov. [14] Pada 1990-an, beberapa topik penelitian sebelumnya menjadi lebih aktif daripada yang lain. Penelitian dalam rekonstruksi 3-D proyektif menyebabkan pemahaman yang lebih baik tentang kalibrasi kamera. Dengan munculnya metode optimasi untuk kalibrasi kamera, disadari bahwa banyak ide sudah dieksplorasi dalam teori penyesuaian bundel dari bidang fotogrametri. Ini mengarah pada metode rekonstruksi 3-D yang jarang dari beberapa gambar. Kemajuan dibuat pada masalah korespondensi stereo padat dan teknik stereo multi-view lebih lanjut. Pada saat yang sama, variasi potongan grafik digunakan untuk menyelesaikan segmentasi gambar. Dekade ini juga menandai pertama kalinya teknik pembelajaran statistik digunakan dalam praktiknya untuk mengenali wajah dalam gambar (lihat Eigenface). Menjelang akhir 1990-an, perubahan signifikan terjadi dengan meningkatnya interaksi antara bidang grafis komputer dan Computer Vision. Ini termasuk rendering berbasis gambar, morphing gambar, interpolasi tampilan, jahitan gambar panorama dan rendering bidang cahaya awal.

Pekerjaan terbaru telah melihat kebangkitan metode berbasis fitur, yang digunakan bersama dengan teknik pembelajaran mesin dan kerangka kerja optimasi yang kompleks. Kemajuan teknik Deep Learning telah membawa kehidupan lebih jauh ke bidang Computer Vision. Keakuratan algoritma pembelajaran dalam pada beberapa benchmark data penglihatan komputer untuk tugas-tugas mulai dari klasifikasi, segmentasi dan aliran optik telah melampaui metode sebelumnya.

Kecerdasan buatan

Area kecerdasan buatan berurusan dengan perencanaan otonom atau musyawarah untuk sistem robot untuk menavigasi melalui lingkungan. Pemahaman rinci tentang lingkungan ini diperlukan untuk menavigasi melalui mereka. Informasi tentang lingkungan dapat disediakan oleh sistem Computer Vision, bertindak sebagai sensor visi dan menyediakan informasi tingkat tinggi tentang lingkungan dan robot.

Kecerdasan buatan dan Computer Vision berbagi topik lain seperti pengenalan pola dan teknik pembelajaran. Akibatnya, Computer Vision kadang-kadang dipandang sebagai bagian dari bidang kecerdasan buatan atau bidang ilmu komputer pada umumnya.

Rekayasa informasi

Computer Vision sering dianggap sebagai bagian dari rekayasa informasi.

Fisika keadaan padat

Fisika keadaan padat adalah bidang lain yang terkait erat dengan Computer Vision. Sebagian besar sistem Computer Vision mengandalkan sensor gambar, yang mendeteksi radiasi elektromagnetik, yang biasanya dalam bentuk cahaya tampak atau infra merah. Sensor dirancang menggunakan fisika kuantum. Proses dimana cahaya berinteraksi dengan permukaan dijelaskan menggunakan fisika. Fisika menjelaskan perilaku optik yang merupakan bagian inti dari sebagian besar sistem pencitraan. Sensor gambar yang canggih bahkan membutuhkan mekanika kuantum untuk memberikan pemahaman lengkap tentang proses pembentukan gambar. [11] Juga, berbagai masalah pengukuran dalam fisika dapat diatasi menggunakan Computer Vision, misalnya gerak dalam cairan.

Neurobiologi

Bidang ketiga yang memainkan peran penting adalah neurobiologi, khususnya studi tentang sistem penglihatan biologis. Selama abad terakhir, telah ada penelitian yang luas tentang mata, neuron, dan struktur otak yang ditujukan untuk pemrosesan rangsangan visual pada manusia dan berbagai hewan. Ini telah menghasilkan deskripsi kasar, namun rumit, tentang bagaimana sistem visi "nyata" beroperasi untuk menyelesaikan tugas-tugas terkait visi tertentu. Hasil ini telah menyebabkan subbidang dalam Computer Vision di mana sistem buatan dirancang untuk meniru pemrosesan dan perilaku sistem biologis, pada berbagai tingkat kompleksitas. Selain itu, beberapa metode berbasis pembelajaran yang dikembangkan dalam Computer Vision (mis., Analisis dan klasifikasi fitur dan klasifikasi berbasis pembelajaran neural net dan deep learning) memiliki latar belakang mereka dalam biologi.

Beberapa untaian penelitian Computer Vision terkait erat dengan studi visi biologis - memang, sama seperti banyak untaian penelitian AI terkait erat dengan penelitian kesadaran manusia, dan penggunaan pengetahuan yang tersimpan untuk menafsirkan, mengintegrasikan, dan memanfaatkan informasi visual. Bidang studi visi biologis dan model proses fisiologis di balik persepsi visual pada manusia dan hewan lainnya. Computer Vision, di sisi lain, mempelajari dan menjelaskan proses yang diterapkan dalam perangkat lunak dan perangkat keras di belakang sistem penglihatan buatan. Pertukaran interdisipliner antara visi biologis dan komputer telah terbukti bermanfaat untuk kedua bidang.

Pemrosesan sinyal

Namun bidang lain yang terkait dengan Computer Vision adalah pemrosesan sinyal. Banyak metode untuk pemrosesan sinyal satu variabel, biasanya sinyal temporal, dapat diperluas secara alami ke pemrosesan sinyal dua variabel atau sinyal multi variabel dalam penglihatan komputer. Namun, karena sifat khusus gambar ada banyak metode yang dikembangkan dalam Computer Vision yang tidak memiliki padanan dalam pemrosesan sinyal satu variabel. Bersama dengan multi-dimensi sinyal, ini mendefinisikan subfield dalam pemrosesan sinyal sebagai bagian dari Computer Vision.

