Esplorazione di vari tipi di dati per le applicazioni di Vision AI

I tipi più comuni di dataset di immagini e video di IA

In genere, quando utilizzi uno smartphone per scattare una foto o visualizzare un filmato di una telecamera a circuito chiuso, stai lavorando con immagini RGB. RGB sta per rosso, verde e blu e sono i tre canali di colore che rappresentano le informazioni visive nelle immagini digitali. 

Le immagini RGB e i video sono tipi di dati visivi strettamente correlati utilizzati nella computer vision, entrambi catturati con telecamere standard. La differenza fondamentale è che le immagini catturano un singolo momento, mentre i video sono una sequenza di fotogrammi che mostrano come le cose cambiano nel tempo.

Le immagini RGB sono generalmente utilizzate per compiti di computer vision come il rilevamento di oggetti, la segmentazione di istanze e la stima della posa, con il supporto di modelli come Ultralytics YOLO11. Queste applicazioni si basano sull'identificazione di modelli, forme o caratteristiche specifiche in un singolo fotogramma. 

I video, invece, sono essenziali quando il movimento o il tempo sono un fattore determinante, come nel caso del riconoscimento dei gesti, della sorveglianza o del tracciamento delle azioni. Poiché i video possono essere considerati una serie di immagini, i modelli di computer vision come YOLO11 li elaborano fotogramma per fotogramma per comprendere il movimento e il comportamento nel tempo.

Ad esempio, YOLO11 può essere utilizzato per analizzare immagini o video RGB per rilevare le erbacce e contare le piante nei campi agricoli. Questo migliora il monitoraggio delle colture e aiuta a tenere traccia dei cambiamenti durante i cicli di crescita per una gestione più efficiente delle aziende agricole.

‍

Dati di profondità nella Vision AI: LiDAR e percezione 3D

I dati di profondità aggiungono una terza dimensione alle informazioni visive indicando la distanza degli oggetti dalla fotocamera o dal sensore. A differenza delle immagini RGB che catturano solo il colore e la texture, i dati di profondità forniscono un contesto spaziale. Mostrano la distanza tra gli oggetti e la telecamera, rendendo possibile l'interpretazione del layout 3D di una scena.

Questo tipo di dati viene acquisito utilizzando tecnologie come il LiDAR, la visione stereo (che utilizza due telecamere per imitare la percezione della profondità umana) e le telecamere a tempo di volo (che misurano il tempo impiegato dalla luce per raggiungere un oggetto e tornare indietro). 

Tra questi, il LiDAR (Light Detection and Ranging) è spesso il più affidabile per la misurazione della profondità. Funziona inviando rapidi impulsi laser e misurando il tempo che impiegano a rimbalzare. Il risultato è una mappa 3D estremamente accurata, nota come nuvola di punti, che evidenzia la forma, la posizione e la distanza degli oggetti in tempo reale.

Il ruolo crescente del LiDAR nei sistemi Vision AI

La tecnologia LiDAR può essere suddivisa in due tipi principali, ciascuno progettato per applicazioni e ambienti specifici. Ecco un approfondimento su entrambi i tipi:

• LiDAR aviotrasportato: tipicamente utilizzati per la mappatura di grandi aree, gli scanner LiDAR aviotrasportati sono montati su droni o aerei per acquisire dati ad alta risoluzione per la mappatura topografica su larga scala. È ideale per il rilievo di terreni, foreste e paesaggi.
  
  
• LiDAR terrestre: questo tipo di dati LiDAR viene raccolto da sensori montati su veicoli o piattaforme fisse per applicazioni come il monitoraggio delle infrastrutture, l'edilizia e la mappatura degli ambienti interni. Fornisce dati altamente dettagliati per aree piccole e localizzate, rendendoli utili per attività come la pianificazione urbana e il rilievo di strutture specifiche.

Un'applicazione importante dei dati LiDAR è quella dei veicoli autonomi, dove svolgono un ruolo fondamentale in attività come il rilevamento della corsia, l'evitamento delle collisioni e l'identificazione degli oggetti vicini. Il LiDAR genera mappe 3D dettagliate e in tempo reale dell'ambiente, consentendo al veicolo di vedere gli oggetti, calcolarne la distanza e navigare in sicurezza.

‍

Utilizzo dei dati termici e a infrarossi nelle applicazioni di intelligenza artificiale

Le immagini RGB catturano ciò che vediamo nello spettro della luce visibile; tuttavia, altre tecnologie di imaging, come quelle termiche e a infrarossi, vanno oltre. L'imaging a infrarossi cattura la luce infrarossa emessa o riflessa dagli oggetti, rendendola utile in condizioni di scarsa illuminazione.

