Влияние компьютера на зрение человека
Влияние компьютера на зрение человека связано с особенностями восприятия неестественного для наших глаз изображения.
Картинка на мониторе состоит из пикселей – отдельных мерцающих и светящихся точек, не имеющих четких границ, — из-за чего она менее контрастна, чем печатная.
Глаза вынуждены напрягаться, постоянно менять положение хрусталика, чтобы сохранить целостное видение объектов на экране. Мерцание изображения приводит к перегрузке зрительного тракта и редкому морганию, что нередко вызывает синдром «сухого глаза».
Еще одно отклонение в работе зрительного органа называется спазмом аккомодации — способности хорошо различать предметы на разных расстояниях. В норме при фокусировке взгляда на объектах разной удаленности глазная мышца, контролирующая хрусталик, расслабляется и напрягается.
При работе на близком расстоянии к монитору возникает патологическое напряжение цилиарной мышцы и предпосылки для формирования близорукости.
Как правильно работать за компьютером для зрения
Зрительная усталость зачастую бывает вызвана необходимостью переводить взгляд с экрана на клавиатуру, печатные тексты. Эти предметы обладают разной контрастностью, яркостью и неодинаково освещены, что утомляет глаза и ухудшает зрение.
Располагайте рабочие материалы ближе к экрану, освойте десятипальцевый метод печати, чтобы не делать лишних движений глазами.
Если правильно «подогнать» под себя параметры настроек экрана, можно значительно снизить риск переутомления глаз.
Подберите оптимальное соотношение яркости дисплея и освещения вокруг монитора. Выставите комфортный уровень контрастности, цветовой температуры, разрешения и частоты обновления. Изменение дистанции просмотра так же сделает пребывание у компьютера более безопасным.
Хорошо организованное рабочее место так же влияет на здоровье глаз. Монитор следует располагать в углу комнаты, задней панелью к стене. Освещение должно быть комфортным, не слишком ярким, чтобы не возникали блики на поверхности экрана. Оптимальное расстояние до компьютера — 45-70 см.
Длительное нахождение в одной позе, зрительное напряжение чревато проблемами со зрением и позвоночником. Не забывайте отдыхать от работы в течение 10-15 минут каждый час: поморгайте глазами, вращайте глазными яблоками в разные стороны, переводите взгляд с близкого предмета на далекий. Подробнее здесь: «Упражнения для снятия напряжения в шее и в глазах»
Симптомы негативного воздействия компьютера на зрение
В 1998 г. ученые из США ввели термин «компьютерный зрительный синдром». Это понятие обозначает расстройство зрения, вызванное влиянием компьютера на зрение человека. По данным исследователей, синдром возникает каждый день у 40% пользователей и время от времени — у 92%. Выделяются следующие признаки синдрома:
- Жжение и ощущение «песка» в глазах
- Покраснение конъюнктивы
- Помутнение зрения
- Двоение в глазах
- Головные боли
- Сухость глаз
- Боли в шее и спине
Влияние компьютера на зрение школьника
Перечисленные симптомы характерны не только для взрослых.
Дети так же испытывают отрицательное воздействие длительного сидения у монитора, если не соблюдают зрительный режим. Нагрузка на зрение может привести к близорукости, так как оптический аппарат школьников находится на стадии формирования и чувствителен к сильному напряжению.
Нервная система ребенка слишком слаба, чтобы регулировать процесс возбуждения, и он может не заметить первые признаки переутомления. Поэтому в младших и средних классах ребенка не стоит оставлять с экраном один на один.
Родителям следует постепенно прививать полезные привычки в работе за компьютером.
Читайте так же статью «Профилактика нарушения зрения у детей»
Общие рекомендации
Компьютер стал уже неотъемлемой частью жизни современного общества. Портится ли зрение от компьютера? Ответ на вопрос зависит от конкретного пользователя, ведь соблюдая несложные рекомендации, можно избежать негативных последствий для зрения:
- Посещайте офтальмолога и не занимайтесь самолечением.
- По возможности сократите время, проведенное за монитором.
- Используйте искусственную слезу.
- Надевайте для работы специальные компьютерные очки.
- Выполняйте гимнастику для глаз.
Источник: http://vizhusuper.ru/vliyanie-kompyutera-na-zrenie/
Машинное зрение. Что это и как им пользоваться? Обработка изображений оптического источника
Машинное зрение — это научное направление в области искусственного интеллекта, в частности робототехники, и связанные с ним технологии получения изображений объектов реального мира, их обработки и использования полученных данных для решения разного рода прикладных задач без участия (полного или частичного) человека.
Исторические прорывы в машинном зрении
Компоненты системы машинного зрения
Машинное зрение сосредотачивается на применении, в основном промышленном, например, автономные роботы и системы визуальной проверки и измерений. Это значит, что технологии датчиков изображения и теории управления связаны с обработкой видеоданных для управления роботом и обработка полученных данных в реальном времени осуществляется программно или аппаратно.
Обработка изображений и анализ изображений в основном сосредоточены на работе с 2D изображениями, т.е. как преобразовать одно изображение в другое. Например, попиксельные операции увеличения контрастности, операции по выделению краёв, устранению шумов или геометрические преобразования, такие как вращение изображения.