Bidang lainnya

Selain pandangan yang disebutkan di atas pada Computer Vision, banyak topik penelitian terkait juga dapat dipelajari dari sudut pandang matematika murni. Sebagai contoh, banyak metode dalam Computer Vision didasarkan pada statistik, optimasi atau geometri. Akhirnya, bagian penting dari bidang ini dikhususkan untuk aspek implementasi Computer Vision; bagaimana metode yang ada dapat direalisasikan dalam berbagai kombinasi perangkat lunak dan perangkat keras, atau bagaimana metode ini dapat dimodifikasi untuk mendapatkan kecepatan pemrosesan tanpa kehilangan terlalu banyak kinerja. Computer Vision juga digunakan dalam e-commerce mode, manajemen inventaris, pencarian paten, furnitur, dan industri kecantikan.

Perbedaan

Bidang yang paling erat terkait dengan Computer Vision adalah pemrosesan gambar, analisis gambar, dan visi mesin. Ada tumpang tindih yang signifikan dalam berbagai teknik dan aplikasi yang mencakup ini. Ini menyiratkan bahwa teknik dasar yang digunakan dan dikembangkan di bidang ini adalah serupa, sesuatu yang dapat ditafsirkan karena hanya ada satu bidang dengan nama yang berbeda. Di sisi lain, tampaknya perlu bagi kelompok riset, jurnal ilmiah, konferensi, dan perusahaan untuk mempresentasikan atau memasarkan diri mereka sendiri sebagai bagian dari salah satu bidang ini dan, karenanya, berbagai penokohan yang membedakan masing-masing bidang dari yang lain telah dilakukan. disajikan.

Grafik komputer menghasilkan data gambar dari model 3D, Computer Vision sering menghasilkan model 3D dari data gambar. [20] Ada juga tren menuju kombinasi dari dua disiplin ilmu, misalnya, sebagaimana dieksplorasi dalam augmented reality.

Karakterisasi berikut ini tampak relevan tetapi tidak boleh dianggap diterima secara universal:

Pemrosesan gambar dan analisis gambar cenderung berfokus pada gambar 2D, cara mengubah satu gambar ke gambar lain, misalnya, dengan operasi pixel-bijaksana seperti peningkatan kontras, operasi lokal seperti ekstraksi tepi atau penghapusan noise, atau transformasi geometris seperti memutar gambar . Karakterisasi ini menyiratkan bahwa pemrosesan / analisis gambar tidak memerlukan asumsi atau menghasilkan interpretasi tentang konten gambar.

Computer Vision mencakup analisis 3D dari gambar 2D. Ini menganalisis adegan 3D yang diproyeksikan ke satu atau beberapa gambar, mis., Bagaimana merekonstruksi struktur atau informasi lain tentang adegan 3D dari satu atau beberapa gambar. Computer Vision sering bergantung pada asumsi yang kurang lebih kompleks tentang pemandangan yang digambarkan dalam gambar.

Visi alat berat adalah proses penerapan berbagai teknologi & metode untuk menyediakan inspeksi otomatis berbasis pencitraan, kontrol proses, dan panduan robot dalam aplikasi industri. [19] Visi mesin cenderung berfokus pada aplikasi, terutama di bidang manufaktur, mis. Robot berbasis visi dan sistem untuk inspeksi, pengukuran, atau pengambilan berbasis visi (seperti pengambilan bin. Ini menyiratkan bahwa teknologi sensor gambar dan teori kontrol sering diintegrasikan dengan pemrosesan data gambar untuk mengendalikan robot dan pemrosesan waktu nyata ditekankan dengan cara implementasi yang efisien dalam perangkat keras dan perangkat lunak.Ini juga menyiratkan bahwa kondisi eksternal seperti pencahayaan dapat dan sering lebih terkontrol dalam visi mesin daripada di Computer Vision umum, yang dapat memungkinkan penggunaan berbagai algoritma.

Ada juga bidang yang disebut pencitraan yang terutama berfokus pada proses menghasilkan gambar, tetapi kadang-kadang juga berkaitan dengan pemrosesan dan analisis gambar. Sebagai contoh, pencitraan medis mencakup pekerjaan besar pada analisis data gambar dalam aplikasi medis.

Akhirnya, pengenalan pola adalah bidang yang menggunakan berbagai metode untuk mengekstrak informasi dari sinyal secara umum, terutama berdasarkan pendekatan statistik dan jaringan saraf tiruan. Bagian penting dari bidang ini dikhususkan untuk menerapkan metode ini pada data gambar.

Fotogrametri juga tumpang tindih dengan Computer Vision, mis., Stereofotogrametri vs. visi stereo komputer.

Computer Vision Applications – Shopping, Driving and More

Computer Vision, teknologi AI yang memungkinkan komputer memahami dan memberi label gambar, sekarang digunakan di toko serba ada, pengujian mobil tanpa pengemudi, diagnostik medis setiap hari, dan dalam memantau kesehatan tanaman dan ternak.

Dari penelitian kami, kami telah melihat bahwa komputer mahir dalam mengenali gambar. Saat ini, perusahaan teknologi terkemuka seperti Amazon, Google, Microsoft, dan Facebook menginvestasikan miliaran dolar dalam penelitian Computer Vision dan pengembangan produk.

Dengan pemikiran ini, kami memutuskan untuk mencari tahu bagaimana perusahaan teknologi global terkemuka memanfaatkan Computer Vision dan mengeksplorasi jenis teknologi dan media baru apa yang dapat muncul selama beberapa tahun ke depan.

Dari penelitian kami, kami telah menemukan bahwa banyak kasus penggunaan penglihatan komputer jatuh ke dalam kelompok berikut:

1.    Ritel dan Keamanan Ritel

2.    Otomotif

3.    Kesehatan

4.    Pertanian

5.    Perbankan

6.    Industri

Dalam memberikan Anda laporan aplikasi industri ini, kami bertujuan untuk memberikan pandangan luas kepada para pemimpin bisnis tentang aplikasi yang tersedia di pasar, dan membantu mereka menentukan apakah AI merupakan solusi yang tepat untuk bisnis mereka.