La termografia, invece, rileva il calore emesso dagli oggetti e mostra le differenze di temperatura, consentendo di lavorare in completa oscurità o attraverso fumo, nebbia e altre ostruzioni. Questo tipo di dati è particolarmente utile per monitorare e rilevare i problemi, soprattutto nei settori in cui le variazioni di temperatura possono segnalare potenziali problemi.

Un esempio interessante è quello delle immagini termiche utilizzate per monitorare i componenti elettrici alla ricerca di segni di surriscaldamento. Rilevando le differenze di temperatura, le termocamere possono identificare i problemi prima che si verifichino guasti alle apparecchiature, incendi o danni costosi. 

‍

Allo stesso modo, le immagini a infrarossi possono aiutare a rilevare le perdite nelle tubature o negli isolamenti, identificando le differenze di temperatura che indicano la fuoriuscita di gas o fluidi, il che è fondamentale per prevenire situazioni pericolose e migliorare l'efficienza energetica.

Imaging multispettrale e iperspettrale nell'IA

Mentre gli infrarossi e le immagini termiche catturano aspetti specifici dello spettro elettromagnetico, le immagini multispettrali raccolgono la luce da alcuni intervalli di lunghezze d'onda selezionate, ognuna delle quali è stata scelta per uno scopo specifico, come il rilevamento di vegetazione sana o l'identificazione di materiali superficiali. 

L'imaging iperspettrale fa un ulteriore passo avanti catturando la luce in centinaia di intervalli di lunghezza d'onda molto stretti e continui. In questo modo si ottiene una firma luminosa dettagliata per ogni pixel dell'immagine, offrendo una comprensione molto più approfondita del materiale osservato.

‍

Sia l'imaging multispettrale che quello iperspettrale utilizzano sensori e filtri speciali per catturare la luce a diverse lunghezze d'onda. I dati vengono poi organizzati in una struttura 3D chiamata cubo spettrale, in cui ogni strato rappresenta una diversa lunghezza d'onda. 

I modelli di intelligenza artificiale possono analizzare questi dati per rilevare caratteristiche che le normali telecamere o l'occhio umano non possono vedere. Ad esempio, nella fenotipizzazione delle piante, l'imaging iperspettrale può essere utilizzato per monitorare la salute e la crescita delle piante rilevando sottili cambiamenti nelle foglie o negli steli, come carenze di nutrienti o stress. Questo aiuta i ricercatori a valutare la salute delle piante e a ottimizzare le pratiche agricole senza dover ricorrere a metodi invasivi.

Analizzare le immagini radar e sonar con l'AI

Il radar e il sonar sono tecnologie che rilevano e mappano gli oggetti inviando segnali e analizzandone i riflessi, in modo simile al LiDAR. A differenza dell'imaging RGB, che si basa sulle onde luminose per catturare informazioni visive, il radar utilizza onde elettromagnetiche, tipicamente onde radio, mentre il sonar utilizza onde sonore. Entrambi i sistemi radar e sonar emettono impulsi e misurano il tempo che impiega il segnale a rimbalzare da un oggetto, fornendo informazioni sulla sua distanza, dimensione e velocità.

Le immagini radar sono particolarmente utili quando la visibilità è scarsa, ad esempio durante la nebbia, la pioggia o la notte. Poiché non si basa sulla luce, è in grado di rilevare velivoli, veicoli o terreni nella più completa oscurità. Questo rende il radar una scelta affidabile per l'aviazione, il monitoraggio meteorologico e la navigazione autonoma.

In confronto, l'imaging sonar è comunemente utilizzato in ambienti subacquei dove la luce non può arrivare. Utilizza onde sonore che viaggiano attraverso l'acqua e rimbalzano sugli oggetti sommersi, consentendo il rilevamento di sottomarini, la mappatura dei fondali oceanici e l'esecuzione di missioni di salvataggio subacqueo. I progressi della computer vision stanno consentendo di migliorare ulteriormente il rilevamento subacqueo, combinando i dati sonar con un'analisi intelligente per migliorare il rilevamento e il processo decisionale.

‍

Dati visivi sintetici e simulati per l'addestramento di modelli di intelligenza artificiale

Finora, i diversi tipi di dati di cui abbiamo parlato sono stati quelli che possono essere raccolti dal mondo reale. Tuttavia, i dati visivi sintetici e simulati sono entrambi tipi di contenuti artificiali. I dati sintetici sono generati da zero utilizzando la modellazione 3D o l'intelligenza artificiale generativa per produrre immagini o video dall'aspetto realistico. 

‍

I dati simulati sono simili, ma prevedono la creazione di ambienti virtuali che riproducono il comportamento del mondo fisico, tra cui la riflessione della luce, la formazione di ombre e il movimento degli oggetti. Mentre tutti i dati visivi simulati sono sintetici, non tutti i dati sintetici sono simulati. La differenza fondamentale è che i dati simulati replicano un comportamento realistico, non solo l'aspetto.