Данные операции предполагают, что обработка/анализ изображения действуют независимо от содержания самих изображений. Компьютерное зрение сосредотачивается на обработке трехмерных сцен, спроектированных на одно или несколько изображений. Например, восстановлением структуры или другой информации о 3D сцене по одному или нескольким изображениям.
Компьютерное зрение часто зависит от более или менее сложных допущений относительно того, что представлено на изображениях. Также существует область названная визуализация, которая первоначально была связана с процессом создания изображений, но иногда имела дело с обработкой и анализом. Например, рентгенография работает с анализом видеоданных медицинского применения.
Наконец, распознавание образов является областью, которая использует различные методы для получения информации из видеоданных, в основном, основанные на статистическом подходе. Значительная часть этой области посвящена практическому применению этих методов.
Таким образом, можно сделать вывод, что понятие «машинное зрение» на сегодняшний день включает в себя: компьютерное зрение, распознавание зрительных образов, анализ и обработка изображений и т.д.
Задачи машинного зрения
Распознавание
Классическая задача в компьютерном зрении, обработке изображений и машинном зрении это определение содержат ли видеоданные некоторый характерный объект, особенность или активность.
Эта задача может быть достоверно и легко решена человеком, но до сих пор не решена удовлетворительно в компьютерном зрении в общем случае: случайные объекты в случайных ситуациях.
Один или несколько предварительно заданных или изученных объектов или классов объектов могут быть распознаны (обычно вместе с их двухмерным положением на изображении или трехмерным положением в сцене).
Идентификация
Распознается индивидуальный экземпляр объекта принадлежащего к какому-либо классу. Примеры: идентификация определённого человеческого лица или отпечатка пальцев или автомобиля.
Обнаружение
Видеоданные проверяются на наличие определенного условия. Обнаружение, основанное на относительно простых и быстрых вычислениях иногда используется для нахождения небольших участков в анализируемом изображении, которые затем анализируются с помощью приемов, более требовательных к ресурсам, для получения правильной интерпретации.
Распознавание текста
Поиск изображений по содержанию: нахождение всех изображений в большом наборе изображений, которые имеют определенное различными путями содержание. Оценка положения: определение положения или ориентации определенного объекта относительно камеры.
Оптическое распознавание знаков: распознавание символов на изображениях печатного или рукописного текста (обычно для перевода в текстовый формат, наиболее удобный для редактирования или индексации. Например, ASCII).
Восстановление 3D формы по 2D изображениям осуществляется с помощью стереореконструкции карты глубины, реконструкции поля нормалей и карты глубины по закраске полутонового изображения, реконструкции карты глубины по текстуре и определения формы по перемещению Пример восстановления 3D формы по 2D изображеню
Оценка движения
Несколько задач, связанных с оценкой движения, в которых последовательность изображений (видеоданные) обрабатываются для нахождения оценки скорости каждой точки изображения или 3D сцены. Примерами таких задач являются: определение трехмерного движения камеры, слежение, то есть следование за перемещениями объекта (например, машин или людей)
Восстановление сцены
Даны два или больше изображения сцены, или видеоданные. Восстановление сцены имеет задачей воссоздать трехмерную модель сцены. В простейшем случае, моделью может быть набор точек трехмерного пространства. Более сложные методы воспроизводят полную трехмерную модель.
Восстановление изображений
Задача восстановления изображений это удаление шума (шум датчика, размытость движущегося объекта и т.д.).
Наиболее простым подходом к решению этой задачи являются различные типы фильтров, таких как фильтры нижних или средних частот.
Более высокий уровень удаления шумов достигается в ходе первоначального анализа видеоданных на наличие различных структур, таких как линии или границы, а затем управления процессом фильтрации на основе этих данных.
Восстановление изображений
Анализ оптического потока (нахождения перемещения пикселей между двумя изображениями).
Несколько задач, связанных с оценкой движения, в которых последовательность изображений (видеоданные) обрабатываются для нахождения оценки скорости каждой точки изображения или 3D сцены.
Примерами таких задач являются: определение трехмерного движения камеры, слежение, т.е. следование за перемещениями объекта (например, машин или людей).
Методы обработки изображений
Счетчик пикселей
Подсчитывает количество светлых или темных пикселей. С помощью счетчика пикселей пользователь может выделить на экране прямоугольную область в интересующем месте, например там, где он ожидает увидеть лица проходящих людей.
Камера в ответ немедленно даст сведения о количестве пикселей, представленных сторонами прямоугольника.
Счетчик пикселей дает возможность быстро проверить, соответствует ли смонтированная камера нормативным требованиям или требованиям заказчика относительно пиксельного разрешения, например, для лиц людей, входящих в двери, которые контролируются камерой, или в целях распознавания номерных знаков.
Бинаризация
Преобразует изображение в серых тонах в бинарное (белые и черные пиксели). Значения каждого пикселя условно кодируются, как «0» и «1». Значение «0» условно называют задним планом или фоном а «1» — передним планом.
Часто при хранении цифровых бинарных изображений применяется битовая карта, где используют один бит информации для представления одного пикселя.
Также, особенно на ранних этапах развития техники, двумя возможными цветами были чёрный и белый, что не является обязательным.