Ritel dan Keamanan Ritel

Amazon

Amazon baru-baru ini membuka untuk umum toko Amazon Go di mana pembeli tidak perlu mengantri di kasir untuk membayar pembelian mereka. Terletak di Seattle, Washington, toko Go dilengkapi dengan kamera khusus dalam penglihatan komputer. Awalnya hanya memungkinkan pembeli karyawan Amazon, tetapi menyambut awal publik pada awal 2018.

Teknologi yang berjalan di belakang Go store disebut Just Walk Out. Seperti yang ditunjukkan dalam video satu menit ini, pembeli mengaktifkan aplikasi telepon seluler iOS atau Android sebelum memasuki gerbang toko.

Seperti juga terlihat dalam video, kamera ditempatkan di langit-langit di atas gang dan di rak, Menggunakan teknologi Computer Vision, situs web perusahaan mengklaim bahwa kamera ini memiliki kemampuan untuk menentukan kapan suatu objek diambil dari rak dan siapa yang telah mengambilnya. . Jika item dikembalikan ke rak, sistem juga dapat menghapus item itu dari keranjang virtual pelanggan. Jaringan kamera memungkinkan aplikasi untuk melacak orang-orang di toko setiap saat, memastikan aplikasi ini menagih barang yang tepat ke pembelanja yang tepat ketika mereka keluar, tanpa harus menggunakan pengenalan wajah.

Seperti namanya, pembeli bebas untuk keluar dari toko begitu mereka memiliki produk mereka. Aplikasi kemudian akan mengirimkan mereka tanda terima online dan membebankan biaya produk ke akun Amazon mereka.

Sementara toko telah menghilangkan kasir, The New York Times melaporkan bahwa karyawan toko masih tersedia untuk memeriksa ID di bagian alkohol toko, mengisi kembali rak dan membantu pelanggan menemukan produk atau lorong. Perwakilan Amazon juga mengonfirmasi kepada Recode bahwa karyawan manusia bekerja di belakang layar di Go store untuk membantu melatih algoritme dan memperbaikinya jika mereka salah mendeteksi bahwa barang ditarik dari rak.

Amazon belum mengungkapkan rencana untuk toko Go dalam jangka panjang, tetapi perusahaan tersebut telah mendaftarkan merek dagang Go di Inggris.

Sementara Amazon pada tahun 2017 membeli Whole Foods, Gianna Puerini, Wakil Presiden di Amazon Go, mengatakan perusahaan tidak memiliki rencana untuk menerapkan Teknologi Just Walk Out di rantai supermarket.

Dalam bidang ritel, Amazon telah mengajukan paten untuk cermin virtual. Dalam paten, perusahaan berkata, "Untuk tujuan hiburan, tampilan visual yang unik dapat meningkatkan pengalaman pengguna."

Teknologi cermin virtual, digambarkan dalam gambar paten di bawah ini, digambarkan sebagai tampilan realitas campuran yang menempatkan gambar pembelanja ke dalam adegan yang diperbesar, dan menempatkan individu dalam pakaian virtual.

Gambar Paten dari Cermin Virtual Amazon

Gambar dari Kantor Paten AS

Menurut paten, cermin virtual akan menggunakan deteksi wajah yang disempurnakan, bagian dari Computer Vision, yang algoritmanya akan menemukan mata. Menangkap posisi mata pengguna akan membuat sistem tahu objek apa yang dilihat pengguna di cermin. Algoritma kemudian akan menggunakan data ini untuk mengontrol proyektor.

Amazon belum membuat pengumuman tentang perkembangan ini dan cermin virtual belum digunakan, tetapi sketsa yang dirilis oleh kantor paten menunjukkan bagaimana pengguna dapat melihat objek yang diterangi tercermin di cermin dikombinasikan dengan gambar yang dikirim dari perangkat layar untuk membuat heboh.

Sebagai contoh, berdasarkan pada deskripsi paten, gambar yang ditransmisikan dapat menunjukkan adegan, katakanlah jejak gunung, karena perangkat lunak akan menempatkan pembelanja ke dalam adegan dan berpotensi menempatkan pakaian virtual ke dalam refleksi tubuhnya. Sensor dan perangkat lunak pelacak wajah akan menunjukkan gambar yang realistis dari semua sudut. Pembeli akan dapat mencoba beberapa pakaian tanpa perlu memakainya.

Proses Virtual Mirror Amazon dalam Gambar Paten

Gambar dari paten Amazon ini lebih lanjut menjelaskan langkah-langkah di balik cara kerja mirror virtual yang diusulkan.

Tidak ada demo cermin virtual Amazon yang tersedia, tetapi ini adalah contoh video 2 menit tentang cara kerja cermin virtual Windows Kinect di pasaran, menunjukkan pakaian pembelanja "mencoba", melapiskannya pada gambar tubuhnya di cermin , mengikuti gerakannya, dan bahkan mengubah warna item pada perintah suaranya:

Amazon sebelumnya telah merilis Echo Look, kamera yang diaktifkan suara yang mengambil gambar dan video enam detik dari lemari pakaian individu dan merekomendasikan kombinasi pakaian.

Tinjauan 2 menit aplikasi ini menunjukkan bagaimana ia mengklaim menggunakan asisten virtual Amazon Alexa untuk membantu pengguna menyusun gambar pakaian dan bahkan dapat merekomendasikan pakaian mana yang terlihat lebih baik pada individu.

Saat video ditampilkan, pengguna dapat berbicara dengan gadget dan memerintahkannya untuk mengambil foto seluruh tubuh atau video enam detik. Konten tersebut disusun untuk membuat inventaris lemari pakaian pengguna, menurut Amazon. Alexa membandingkan dua foto pengguna dalam pakaian yang berbeda dan merekomendasikan mana yang terlihat lebih baik.

Menurut Amazon, Echo Look dilengkapi dengan kamera pengindra kedalaman dan pengaburan latar belakang berbasis komputer yang berfokus pada gambar pengguna. Bagian dari lini produk otomasi rumah perusahaan, ini ditujukan untuk konsumen dan dihargai $ 200. Tidak jelas apakah ada bisnis ritel yang menggunakannya.

