Verbesserte Sch\u00e4tzung der K\u00f6rperhaltung und Fehlererkennung durch 64%.<\/p>\n
Der Kunde ist ein US-amerikanisches Startup-Unternehmen, das sich auf die Erkennung menschlicher Aktivit\u00e4ten und Bewegungsanalysen spezialisiert hat.
Sie haben eine mobile Gesundheits-App entwickelt, um die Bewegungen des menschlichen K\u00f6rpers w\u00e4hrend des Trainings und der Physiotherapie zu erfassen und zu bewerten. Die App ist mit Tracking-Tools ausgestattet, die den Nutzern helfen, auf die richtige Weise zu trainieren und ihre Fitnessziele zu erreichen.<\/p>\n
Die Open-Source-L\u00f6sungen f\u00fcr die Sch\u00e4tzung der mobilen K\u00f6rperhaltung schienen f\u00fcr den Kunden nicht zu funktionieren, weshalb er ESSID Solutions um Rat f\u00fcr das Problem der Sch\u00e4tzung der menschlichen Haltung in Echtzeit bat. Es ist auch erw\u00e4hnenswert, dass es vorher keine gemeinsamen L\u00f6sungen f\u00fcr die Fehlererkennung und Wiederholungsz\u00e4hlung gab.<\/p>\n
Um die Konkurrenz auf dem Markt f\u00fcr mHealth-Apps auszustechen, wollte der Kunde seine App mit KI (K\u00fcnstliche Intelligenz) ausstatten. Sie hatten Schwierigkeiten bei der Einsch\u00e4tzung der menschlichen K\u00f6rperhaltung. Die Hauptaufgabe f\u00fcr unser Team bestand darin, die Genauigkeit zu verbessern, ohne die Geschwindigkeit und Benutzerfreundlichkeit zu beeintr\u00e4chtigen.<\/p>\n
Der Kunde wollte seine Fitness-App um eine Echtzeit-Fehlererkennung w\u00e4hrend des Trainings und der Physiotherapie erweitern. Diese Funktion kann dem Nutzer helfen, h\u00e4ufige Fehler beim Training zu vermeiden und das Verletzungsrisiko deutlich zu verringern.<\/p>\n
Das Team von ESSID Solutions nahm die Herausforderung an, den Kunden mit robuste Sch\u00e4tzung der Pose<\/a> und Fehlererkennungsfunktionen von Grund auf.<\/p>\n Bei der Positionssch\u00e4tzung handelt es sich um eine Computer-Vision-Technik, die nicht nur den Standort einer Person oder eines Objekts, sondern auch die Gelenke im Einzelnen vorhersagt und verfolgt. Bei der Sch\u00e4tzung der K\u00f6rperhaltung wurden bisher bemerkenswerte Fortschritte erzielt, aber die Erkennung menschlicher Aktivit\u00e4ten in realen Umgebungen ist nach wie vor ungekl\u00e4rt. Diese Aufgabe wird noch schwieriger, wenn sie nicht von Einzelkameras im Offline-Modus, sondern von Smartphones in Echtzeit gel\u00f6st wird. Dies liegt daran, dass die Ausf\u00fchrung in Echtzeit den Durchsatz an Eingabedaten und die erforderlichen Berechnungen erheblich steigert, w\u00e4hrend die verf\u00fcgbaren Rechenressourcen mobiler Ger\u00e4te nach wie vor begrenzt sind.<\/p>\n Bei der Sch\u00e4tzung der K\u00f6rperhaltung kann zwischen folgenden Typen unterschieden werden: Sch\u00e4tzung der Haltung von Einzelpersonen oder mehreren Personen, 3D oder 2D, Echtzeit oder offline. Nach der Analyse der Kundenbed\u00fcrfnisse haben wir entschieden, dass die 2D-Einzelpersonen-Positionssch\u00e4tzung in Echtzeit gut geeignet ist, wenn sie f\u00fcr sehr unterschiedliche k\u00f6rperliche \u00dcbungen eingesetzt wird.<\/p>\n Um menschliche Gelenke in Bewegung in Echtzeit zu erkennen, haben wir Deep-Learning-Ans\u00e4tze angewandt, die f\u00fcr komplizierte Computer-Vision-Probleme geeignet sind. Unsere Ingenieure mussten eine v\u00f6llig neue Technologie f\u00fcr neuronale Netze entwickeln, um viele Erkenntnisse und Ideen zu nutzen und so eine wettbewerbsf\u00e4hige Qualit\u00e4t der Gelenkerkennung zu erreichen.