Сегментация
Используется для поиска и (или) подсчета деталей. Цель сегментации заключается в упрощении и/или изменении представления изображения, чтобы его было проще и легче анализировать.
Сегментация изображений обычно используется для того, чтобы выделить объекты и границы (линии, кривые, и т. д.) на изображениях.
Более точно, сегментация изображений — это процесс присвоения таких меток каждому пикселю изображения, что пиксели с одинаковыми метками имеют общие визуальные характеристики.
Результатом сегментации изображения является множество сегментов, которые вместе покрывают всё изображение, или множество контуров, выделенных из изображения. Все пиксели в сегменте похожи по некоторой характеристике или вычисленному свойству, например, по цвету, яркости или текстуре. Соседние сегменты значительно отличаются по этой характеристике.
Чтение штрих-кодов
Штрих-код — графическая информация, наносимая на поверхность, маркировку или упаковку изделий, представляющая возможность считывания её техническими средствами — последовательность чёрных и белых полос либо других геометрических фигур. В машинном зрении штрих-коды используют для декодирования 1D и 2D кодов, разработанных для считывания или сканирования машинами.
Оптическое распознавание символов
Оптическое распознавание символов: автоматизированное чтение текста, например, серийных номеров. Распознавание используется для конвертации книг и документов в электронный вид, для автоматизации систем учёта в бизнесе или для публикации текста на веб-странице.
Оптическое распознавание текста позволяет редактировать текст, осуществлять поиск слов или фраз, хранить его в более компактной форме, демонстрировать или распечатывать материал, не теряя качества, анализировать информацию, а также применять к тексту электронный перевод, форматирование или преобразование в речь.
Моя программа, написанная на LabView по работе с изображениями
Использовано компьютерное зрение для неразрушающего контроля качества сверхпроводящих материалов.
Введение.
Решение задач обеспечения комплексной безопасности (как антитеррористической и механической безопасности объектов, так и технологической безопасности инженерных систем), в настоящее время, требует системной организации контроля, текущего состояния объектов.
Одними из наиболее перспективных способов контроля текущего состояния объектов являются оптические и оптико-электронные методы, основанные на технологиях обработки видеоизображений оптического источника.
К ним относятся: программы по работе с изображениями; новейшие способы обработки изображений; оборудования для получения, анализа и обработки изображений, т.е. комплекс средств и методов относящихся к области компьютерного и машинного зрения.
Компьютерное зрение — это общий набор методов, позволяющих компьютерам видеть и распознавать трех- или двухмерные объекты, как инженерного направления, так и нет. Для работы с компьютерным зрение требуются цифровые или аналоговые устройства ввода-вывода, а также вычислительные сети и IP анализаторы локаций, предназначенные для контроля производственного процесса и подготовки информации для принятия оперативных решений в кратчайшие сроки.
Постановка проблемы.
На сегодняшний день, главной задачей для проектируемых комплексов машинного зрения остаётся обнаружение, распознавание, идентификация и квалификация объектов потенциального риска, находящихся в случайном месте в зоне оперативной ответственности комплекса.
Существующие на данный момент программные продукты, направленные на решение перечисленных задач обладают рядом существенных недостатков, а именно: значительная сложность, связанная с высокой детализацией оптических образов; высокая потребляемая мощность и достаточно узкий спектр возможностей. Расширение задач обнаружения объектов потенциального риска, до области поиска случайных объектов в случайных ситуациях, находящихся в случайном месте, имеющимися программными продуктами не возможно, даже с задействованием суперкомпьютера.
Цель. Разработка универсальной программы обработки изображений оптического источника, с возможностью потокового анализа данных, то есть программа должна быть лёгкой и быстрой для того, чтобы её можно было записать на малогабаритное ЭВМ устройство.
Задачи:
Актуальность программы определяется:
Анализ актуальности разработки программы.
Для упрощения решения задач данного типа, мною была разработана математическая модель и написана программа для ЭВМ устройства по анализу изображения при помощи простейших преобразований исходных изображений. Программа работает с преобразованиями типа бинаризации, яркости, контраста изображения и т.д. Принцип действия программы продемонстрирован на примере анализа сверхпроводящих материалов. При создании композиционных сверхпроводников на основе Nb3Sn варьируется объемное соотношение бронзы и ниобия, размер и количество волокон в нем, равномерность их распределения по сечению бронзовой матрицы, наличие диффузионных барьеров и стабилизирующих материалов. При заданной объемной доле ниобия в проводнике увеличение количества волокон приводит, соответственно, к уменьшению их диаметра. Это ведет к заметному возрастанию поверхности взаимодействия Nb / Cu-Sn, что в значительной степени ускоряет процесс нарастания сверхпроводящей фазы. Такое увеличение количества сверхпроводящей фазы при повышении числа волокон в проводнике обеспечивает возрастание критических характеристик сверхпроводника. В связи с этим необходимо наличие инструмента для контроля объемной доли сверхпроводящей фазы в конечном продукте (композиционном сверхпроводнике). При создании программы учитывалась важность проведения исследований материалов, из которых создаётся сверхпроводящие кабели, так как при неправильном соотношении ниобия к бронзе возможен взрыв проводов, а, следовательно, людские жертвы, денежные затраты и потеря времени. Данная программа позволяет определить качество проводов на основе химическо физического анализа объекта.