StopLift

Dalam keamanan ritel khusus untuk bahan makanan, StopLift yang berbasis di Massachusetts mengklaim telah mengembangkan sistem Computer Vision yang dapat mengurangi pencurian dan kerugian lainnya di rantai toko. Produk perusahaan, yang disebut ScanItAll, adalah sistem yang mendeteksi kesalahan checkout atau kasir yang menghindari pemindaian, juga disebut "sweethearting." Sweethearting adalah tindakan kasir pemindaian produk palsu di kasir dalam kolusi dengan pelanggan yang bisa menjadi teman, keluarga atau sesama karyawan.

Teknologi Computer Vision ScanItAll bekerja dengan kamera video yang terpasang di langit-langit dan sistem point-of-sale (POS) yang ada di toko kelontong. Melalui kamera, perangkat lunak "mengawasi" kasir memindai semua produk di kasir. Produk apa pun yang tidak dipindai pada POS diberi label sebagai "kerugian" oleh perangkat lunak. Setelah diberitahu tentang kerugian tersebut, perusahaan mengatakan itu terserah manajemen untuk mengambil langkah selanjutnya untuk menyapa staf dan mengambil langkah-langkah untuk mencegah insiden serupa terjadi di masa depan.

Dengan menggunakan algoritma, Stoplift mengklaim bahwa ScanItAll dapat mengidentifikasi perilaku yang menyenangkan seperti menutupi barcode, menumpuk item di atas satu sama lain, melewatkan pemindai dan langsung mengantongi barang dagangan.

Video tiga menit di bawah ini menunjukkan bagaimana ScanItAll mendeteksi banyak cara barang dilewati saat checkout, seperti lulus, penyalahgunaan berat badan secara acak, ditutup-tutupi, antara lain, dan bagaimana pemilik toko kelontong dapat berpotensi menghentikan perilaku tersebut.

Dalam studi kasus StopLift dari Piggly Wiggly, StopLift mengklaim bahwa insiden kekasih di dua outlet toko telah berkurang sejak sistem Computer Vision digunakan. Dari kerugian berjumlah total $ 10.000 per bulan karena dugaan kegagalan untuk memindai barang saat checkout, kerugian telah turun menjadi $ 1.000 setiap bulan. Kerugian ini sebagian besar diidentifikasi sebagai kesalahan, bukan perilaku mencurigakan, menurut StopLift. Perwakilan Piggly Wiggly mengatakan bahwa kasir dan staf diberitahu bahwa sistem tersebut telah diterapkan, tetapi tidak jelas apakah hal itu berdampak pada hasil akhir.

Berdasarkan berita, perusahaan mengklaim memiliki teknologi yang dipasang di beberapa supermarket di Rhode Island, Massachusetts, dan Australia, meskipun tidak ada studi kasus yang secara resmi dirilis.

CEO Malay Kundu memegang gelar Master of Science di bidang Teknik Listrik dan Ilmu Komputer dari Massachusetts Institute of Technology. Sebelum ini, ia memimpin pengembangan sistem pengenalan wajah real-time yang mengidentifikasi teroris di bandara untuk Facia Reco Associates (pemberi lisensi untuk perusahaan pengenalan wajah Viisage), dan mengirimkan sistem seperti itu pertama kali ke Laboratorium Penelitian Angkatan Darat.

Otomotif

Menurut Organisasi Kesehatan Dunia, lebih dari 1,25 juta orang meninggal setiap tahun akibat insiden lalu lintas. WHO menambahkan bahwa tren ini diprediksi akan menjadi penyebab utama kematian ketujuh pada tahun 2030 jika tidak ada tindakan berkelanjutan yang diambil. Hampir setengah dari korban di jalan adalah “pengguna jalan yang rentan:” pejalan kaki, pengendara sepeda dan pengendara sepeda motor. Menurut penelitian ini, ada tema yang jelas untuk sebagian besar insiden ini: kesalahan manusia dan kurangnya perhatian.

Waymo

Salah satu perusahaan yang mengklaim membuat mengemudi lebih aman adalah Waymo. Sebelumnya dikenal sebagai proyek mobil self-driving Google, Waymo bekerja untuk meningkatkan transportasi bagi orang-orang, membangun mobil self-driving dan teknologi sensor yang dikembangkan di Google Labs.

Situs web perusahaan melaporkan bahwa mobil-mobil Waymo dilengkapi dengan sensor dan perangkat lunak yang dapat mendeteksi 360 derajat pergerakan pejalan kaki, pengendara sepeda, kendaraan, pekerjaan jalan dan benda-benda lain hingga tiga lapangan sepak bola. Perusahaan juga melaporkan bahwa perangkat lunak tersebut telah diuji pada 7 juta mil jalan umum untuk melatih kendaraannya untuk menavigasi dengan aman melalui lalu lintas harian.

Video 3 menit di bawah ini menunjukkan bagaimana mobil Waymo menavigasi melalui jalan-jalan secara mandiri.

Menurut video itu, ia dapat mengikuti arus dan peraturan lalu lintas, dan mendeteksi rintangan di jalannya. Misalnya, ketika seorang pengendara sepeda mengulurkan tangan kirinya, perangkat lunak akan mendeteksi sinyal tangan dan memperkirakan jika pengendara sepeda itu akan pindah ke jalur lain. Perangkat lunak ini juga dapat memerintahkan kendaraan untuk melambat agar pengendara sepeda dapat lewat dengan aman.

Perusahaan mengklaim menggunakan jaringan yang dalam untuk prediksi, perencanaan, pemetaan, dan simulasi untuk melatih kendaraan untuk bermanuver melalui berbagai situasi seperti lokasi konstruksi, memberi jalan bagi kendaraan darurat, menyediakan ruang bagi mobil yang parkir, dan berhenti untuk menyeberang pejalan kaki.