<\/p>\n Wir begannen mit der Zusammenf\u00fchrung aller Arten von offenen Datens\u00e4tzen f\u00fcr verschiedene Arten von menschlichen Haltungssch\u00e4tzungen, da gro\u00dfe Datenmengen ein entscheidender Bestandteil von qualitativ hochwertigen tiefen neuronalen Netzen sind, die in den spezifischen realen Anwendungsf\u00e4llen genau und robust arbeiten. Dar\u00fcber hinaus mussten wir unsere eigenen Methoden zur Datenerweiterung entwickeln, um die Datenmenge weiter zu vergr\u00f6\u00dfern.<\/p>\n Nach der Bearbeitung der Datens\u00e4tze entwickelten wir ein fortschrittliches menschliches Skelettmodell mit zus\u00e4tzlichen Eckpunkten, die unsere M\u00f6glichkeiten bei der Analyse von Fitness- und Physiotherapie\u00fcbungen erheblich erweiterten.<\/p>\n Der n\u00e4chste Schritt war die Entwicklung einer effizienten neuronalen Architektur f\u00fcr die Posensch\u00e4tzung. Der Kunde war besorgt \u00fcber die Leistung der mobilen App, weshalb wir uns auf die Optimierung der Betriebseffizienz und die Reduzierung der Ladezeit konzentrierten.<\/p>\n Wir nutzten PyTorch, um dem Kunden eine optimierte Trainingspipeline sowie CoreML-Modelle f\u00fcr den Einsatz der von uns entwickelten Deep Learning- und CV-Modelle bereitzustellen.<\/p>\n Ein weiteres datenwissenschaftliches Problem bestand darin, die Fehlererkennung beim Training und in der Physiotherapie zu implementieren. Die Fehlererkennung hilft dabei, angemessene und falsche Formen der Durchf\u00fchrung von k\u00f6rperlichen \u00dcbungen zu verstehen. Sie wird verwendet, um menschliche Gelenke zu identifizieren und dem Benutzer Anleitungen f\u00fcr die richtige Ausf\u00fchrung von \u00dcbungen zu geben. Zum Beispiel ist die Einsch\u00e4tzung der Kopfhaltung wichtig, wenn der Benutzer eine Planke ausf\u00fchrt. Die App sch\u00e4tzt die Position des Kopfes, um Verletzungen beim Training zu vermeiden.<\/p>\n Es ist erw\u00e4hnenswert, dass wir benutzerdefinierte Algorithmen f\u00fcr die Fehlererkennung und das Z\u00e4hlen von Wiederholungen entwickeln mussten, so dass die Nutzer der mobilen App \u00fcber eine Audioschnittstelle mit einem virtuellen KI-Coach sofortiges Feedback erhalten k\u00f6nnen.<\/p>\n ESSID Solutions hat seine Erfahrung im Bereich Computer Vision und Deep Learning erfolgreich eingesetzt, um den Kunden mit einer KI-gest\u00fctzten L\u00f6sung zu unterst\u00fctzen. Unsere Expertise in mobilen neuronalen Netzwerken und Deep Learning half dabei, die Herausforderung der Erkennung menschlicher Aktivit\u00e4ten in sehr kurzer Zeit zu bew\u00e4ltigen, obwohl Deep-Learning-Ans\u00e4tze monatelange Arbeit erfordern. Unser neuronales Netzwerk zur Echtzeitsch\u00e4tzung der menschlichen Position und unsere Algorithmen zur Fehlererkennung wurden erfolgreich in die App f\u00fcr Workout- und Rehabilitations\u00fcbungen integriert.<\/p>\n Wir haben eine L\u00f6sung entwickelt, die Beleuchtungs\u00e4nderungen, Einbu\u00dfen bei der Bildrate, andere Personen, die ins Bild laufen, Verdeckungen usw. ber\u00fccksichtigen kann.<\/p>\n Jetzt geht die App noch einen Schritt weiter und stellt sicher, dass der Nutzer auf die richtige Art und Weise trainiert und das Beste aus seinem Workout herausholt. Die Empfehlungen des entwickelten KI-Coaches bieten wertvolle Erkenntnisse und helfen den Nutzern, ihre Fitnessziele zu erreichen und unn\u00f6tige Verletzungen zu vermeiden.<\/p>\nL\u00f6sung: Deep Learning f\u00fcr eine genaue Sch\u00e4tzung der menschlichen Pose und datenwissenschaftliche Algorithmen zur Fehlererkennung<\/h2>\n
Ergebnis: Verbesserte Implementierung von Posensch\u00e4tzung und Fehlererkennung<\/h2>\n
W\u00e4hlen Sie uns als Ihr Computer Vision<\/a> Dienstanbieter<\/h3>","protected":false},"excerpt":{"rendered":"