Блок-диаграмма программы
Описание этапов исследования.
1 этап. Пробоподготовка: резка композиционного сверхпроводника на электроэрозионном станке; запрессовка образца в пластмассовую матрицу; полировка образца до зеркального состояния; травление образца для выделения волокон ниобия на бронзовой матрице. Получены образцы запрессованных композиционных сверхпроводниковых образцов;
2 этап. Получение изображений: получение металлографических изображений на сканирующем электронном микроскопе.
3 этап. Обработка изображений: создание инструмента для определения объемной доли сверхпроводящей фазы на металлографическом изображении; набор статистически значимых данных на конкретном типе образцов.
Созданы математические модели различных инструментов по обработке изображений; создана программная разработка для оценки объемной доли сверхпроводящий фазы; программа была облегчена путём соединения нескольких математических функций в одну; было получено среднее значение объемной доли волокон ниобия в бронзовой матрице 24.
7±0,1 %. Низкий процент отклонения свидетельствует о высокой повторяемости структуры композиционного провода.
Электронномикроскопическое изображения композиционных сверхпроводников
Методы обработки изображений в программе.
Формулы работы программы
Формула бинаризации (метод Оцу):
Формула эрозии:
Формула дилатации:
Схема дилатации и эрозии
Формулы сегментации порогами цвета:
Определение модуля градиента яркости для каждого пикселя изображения:
Вычисление порога:
Использованное оборудование
Интерфейс программы
Источник: https://habr.com/post/350918/
«Не миллионы людей потеряют работу — десятки миллионов»
Перевод колонки блогера и публициста Кевина Драма о будущем, в котором людей на рынке труда заменит искусственный интеллект.
Поделиться
Поделиться
Твитнуть
Перевод подготовлен командой онлайн-школы английского языка Skyeng.
Автоматизация помогла наступить эпохе Трампа. Что нам готовит ИИ
В ближайшие 40 лет роботы займут ваши рабочие места.
Неважно, кем вы работаете. Копаете траншеи? Робот будет копать их лучше. Пишете статьи для журнала? Робот будет писать лучше вас. Если вы врач, Watson от IBM больше не будет помогать вам с поиском правильного диагноза в его базе данных с миллионами описаний клинических случаев и журнальных статей. Он просто будет лечить лучше, чем вы.
Вы генеральный директор компании? Мне жаль, но роботы будут управлять компаниями лучше, чем вы. Люди творческих профессий? Роботы будут рисовать, писать и лепить лучше вас. Думаете, что ваши социальные навыки недоступны роботам? Очень даже доступны. В течение 20 лет примерно половина из вас лишится работы. Ещё через пару десятилетий та же участь ждёт большинство оставшихся.
В каком-то смысле звучит здорово. Пусть роботы работают! Не придётся больше вытаскивать себя из постели в шесть утра или проводить весь день на ногах. Мы сможем спокойно читать, писать стихи, играть в видеоигры и вообще делать что угодно. И через столетие, скорее всего, так и будет. Человечество вступит в золотой век.
Но что случится через 20 лет? Или 30? Многие к тому времени потеряют работу. Поверьте, это не будет похоже на золотой век. Пока мы не выясним, как справедливо распределить плоды труда роботов, нас ожидает эпоха массовой безработицы и нищеты. Безработица среди рабочего класса сыграла большую роль в выборах 2016 года в США.
Если мы не хотим стать свидетелями того, как демагоги сменяют друг друга у власти из-за того, что машины отнимают у людей средства к существованию, этому нужно положить конец как можно скорее.
Наряду с глобальным потеплением, будущее без работы — главная проблема, которая стоит перед прогрессивными политиками, не говоря уже про человечество в целом.
Но сейчас эта проблема едва попадает в поле нашего зрения.
Вот занудство, да? К счастью, статьи на сложную или узкоспециальную тему традиционно начинаются с какого-нибудь забавного или необычного случая. Это помогает читателю медленно погрузиться в пугающий своей сложностью материал. Я тоже расскажу вам об одном таком случае.
Источник: https://vc.ru/29737-ne-milliony-lyudey-poteryayut-rabotu-desyatki-millionov
Машинное зрение
Научные статьи в области искусственного интеллекта
27 мая 2016 • Статьи
В мире очень много вещей, за которыми человеческий глаз просто не успевает следить. Например, в конвейерной технологии ошибки происходят именно из-за человеческого фактора.
Человек просто не в состоянии трезво оценивать предметы после нескольких часов работы. Для этого отлично приспособлены роботы.
С помощью машинного зрения они могут сделать детальную проверку продукта, сравнить с образцом и моментально принять решение о дальнейшей обработке изделия.
Как работает машинное зрение?
Машинное зрение – это способность компьютера «видеть». Система машинного зрения использует одну или несколько видеокамер, устройство аналого-цифрового преобразования (АЦП) и цифровой обработки сигналов (ЦОС). Полученные данные поступают в компьютер или робота-контроллера. По степени сложности машинное зрение похоже на распознавание голоса.
Двумя важными характеристиками в любой такой системе являются чувствительность и разрешение. Чувствительность – это способность машины видеть в тусклом свете или различать слабые импульсы в спектре невидимых длин волн.