“Air hujan dan kepingan salju dapat menciptakan banyak kebisingan dalam data sensor untuk mobil yang bisa menyetir sendiri. Pembelajaran mesin membantu kami menyaring suara bising itu dan mengidentifikasi pejalan kaki, kendaraan, dan lainnya dengan benar, ”tulis Dmitri Dolgov, Chief Technology Officer dan Wakil Presiden Teknik Waymo di sebuah blog. Ia meraih gelar Master of Science dalam Fisika dan Matematika dari Institut Fisika dan Teknologi Moskow dan Doktor Ilmu Komputer dari University of Michigan.

Ada laporan bahwa sebuah van Waymo terlibat dalam sebuah kecelakaan di Arizona ketika sedang autopilot dengan pengemudi di belakang kemudi, tetapi polisi mengatakan perangkat lunak itu tidak diyakini bersalah.

Di situs webnya, perusahaan mengatakan akan menerapkan teknologi tersebut ke berbagai jenis transportasi mulai dari naik kendaraan dan logistik, hingga transportasi umum dan kendaraan pribadi. Menurut rilis pers Waymo, perusahaan telah bermitra dengan Chrysler dan Jaguar pada teknologi mobil self-driving.

Tesla

Perusahaan lain yang mengklaim telah mengembangkan mobil self-driving adalah Tesla, yang mengklaim bahwa ketiga model mobil Autopilot dilengkapi untuk kemampuan self-driving penuh.

Setiap kendaraan, lapor situs web, dilengkapi dengan delapan kamera untuk visibilitas 360 derajat di sekitar mobil dengan jarak pandang sekitar 250 meter. Dua belas sensor ultrasonik memungkinkan mobil mendeteksi benda keras dan lunak. Perusahaan mengklaim bahwa radar yang menghadap ke depan memungkinkan mobil untuk melihat melalui hujan lebat, kabut, debu, dan bahkan mobil di depan.

Sistem kameranya, yang disebut Tesla Vision, bekerja dengan alat pengolah visi yang diklaim perusahaan dibangun di atas jaringan saraf yang dalam dan mampu mendekonstruksi lingkungan untuk memungkinkan mobil menavigasi jalan yang rumit.

Video berdurasi 3 menit ini memperlihatkan seorang pengemudi dengan tangan terlepas dari kemudi dan kaki dari pedal ketika mereka melewati lalu lintas jam sibuk dengan mobil Tesla Autopilot.

Maret 2018 lalu, sebuah mobil Tesla mengemudi sendiri terlibat dalam kecelakaan fatal saat autopilot bertunangan. Laporan itu mengatakan bahwa pengemudi tidak memiliki tangan di atas roda meskipun platform memperingatkan, menyuruhnya melakukannya. Dalam enam detik tangan yang tidak berada di atas kemudi, SUVnya menabrak pembagi beton, membunuh pengemudi. Belakangan diketahui bahwa pengemudi maupun mobil tidak mengaktifkan rem sebelum kecelakaan.

Perbaikan perangkat lunak terbaru yang diperkenalkan ke mobil Tesla mencakup lebih banyak peringatan kepada pengemudi untuk tetap menggunakan setir. Setelah tiga peringatan, perangkat lunak mencegah mobil berjalan sampai pengemudi memulai kembali, menurut perusahaan.

Kesehatan

Dalam layanan kesehatan, teknologi Computer Vision membantu para profesional kesehatan untuk secara akurat mengklasifikasikan kondisi atau penyakit yang berpotensi menyelamatkan nyawa pasien dengan mengurangi atau menghilangkan diagnosis yang tidak akurat dan perawatan yang salah.

Bedah Gauss

Gauss Surgical telah mengembangkan solusi pemantauan darah yang digambarkan untuk memperkirakan kehilangan darah secara real-time selama situasi medis. Solusi ini, situs web melaporkan, memaksimalkan transfusi dan mengenali perdarahan lebih baik daripada mata manusia.

Solusi pemantauan darah Gauss Surgical Triton mencakup Triton OR yang menggunakan aplikasi berbasis iPad untuk mengambil gambar darah pada spons bedah dan tabung isap. Gambar-gambar ini diproses oleh Computer Vision berbasis cloud dan algoritma pembelajaran mesin untuk memperkirakan kehilangan darah. Perusahaan mengatakan aplikasi tersebut saat ini digunakan oleh para profesional medis di ruang operasi rumah sakit selama operasi bedah atau pengiriman caesar.

Video 6 menit ini menunjukkan kepada Triton bagaimana menangkap gambar spons atau kain yang menyerap darah selama prosedur medis, bekerja sebagai pemindai waktu nyata dan memperkirakan potensi kehilangan darah pada pasien. CEO dari Gauss Surgical Siddharth Satish menjelaskan bagaimana solusi menggunakan teknologi Computer Vision untuk memprediksi timbulnya perdarahan.

Aplikasi Triton OR menjalani studi klinis dalam pengaturan persalinan untuk memvalidasi keakuratan dan ketepatan, dan dibersihkan oleh Badan Pengawas Obat dan Makanan AS pada tahun 2017.

Gauss Surgical pada tahun 2017 melakukan Akurasi Pengukuran Kehilangan Darah selama studi Persalinan Caesar di Pusat Medis Lembah Santa Clara. Dengan Computer Vision (analisis gambar kolorimetri), aplikasi menentukan jumlah darah pada spons bedah dan tabung isap yang dikumpulkan dari 50 pasien selama persalinan sesar.

Ketika perkiraan aplikasi dibandingkan dengan perkiraan visual dokter kandungan, ditemukan bahwa perkiraan aplikasi lebih akurat, memberikan rumah sakit peluang untuk berpotensi meningkatkan hasil klinis.

Kevin Miller adalah Ilmuwan Algoritma Senior. Dia memegang gelar M.S. dalam Ilmu Komputer dari Universitas Stanford.