Questi tipi di dati sono utili per l'addestramento dei modelli di computer vision, soprattutto quando è difficile raccogliere dati reali o quando è necessario simulare situazioni specifiche e rare. Gli sviluppatori possono creare intere scene, scegliere i tipi di oggetti, le posizioni e l'illuminazione e aggiungere automaticamente etichette come le bounding box per l'addestramento. In questo modo è possibile creare rapidamente set di dati ampi e diversificati, senza dover ricorrere a foto reali o all'etichettatura manuale, che possono essere costose e dispendiose in termini di tempo.

Ad esempio, nel settore sanitario, i dati sintetici possono essere utilizzati per addestrare i modelli per segmentare le cellule del cancro al seno, dove è difficile raccogliere ed etichettare grandi set di immagini reali. I dati sintetici e simulati offrono flessibilità e controllo, colmando le lacune in cui le immagini del mondo reale sono limitate.

Scegliere il giusto tipo di dati visivi per la tua applicazione AI

Ora che abbiamo visto come funzionano e cosa possono fare i diversi tipi di dati visivi, diamo un'occhiata più da vicino a quali tipi di dati sono migliori per compiti specifici:

• Immagini RGB: È perfetta per compiti generali di visione artificiale come la classificazione delle immagini e il rilevamento degli oggetti. Cattura il colore e la struttura, ma è limitata in condizioni difficili come la scarsa illuminazione o la scarsa visibilità.
  
  
• Imaging LiDAR: Questo tipo di imaging offre una mappatura 3D ad alta precisione utilizzando impulsi laser. È ideale per le applicazioni che richiedono misurazioni accurate della distanza, come la robotica, i veicoli autonomi e l'ispezione delle infrastrutture.
  ‍
• Immagini termiche: Poiché è in grado di rilevare le differenze di temperatura, è utile in condizioni di scarsa visibilità, come il monitoraggio notturno, la lotta agli incendi o il rilevamento di perdite di calore in macchinari ed edifici.
  ‍
• Imaging multispettrale e iperspettrale: È utile per le attività che richiedono un'analisi dettagliata dei materiali, come il monitoraggio agricolo, il controllo della qualità farmaceutica o il telerilevamento. Questi metodi forniscono approfondimenti grazie all'acquisizione di dati in un'ampia gamma di lunghezze d'onda oltre alla luce visibile.
  
  
• Immagini radar e sonar: Sono da preferire in ambienti con scarsa visibilità. Il radar utilizza le onde radio ed è utile per l'aviazione e la navigazione, mentre il sonar utilizza le onde sonore per operare il rilevamento sottomarino.
  
  
• Dati visivi sintetici e simulati: Sono ideali per l'addestramento di modelli di intelligenza artificiale quando i dati del mondo reale sono limitati, non disponibili o difficili da etichettare. Queste immagini artificiali aiutano a creare set di dati diversificati per scenari complessi come eventi rari o condizioni critiche per la sicurezza.

A volte, un singolo tipo di dati potrebbe non fornire un'accuratezza o un contesto sufficiente nelle situazioni reali. È qui che la fusione multimodale dei sensori diventa fondamentale. Combinando l'RGB con altri tipi di dati come quelli termici, di profondità o LiDAR, i sistemi possono superare i limiti individuali, migliorando l'affidabilità e l'adattabilità. 

Ad esempio, nell'automazione del magazzino, l'uso di RGB per il riconoscimento degli oggetti, di profondità per misurare la distanza e di termica per rilevare il surriscaldamento delle apparecchiature rende le operazioni più efficienti e sicure. In definitiva, i risultati migliori si ottengono selezionando o combinando i tipi di dati in base alle esigenze specifiche della tua applicazione.

Punti di forza

Quando si costruiscono modelli di Vision AI, la scelta del giusto tipo di dati visivi è fondamentale. Compiti come il rilevamento di oggetti, la segmentazione e il tracciamento del movimento non si basano solo sugli algoritmi, ma anche sulla qualità dei dati di input. I set di dati puliti, diversificati e accurati aiutano a ridurre il rumore e a migliorare le prestazioni.

Combinando tipi di dati come RGB, profondità, termici e LiDAR, i sistemi di intelligenza artificiale ottengono una visione più completa dell'ambiente, rendendoli più affidabili in varie condizioni. Il continuo miglioramento della tecnologia aprirà probabilmente la strada all'IA di visione, che diventerà più veloce, più adattabile e di maggiore impatto in tutti i settori.

Unisciti alla nostra comunità ed esplora il nostro repository GitHub per saperne di più sulla computer vision. Scopri le varie applicazioni relative all'IA nella sanità e alla computer vision nella vendita al dettaglio nelle nostre pagine dedicate alle soluzioni. Scopri le nostre opzioni di licenza per iniziare a lavorare con Vision AI.