Разрешение – это степень, с которой система различает объекты. Чувствительность и разрешение являются взаимозависимыми параметрами.
При увеличении чувствительности, разрешение, как правило, уменьшается, и наоборот, хотя все остальные факторы обычно остаются при этом неизменными.
Человеческие глаза могут различать электромагнитные волны с длиной волны, находящейся в диапазоне от 390 до 770 нанометров. У видеокамер этот диапазон значительно шире, чем это.Например, есть системы машинного зрения, которые могут видеть в инфракрасной, ультрафиолетовой и рентгеновской областях длин волн.
Машинное зрение используется в различных промышленных и медицинских областях:
- Компонентный анализ
- Идентификация подписи
- Оптическое распознавание символов
- Распознавание почерка
- Распознавание объектов
- Распознавание образов
- Контроль материалов
- Контроль валюты
- Медицинский анализ изображения
Машинное зрение — это применение компьютерного зрения для промышленности и производства.
В то время как компьютерное зрение — это общий набор методов, позволяющих компьютерам видеть, областью интереса машинного зрения, как инженерного направления, являются цифровые устройства ввода-вывода и компьютерные сети, предназначенные для контроля производственного оборудования, таких как роботы-манипуляторы или аппараты для извлечения бракованной продукции. Машинное зрение является подразделом инженерии, связанное с вычислительной техникой, оптикой, машиностроением и промышленной автоматизацией. Одним из наиболее распространенных приложений машинного зрения — инспекции промышленных товаров, таких как полупроводниковые чипы, автомобили, продукты питания и лекарственные препараты. Люди, работавшие на сборочных линиях, осматривали части продукции, делая выводы о качестве исполнения. Системы машинного зрения для этих целей используют цифровые и интеллектуальные камеры, а также программное обеспечение обрабатывающее изображение для выполнения аналогичных проверок.
Системы машинного зрения запрограммированы для выполнения узкоспециализированных задач, таких как подсчет объектов на конвейере, чтение серийных номеров или поиск поверхностных дефектов.
Польза системы визуальной инспекции на основе машинного зрения заключается в высокой скорости работы с увеличением оборота, возможности 24-часовой работы и точности повторяемых измерений. Так же преимущество машин перед людьми заключается в отсутствии утомляемости, болезней или невнимательности.
Тем не менее, люди обладают тонким восприятием в течение короткого периода и большей гибкостью в классификации и адаптации к поиску новых дефектов.
Компьютеры не могут «видеть» таким же образом, как это делает человек.
Фотокамеры не эквивалентны системе зрения человека, и в то время как люди могут опираться на догадки и предположения, системы машинного зрения должны «видеть» путём изучения отдельных пикселей изображения, обрабатывая их и пытаясь сделать выводы с помощью базы знаний и набора функций таких, как устройство распознавания образов. Хотя некоторые алгоритмы машинного зрения были разработаны, чтобы имитировать зрительное восприятие человека, большое количество уникальных методов были разработаны для обработки изображений и определения соответствующих свойств изображения.
Применение машинного зрения
Применение машинного зрения разнообразно, оно охватывает различные области деятельности, включая, но не ограничиваясь следующими:
- Крупное промышленное производство
- Ускоренное производство уникальных продуктов
- Системы безопасности в промышленных условиях
- Контроль предварительно изготовленных объектов (например, контроль качества, исследование допущенных ошибок)
- Системы визуального контроля и управления (учет, считывание штрих-кодов)
- Контроль автоматизированных транспортных средств
- Контроль качества и инспекция продуктов питания
В автомобильной промышленности системы машинного зрения используются в качестве руководства для промышленных роботов, а также для проверки поверхности окрашенного автомобиля, сварных швов, блоков цилиндров и многих других компонентов на наличие дефектов.
Источник: http://neuronus.com/stat/1089-mashinnoe-zrenie.html
Зрение и компьютер
Распространение персональных компьютеров, плазменных панелей телевизоров и мониторов заставляют офтальмологов задумываться о профилактике и снятии компьютерного зрительного синдрома (Computer Vision Syndrome), который часто сочетается с синдромом «сухого глаза».
Зрение человека, сформированное в ходе длительной эволюции, в ХХ веке оказалось мало приспособлено к работе с компьютерным изображением. Картинка экрана отличается от естественной тем, что она самосветящаяся, а не отраженная.
Зрительная нагрузка существенно возрастает из-за необходимости постоянного перемещения взора с экрана монитора на клавиатуру и бумажный текст.
Зачастую невозможность правильно и рационально организовать рабочее место (блики на экране монитора от внешних источников, неправильное расстояние от глаз до экрана, неудачный выбор цветов, чрезмерно большая яркость экрана) усугубляют ситуацию.
Наибольшее общее утомление вызывает работа в диалоговом режиме. Особую нагрузку на зрение представляет собой компьютерная графика — выполнение и корректирование рабочих чертежей с помощью ПК. В группе риска «компьютерного синдрома» — активные пользователи персональных компьютеров в возрасте от 18 до 40 лет.
Симптомы компьютерного зрительного синдрома
Жалобы людей, проводящих большую часть рабочего времени за экраном монитора, можно разделить на две группы:
- оптические
- затуманивание зрения (снижение остроты зрения);
- замедленная перефокусировка с ближних предметов на дальние и обратно (нарушение аккомодации);
- двоение предметов;
- быстрое утомление при чтении.