DeepLens dan DermLens

Amazon Web Services (AWS) juga mengembangkan DeepLens, kamera berkemampuan belajar mendalam yang dapat diprogram yang dapat diintegrasikan dengan perangkat lunak sumber terbuka di industri apa pun. Dalam video ini, DeepLens digambarkan sebagai kit yang dapat digunakan oleh programmer dari berbagai industri untuk mengembangkan aplikasi Computer Vision mereka sendiri.

Salah satu aplikasi perawatan kesehatan yang menggunakan kamera DeepLens adalah DermLens, yang dikembangkan oleh startup independen. DermLens bertujuan untuk membantu pasien memantau dan mengelola kondisi kulit yang disebut psoriasis. Diciptakan oleh startup kesehatan digital Diprediksi Well's Terje Norderhaug, yang memegang gelar Master dalam Desain Sistem dari Universitas Oslo, aplikasi DermLens dimaksudkan sebagai layanan perawatan berkelanjutan di mana data yang dilaporkan tersedia untuk dokter dan tim perawatan.

Video 4 menit ini menginstruksikan pengembang tentang cara membuat dan menggunakan proyek deteksi objek menggunakan kit DeepLens.

Menurut video tersebut, pengembang harus memasukkan konsol manajemen Amazon Web Services (AWS) dengan nama pengguna dan kata sandi mereka sendiri.

Dari dalam konsol, pengembang harus memilih templat proyek deteksi objek pra-populasi, lalu masukkan deskripsi proyek dan nilai-nilai lain di bidang yang sesuai. Konsol memiliki metode di mana proyek akan disebarkan ke perangkat target pengembang, dan memungkinkan pengembang untuk melihat output dari layar mereka sendiri.

Untuk DermLens, video pendek ini menjelaskan bagaimana algoritma aplikasi dilatih untuk mengenali psoriasis, dengan mengumpankannya dengan 45 gambar kulit yang menunjukkan segmen yang biasanya merah dan bersisik. Setiap gambar dalam set dilengkapi dengan topeng yang menunjukkan kulit abnormal. Perangkat Computer Vision kemudian mengirimkan data ke aplikasi, yang pada gilirannya memberikan perkiraan tingkat keparahan psoriasis kepada pengguna.

Tim DermLens juga membuat aplikasi seluler untuk melaporkan sendiri gejala tambahan seperti gatal dan kelelahan.

Dalam sebuah studi kasus yang diterbitkan dalam Journal of American Dermatology, DermLens mengklaim telah diuji pada 92 pasien, 72 persen di antaranya mengatakan mereka lebih suka menggunakan kamera DermLens dibandingkan dengan menggunakan smartphone. Studi ini juga mengungkapkan bahwa 98 persen pasien yang disurvei mengatakan mereka akan menggunakan perangkat untuk mengirim gambar ke penyedia layanan kesehatan jika perangkat itu tersedia.

Saat ini, pencarian situs web perusahaan dan web tidak mengungkapkan klien apa pun.

Pertanian

Beberapa peternakan mulai mengadopsi teknologi Computer Vision untuk meningkatkan operasinya. Penelitian kami menunjukkan bahwa teknologi ini bertujuan untuk membantu petani mengadopsi metode pertumbuhan yang lebih efisien, meningkatkan hasil, dan akhirnya meningkatkan laba. Kami telah membahas aplikasi AI pertanian secara mendalam untuk pembaca dengan minat yang lebih umum di bidang itu.

Slantrange

Slantrange mengklaim menawarkan drone yang dilengkapi Computer Vision yang terhubung dengan apa yang perusahaan sebut sebagai "sistem intelijen" yang terdiri dari sensor, prosesor, perangkat penyimpanan, jaringan, perangkat lunak analisis kecerdasan buatan dan antarmuka pengguna lainnya untuk mengukur dan memantau kondisi tanaman . Pada 120 meter di atas permukaan tanah, kamera memiliki resolusi 4,8 cm / piksel. Namun, situs webnya mencatat bahwa terbang rendah memberikan resolusi yang lebih baik.

Perusahaan mengklaim bahwa drone menangkap gambar ladang untuk menunjukkan tanda tangan yang berbeda dari tanaman sehat dibandingkan dengan tanaman yang “tertekan”. Stresor ini termasuk serangan hama, kekurangan nutrisi dan dehidrasi; dan metrik untuk memperkirakan potensi hasil saat panen, dan lainnya. Tanda tangan ini diteruskan ke sistem analisis SlantView yang menginterpretasikan data dan pada akhirnya membantu petani membuat keputusan terkait dengan pengobatan untuk kondisi stres.

Video 5 menit ini memberikan tutorial tentang cara menggunakan fungsi dasar aplikasi SlantView, dimulai dengan bagaimana pengguna dapat menggunakan solusi untuk mengidentifikasi area yang ditekan melalui gambar yang diambil drone.

Menurut studi kasus, Alex Petersen, pemilik On Target Imaging, percaya bahwa mengubah pendekatan pertanian mereka dari analog ke pertanian digital dapat membawa lebih banyak tanaman dengan input lebih sedikit dan menerjemahkan ke pertanian yang lebih efisien.

Dengan menggunakan sensor drone Slantrange 3p, tim terbang dan memetakan 250 hektar lahan jagung pertama untuk menentukan area tekanan tanaman dari atas. Ini memungkinkan mereka untuk mengumpulkan data tentang area dengan kadar nitrat tinggi di tanah, yang akan berdampak negatif pada tanaman bit.

Tim kemudian memproses data dalam SlantView Analytics, yang algoritmanya telah dilatih untuk menentukan apakah suatu tanaman merupakan tanaman atau gulma untuk penghitungan yang akurat. Slantange mengklaim bahwa drone-nya hanya membutuhkan 17 menit waktu penerbangan untuk mencakup 40 acre of field, setara dengan sekitar 8 menit pemrosesan data. Alex melaporkan bahwa dibutuhkan sekitar 3 jam penerbangan gabungan dan pemrosesan data untuk menghasilkan peta stres dari area yang dicakup.