- физические
- жжение в глазах;
- чувство «песка» под веками;
- боли в области глазниц и лба;
- боли при движении глаз;
- покраснение глазных яблок.
Исследование зрительных функций у людей, в течение нескольких лет работавших за экранами ПК, выявило снижение объема аккомодации по сравнению с возрастной нормой и большую частоту близорукости по сравнению с людьми того же возраста, не связанных с компьютером.
У лиц, предъявлявших вышеописанные жалобы, все эти изменения были выражены более резко.
Исследование влияния самой работы с дисплеем на зрение показало, что за рабочую смену происходит уменьшение объема аккомодации, и у некоторых пользователей развивается временная, «ложная» близорукость.
Рекомендации по борьбе с «компьютерным синдромом»
В современной жизни без компьютера уже не обойтись. Но как из «неизбежного зла» превратить его в действительно полезного помощника?
- Не пренебрегайте посещением офтальмолога, и не занимайтесь самолечением.
- Используйте специальные капли для глаз, замещающие слезу
- Ограничьте время работы за компьютером не более 4 часами в день
- Делайте обязательные паузы во время работы на близком расстоянии через каждые 20-30 минут.
Существуют специальные очки с прогрессивными линзами, в которых зона ясного видения соответствует перемещению взора при работе на различных расстояниях. Применение таких очков у интенсивных пользователей ПК дало снижение зрительного утомления и улучшение показателей аккомодации по сравнению с обычными очками у 85% работников.
При соблюдении перечисленных рекомендаций уменьшается количество ошибок, совершаемых оператором, особенно во второй половине дня, уходят раздражительность и головные боли, улучшается эмоциональное состояние. В очках с компьютерным фильтром комфортно в помещении, освещенном искусственными источниками света, (особенно люминесцентными лампами), т. к.
очки улучшают спектральный состав света, попадающего в глаза. В них комфортно на улице, в пасмурную погоду — видно четче и контрастнее, а в солнечный день они не пропускают в глаза очень активную коротковолновую часть спектра. Таким образом, очки с компьютерным фильтром могут быть рекомендованы для постоянного ношения.
А это очень важно, ибо более 50% компьютерщиков — люди в очках.
Зрение и компьютер
Оценка статьи: 4.8/5 (28 оценок)
Источник: https://www.excimerclinic.ru/press/compzren/
Компьютерное зрение: как работают системы распознавания лиц
Видеть – значит понимать увиденное. Мы слепы, если в нашем мозгу не работают зрительные зоны неокортекса – своеобразного биокомпьютера, ответственного за распознавание образов. Сейчас подобные анализаторы, способные узнавать лица и понимать их выражение, появляются у искусственных систем.
Итак, вещи обретают зрение, а у зрения есть собственный разум. Сначала мне кажется, что он туповат: только что включенная система распознавания лиц LUNA не торопится войти в штатный режим и запомнить меня.
Но вот наконец она рапортует, что запомнила, и просит ввести имя. Пол и возраст LUNA может определить сама. С полом легко: у меня борода, а вот возраст система завысила на пять лет – видимо, из-за той же бороды.
Теперь камера узнает меня, даже если я снимаю очки или поворачиваю голову. Приходится попробовать средство посерьезней – мы направляемся к шкафу с париками и накладными усами. Я выбираю густые кудри, скрывающие к тому же пол-лица, – LUNA все равно узнает меня.
Наигравшись с париками, мы открываем ICQ и начинаем развлекаться с масками для видеозвонков: на мое цифровое лицо в реальном времени накладываются маски – можно неузнанным общаться в видеочате.
Следующий номер нашей программы – Face.DJ. Это приложение строит 3D-модель лица по селфи, а потом “надевает” это лицо на виртуальную голову, чтобы вы могли примерять прически и аксессуары. Другое назначение приложения – анимировать пользователя, создать его мультяшную копию для игр и прочих онлайн-занятий.
Какие термины помогут ориентироваться в мире больших данных
– Мы готовим такое же приложение для сервиса знакомств: люди при первом контакте часто не хотят раскрываться, – рассказывает Юля, пиарщик компании VisionLabs, разработавшей LUNA. – Некоторые надевают маски, чтобы добавить в романтическое общение элемент игры.
У кросс-платформенной системы LUNA тоже много масок. Есть приложение в мессенджере Telegram, которое распознает пол и возраст по лицу, есть LUNA в облаке и LUNA для браузера. Но главное – эту программу можно внедрять в самые разные технологические продукты, чтобы использовать для распознавания лиц.
– Например, одному из наших клиентов нужно выбирать фотографии – так называемый bestshot из видеопотока. Так вот, наша программа справляется с этим сама. Другому клиенту нужно, чтобы система распознавала лицо не только при входе в интернет-банк, но и на протяжении всего сеанса, потому что вы можете отойти, а вашим доступом воспользуется злоумышленник. С этой задачей мы тоже справились.
Главные клиенты VisionLabs – банки. Например, в “Почта Банке” системой LUNA оборудованы 50 тысяч рабочих мест – это самое большое внедрение биометрии в мире. Важно распознавать и лица клиентов, чтобы сравнивать фотографии в паспортах с фото в базе данных. Ведь самое распространенное мошенничество в этой сфере – вклейка своего фото в чужой паспорт для получения кредита.
Как видят машины
К нам подходит Александр Ханин, директор VisionLabs.
Расскажите о компьютерном зрении?
Александр Ханин: Компьютерное зрение – это область прикладной математики, которая по сложности эквивалентна задаче создания искусственного интеллекта в целом. Визуальный канал основной для получения информации об окружающем мире. И доверяем мы увиденному своими глазами больше, чем другим источникам.
Наша задача – научить программу по фотографии или видео делать выводы и понимать картинку так же, как человек. Или даже лучше. Вот когда машина сравняется с человеком в этом умении, можно будет считать, что задача решена. Пока же она решена лишь для некоторых узких прикладных областей. Например, для распознавания дефектов оборудования или распознавания лиц.
Задача распознавания лиц решена?
Александр Ханин: Да, уже сейчас достоверно показано, что машина различает лица лучше нас. И точнее, и быстрее. Человек не очень хорошо определяет возраст, национальность. Тот, кто живет в Европе, хуже различает лица людей с азиатской внешностью, и наоборот. Еще мы забывчивы. В довершение всего машина делает это в десятки миллионов раз быстрее.
Зато человек анализирует не отдельные параметры, а лицо и даже ситуацию в целом. Мы понимаем контекст, в котором лицо собеседника принимает то или иное выражение. Как машина со всем этим справляется?
Александр Ханин: Сочетая лучшие методики компьютерного зрения и машинного обучения. Взять, например, метод глубокого обучения – его особенность в том, что человек не задает параметры лица для распознавания.
Как освоить самую нужную профессию настоящего и ближайшего будущего
Нейросеть программирует сама себя?
Александр Ханин: Нейросети появились еще в 1970-х, а революция в этой области началась примерно в 2013-2014-м.
Потому что только к этому времени удалось накопить достаточно большие объемы данных, чтобы учить нейросети, а вычислительные мощности стали относительно дешевыми.
Продолжать разрабатывать детерминированные методы распознавания – указывать, какие части лица как сравнивать, – стало бессмысленно.
Прорыв произошел, когда отказались от заданных параметров, например от ключевых точек на лице. Вместо этого машине поставили задачу: “Смотри, вот десять тысяч пар фотографий, каждая пара – один человек. Проанализируй их, чтобы суметь определить на фото, которые ты пока не видишь, где один человек, а где разные”. Машина сама находит параметры, которые важны для решения этой задачи.
Вы именно так обучали свою систему?
Александр Ханин: Ну да, это типичная задача идентификации – сравнить фотографию, сделанную сейчас, с фото в паспорте и подтвердить, что это один и тот же человек.
Мы давали машине на вход большие данные – миллионы пар фотографий, а на выходе требовали правильного ответа для любых фотопортретов. И система училась – сама настраивала параметры так, чтобы минимизировать ошибки.
То есть для глубокого обучения сначала надо найти обучающую выборку – много примеров правильных решений. Потом программа работает уже сама.
Где же вы взяли эти миллионы пар фотографий?
Александр Ханин: Есть доступные обучающие выборки для исследователей – сначала мы использовали их, а дальше уже работали с партнерами и клиентами, которые разрешили продолжить обучение на их данных.
Как преуспеть на рынке
Задача распознавания людей по лицу решена. А как обстоит дело с определением эмоций?
Александр Ханин: Как, например, в африканских странах люди миновали стадию телеграфа и сразу перешли на мобильную сеть, так и мы, не решая задачу распознавания эмоций, сразу перешли на более высокий уровень – к выводам о важных для наших клиентов характеристиках человека. Бизнес показывает: от того, что машина распознает, улыбается человек или нахмурен, пользы никакой. Нужны более серьезные умения.
Распознавать ложь, например?
Александр Ханин: Да. Или определять, соответствует кандидат вашим требованиям или нет. Удовлетворен клиент обслуживанием или нет – улыбка ведь может выражать не только радость, но и насмешку и скрытое недовольство. Поэтому само по себе распознавание эмоций – это подзадача. Мы изучаем лицо в динамике, последовательность реакций на вопросы, обслуживание, обстановку.
Нейроинтерфейсы: Как управлять миром силой мысли
Есть ли в мире инновационные продукты, на которые вы ориентируетесь?
Александр Ханин: Мы сами на переднем фланге. Медицинский факт, что наш продукт – первая в мире комплексная система распознавания лиц для банков и ретейла, которая работает и в мобильном телефоне, и на сайте, и в отделениях, и в банкоматах, и в терминалах самообслуживания – везде. Мы не только первые, но пока, насколько я знаю, единственные.
В каких-то терминалах самообслуживания уже установлена система распознавания лиц?
Александр Ханин: Да, например, в банке “Открытие” – в терминалах электронной очереди. И это не пилотные проекты, а такие, которые работают и удовлетворяют заказчиков в реальных условиях.
Чувствуете, как конкуренты дышат в спину?