Data yang dihasilkan memungkinkan tim untuk memutuskan menggunakan 15% hingga 20% lebih sedikit pupuk nitrogen pada 500 hektar, yang diterjemahkan menjadi penghematan sekitar 30-40 pon per hektar atau $ 9 hingga $ 13 per hektar. Mereka juga mengantisipasi jagung yang lebih sehat dan memperkirakan peningkatan hasil panen sekitar 10 gantang per hektar. Kombinasi tabungan, hasil yang lebih tinggi, dan peningkatan laba memungkinkan tim untuk menutup investasi penerapan pertanian presisi, menurut blog.

Michael Ritter, CEO di Slantrange, memiliki gelar BS di bidang Teknik Mesin dari University of California, San Diego dan MBA dari Universitas Georgetown. Sejak 1996, Michael telah mengembangkan sistem intelijen udara untuk aplikasi di bidang ilmu bumi, pertahanan, dan agronomi. Sebelum Slantrange, ia adalah Direktur Sistem Electro-Optik dan Manajer Sistem Misi di General Atomics Aeronautical Systems, di mana ia mengawasi pengembangan muatan intelijen untuk sejumlah pesawat militer tak berawak.

Cainthus

Pengenalan wajah hewan adalah salah satu fitur yang diklaim oleh Cainthus yang berbasis di Dublin. Cainthus menggunakan analisis pencitraan prediktif untuk memantau kesehatan dan kesejahteraan tanaman dan ternak. Cainthus menggunakan analisis pencitraan prediktif untuk memantau kesehatan dan kesejahteraan tanaman dan ternak.

Video dua menit di bawah ini menunjukkan bagaimana perangkat lunak dapat menggunakan teknologi pencitraan untuk mengidentifikasi sapi secara individu dalam hitungan detik, berdasarkan pola sembunyikan dan pengenalan wajah, dan melacak data utama seperti asupan makanan dan air, deteksi panas, dan pola perilaku. Potongan-potongan informasi ini diambil oleh algoritma yang didukung oleh AI dan mengirimkan peringatan kesehatan kepada para petani yang membuat keputusan tentang produksi susu, manajemen reproduksi, dan kesehatan hewan secara keseluruhan.

Cainthus juga mengklaim untuk memberikan fitur seperti analisis tanaman semua cuaca dalam tingkat pertumbuhan, kesehatan tanaman umum, identifikasi stresor, kematangan buah dan kematangan tanaman, antara lain.

Cargill, produsen dan distributor produk pertanian seperti gula, minyak sulingan, kapas, cokelat dan garam, baru-baru ini bermitra dengan Cainthus untuk membawa teknologi pengenalan wajah ke peternakan sapi perah di seluruh dunia. Kesepakatan itu mencakup investasi ekuitas minoritas dari Cargill meskipun persyaratannya tidak diungkapkan.

Menurut laporan berita pada bulan Februari 2018, Cargill dan Cainthus sedang mengerjakan uji coba menggunakan babi, dan bertujuan untuk merilis aplikasi secara komersial pada akhir tahun. Ada juga rencana untuk memperluas aplikasi ke unggas dan akuakultur.

Victor Gehman, Direktur Sains di Cainthus Corporation dan Doktor Fisika dari University of Washington, bertanggung jawab atas pemrosesan gambar, analisis data, pemodelan komputer, pendeteksian mesin / fitur pembelajaran, Computer Vision, optik, prototipe mekanis, dan analisis fenomenologis. Pengalamannya di Insight Data Science sebagai rekan selama lebih dari empat tahun memungkinkannya untuk membangun keterampilan dan jaringan profesional untuk beralih dari akademisi ke industri ilmu data.

Perbankan

Sementara sebagian besar jangkauan kami sebelumnya dari AI di perbankan telah melibatkan deteksi penipuan dan pemrosesan bahasa alami, beberapa teknologi Computer Vision juga telah menemukan jalannya ke industri perbankan juga.

Sistem Mitek

Mitek Systems menawarkan aplikasi pengenalan gambar yang menggunakan pembelajaran mesin untuk mengklasifikasikan, mengekstrak data, dan mengotentikasi dokumen seperti paspor, kartu ID, SIM, dan pemeriksaan.

Aplikasi berfungsi dengan meminta pelanggan mengambil foto ID atau cek kertas menggunakan perangkat seluler mereka dan mengirim ke bank pengguna di mana perangkat lunak Computer Vision di sisi bank memverifikasi keaslian. Setelah diverifikasi dan diterima oleh bank pengguna, aplikasi atau cek diproses. Untuk setoran, dana biasanya tersedia untuk pelanggan dalam satu hari kerja, menurut situs web perusahaan Mitek.

Demo dua menit di bawah ini menunjukkan cara kerja perangkat lunak Mitek di ponsel untuk menangkap gambar cek yang akan disetorkan ke akun:

Untuk memulai proses, pengguna memasukkan nomor ponselnya ke dalam formulir aplikasi bank. Pesan teks akan dikirim ke teleponnya dengan tautan yang bisa diklik pengguna untuk membuka pengalaman pengambilan gambar. Pelanggan dapat memilih dari SIM, kartu ID atau paspor. Teknologi Mitek mengenali ribuan dokumen ID dari seluruh dunia. Diperlukan gambar depan dan belakang ID atau dokumen.

Setelah pengguna mengirimkan gambar, aplikasi akan memberikan umpan balik real-time untuk memastikan bahwa gambar berkualitas tinggi ditangkap. Perusahaan mengklaim bahwa algoritmanya mengoreksi gambar; dewarp, deskew, distorsi, dan kondisi pencahayaan yang buruk.

Mobile Verify mendeteksi bahwa pengguna ini memulai sesi di desktopnya, jadi setelah selesai diproses, itu akan secara otomatis mengirimkan data yang diekstraksi ke saluran pilihan pengguna, desktop dalam kasus ini.

Seorang klien, Mercantile Bank of Michigan, ingin memperluas portofolio bank ritel dan simpanan inti terkait dengan menyediakan layanan digital kepada pelanggan ritel. Bank memilih aplikasi Mitek yang disebut Mobile Deposit yang memungkinkan pelanggan menyetor cek menggunakan smartphone kamera mereka.

Mitek mengklaim bahwa butuh lebih dari 30 hari untuk mengimplementasikan aplikasi. Dalam empat bulan, 20 persen dari pengguna perbankan online bank mulai menggunakan mobile banking, menurut penelitian.

Pada periode yang sama, pendaftaran bulanan ke program Consumer Deposit Capture bank meningkat sebesar 400 persen, karena pergeseran dalam penggunaan mobile banking dari solusi pemindai flat-bed.

Stephen Ritter, Kepala Staf Teknologi, bertanggung jawab atas Mitek Labs and Engineering. Sebelum ke Mitek, teknologi utama Ritter untuk Emotient, startup analitik wajah yang diakuisisi oleh Apple. Dia juga menjabat dalam peran kepemimpinan teknologi di Websense (sekarang Forcepoint) dan McAfee. Dia memegang gelar B.S. dalam Ilmu Kognitif, Ilmu Komputer, Ekonomi dari University of California, San Diego.

Industri

Osprey Informatics

Di sektor industri, aplikasi Computer Vision seperti Osprey Informatika digunakan untuk memantau status infrastruktur kritis, seperti sumur terpencil, fasilitas industri, aktivitas kerja, dan keamanan situs. Dalam situs webnya, perusahaan mencantumkan Shell dan Chevron sebagai salah satu kliennya.

Dalam sebuah studi kasus, klien mengklaim bahwa sistem pemantauan visual online Osprey untuk sumur minyak jarak jauh membantunya mengurangi kunjungan ke lokasi dan biaya yang setara. Klien sedang mencari cara untuk membuat produksi minyak lebih efisien dalam menghadapi harga komoditas yang tertekan. Studi ini mencatat bahwa Osprey beralih menggunakan sistem pemantauan virtual di beberapa fasilitas untuk pemantauan operasi dan keamanan, dan untuk mengidentifikasi aplikasi baru untuk meningkatkan produktivitas.

Sistem Computer Vision Osprey Reach dikerahkan ke situs sumur prioritas tinggi klien untuk memberikan gambar selang waktu 15 menit dari area spesifik sumur, dengan opsi untuk gambar berdasarkan permintaan dan video langsung. Osprey juga dikerahkan pada baterai tangki jarak jauh, memungkinkan operator untuk membaca level tangki dan melihat area penahanan.

Menurut studi kasus, klien dapat mengurangi kunjungan situs rutin hingga 50 persen sejak menggunakan solusi Osprey. Biaya rata-rata untuk inspeksi lokasi sumur pribadi juga dikurangi dari $ 20 menjadi $ 1.

Video 3 menit di bawah ini menunjukkan bagaimana solusi Osprey Reach mengklaim untuk memungkinkan operator memantau sumur minyak dari jarak jauh, memperbesar dan memperkecil gambar untuk memastikan tidak ada kebocoran di area sekitarnya. Video on-demand juga menunjukkan jack pompa beroperasi pada irama normal.

Menurut situs web perusahaan, daftar fasilitas industri yang berpotensi menggunakan Computer Vision termasuk platform minyak dan gas, pabrik kimia, kilang minyak bumi, dan bahkan pembangkit listrik tenaga nuklir. Informasi yang dikumpulkan oleh sensor dan kamera diteruskan ke perangkat lunak AI yang memperingatkan departemen pemeliharaan untuk mengambil langkah-langkah keamanan bahkan pada tekanan sekecil apa pun yang terdeteksi oleh aplikasi.

Pikiran Penutup

Aplikasi Computer Vision telah muncul di lebih banyak industri, meskipun beberapa telah mengadopsi teknologi lebih cepat daripada yang lain. Apapun teknologi Computer Vision yang ada terus bergantung pada elemen manusia, untuk memantau, menganalisis, menafsirkan, mengendalikan, memutuskan dan mengambil tindakan.

Dalam industri otomotif, perusahaan global seperti Google dan Tesla bergerak maju dalam meningkatkan mobil self-driving yang dilengkapi dengan kamera Computer Vision. Namun, dengan kecelakaan fatal yang dilaporkan, jelas bahwa mobil-mobil ini tidak sepenuhnya siap untuk tersedia secara komersial dan tidak dapat sepenuhnya otonom.

Di toko ritel seperti Amazon Go store, karyawan manusia terus bekerja dalam layanan pelanggan, dan di belakang layar untuk melatih algoritme dan mengonfirmasi bahwa kemampuan pembelajaran mesin berada di jalurnya. Dalam hal keamanan ritel, teknologi ini membantu untuk menangkap video dari insiden pencurian, tetapi sumber daya manusia harus bertindak untuk memperbaiki karyawan yang salah.

Penerapan Computer Vision dalam pertanian berjalan lambat. Tetapi perusahaan seperti Cainthus telah memasuki pasar ini dengan tujuan untuk mengambil teknologi dari industri lain dan menerapkannya pada pertanian. Aplikasi ini mengklaim menawarkan petani kesempatan untuk melakukan pertanian presisi, untuk meningkatkan produksi dengan biaya lebih rendah. Kemitraan Cainthus dan Cargill berpotensi dapat membuka bentuk kecerdasan buatan lainnya ke seluruh industri.

Demikianlah yang dapat saya sampaikan mengenai materi yang menjadi bahasan ini, tentunya banyak kekurangan dan kelemahan kerena terbatasnya pengetahuan kurangnya rujukan atau referensi yang kami peroleh hubungannya dengan ini. Penulis banyak berharap kepada para pembaca yang budiman memberikan kritik saran yang membangun. Semoga tulisan ini dapat bermanfaat bagi para pembaca khususnya pada penulis.

Referensi
https://www.techopedia.com/definition/32309/computer-vision
https://emerj.com/ai-sector-overviews/computer-vision-applications-shopping-driving-and-more/
https://machinelearningmastery.com/applications-of-deep-learning-for-computer-vision/