Александр Ханин: Пилотных проектов в близких к нам областях много. Компаний, которые занимаются распознаванием лиц, только в России десятки, в Китае – около сотни, в мире – больше тысячи. Поэтому я и говорю, что сама по себе задача распознавания лиц решена, – во всяком случае для большинства сегментов и практических задач.
Для успеха на рынке важны не технологии. Большинству клиентов плевать, какая у нас технология и как именно мы решаем задачу, допустим, по ускорению обслуживания в банке или магазине, – с помощью распознавания лиц, прогноза погоды или черной магии. Им важно, чтобы был результат.
Распознать всех!
Какие задачи еще не решены, но будут – в обозримой перспективе? Над чем работают специалисты?
Александр Ханин: Одна из важнейших нерешенных задач – распознавание лиц в полностью неконтролируемой обстановке, например в толпе. Многие говорят, что умеют это делать, но по факту ничего такого пока не внедрили. Видимо, напрасно говорят.
Разве узнавать случайных людей по лицам не запрещено законом? Это ведь использование персональных данных.
Александр Ханин: Бизнесу запрещено, конечно. Это нарушение прав человека и вмешательство в частную жизнь. Вообще, технологии сейчас позволяют сделать гораздо больше, чем разрешает законодательство. Но мы работаем только в белой зоне – в полном соответствии с законом.
Для нас важно не нарушать права людей. Мы не имеем права использовать без согласия человека его данные из соцсетей и поэтому не станем делать, например, для магазина систему, которая ищет информацию о клиенте по его фотографии.
Но мы можем разработать программу, которая будет приблизительно оценивать пол и возраст покупателей по фото.
Открытия, которые уже начали менять мир
Наша компания работает только с бизнесом, а вот у служб национальной безопасности есть системы, которые ищут людей по фотографии.
То есть ФСБ можно, а обычным людям нельзя?
Александр Ханин: Да. Если спецслужба хочет найти террориста в толпе, ей нужно сканировать и распознать всех. А если человек зашел в магазин и программа по фотографии нашла его аккаунт в соцсети, узнала телефон и начала рассылать спам, это очень серьезное нарушение. На Западе за это предусмотрена уголовная ответственность.
В аэропортах уже есть системы распознавания лиц?
Александр Ханин: Да, в основном на паспортном контроле – они проверяют, ваш ли это паспорт, не поддельный ли и не числитесь ли вы в списке заблокированных или в федеральном розыске.
За рубежом степень автоматизации значительно выше. В аэропортах Сингапура, Лондона, Парижа паспортный контроль можно проходить автоматически, без участия сотрудников.
Вы сканируете свой паспорт, вас фотографируют, происходит сверка – и все, можно идти дальше.
Угадай, что на картинке
Как будет развиваться компьютерное зрение?
Александр Ханин: Есть большая группа задач, именуемых visual question answering: вы показываете компьютеру картинку, и он должен понять, что там изображено. Это очень сложно: если просто учить распознавать объекты по отдельности, ничего не получится – надо понимать контекст и взаимосвязь объектов.
Другая похожая задача – распознавание действий человека, они ведь тоже определяются во многом по контексту. Например, если человек поднял руку, что это значит? Он указывает дорогу или собирается кого-то ударить? Вот сидим, думаем.
То есть вы хотите научить машины распознавать образы, смысл которых зависит от контекста?
Александр Ханин: Научить интерпретировать контекст и таким образом распознавать картинки, действия, сцены.
Когда роботы прозреют
Что будет дальше, лет через десять?
Александр Ханин: Хотелось бы, чтоб разработку компьютерного зрения довели до конца. Тогда у роботов появятся настоящие глаза, а значит, возможность понимать происходящее и адекватно реагировать. Иначе они не станут частью общества, а так и будут игрушками с пультами управления.
Как системы, распознающие лица, изменят нашу жизнь в ближайшие годы?
Александр Ханин: Вы совершенно точно заметите работу таких систем при авторизации – например, когда будете разблокировать телефон.
Многие уже привыкли к Touch ID, но скоро самым распространенным способом станет вхождение в систему по лицу. Приходя домой, вы не будете искать ключи, на работе вам не понадобится пропуск.
Ускорится обслуживание и самообслуживание в банках, магазинах, во всей сфере услуг: расчеты будут происходить без карточек.
На улицах станет безопаснее, потому что появится видеонаблюдение с функциями отслеживания. Города и страны получат дополнительную защиту, а возмездие за преступление станет неизбежным.
Система будет фиксировать все: кто и где это сделал, куда потом пошел.
На смену понятию “безопасный город” придет “умный город”: одна и та же инфраструктура будет обеспечивать безопасность и, например, управление потоками людей и машин, а также много чего другого.
Какие рабочие места человек уступит искусственному интеллекту
Одна и та же система установленных повсюду камер и компьютерного зрения?
Александр Ханин: Да, алгоритму без разницы, кого распознавать: вип-клиента или воришку. Лица у всех устроены одинаково: глаза, рот и нос. Но дело не только в лицах. Эта же система может заняться, скажем, регулированием освещения. Если в помещении нет людей, зачем жечь электричество? Машина вызовет коммунальные службы, если зафиксирует неполадки, и так далее.
Жить в мире, где все на виду, страшновато. Технически все проще становится построить антиутопию, где за всеми ведется тотальная слежка…
Александр Ханин: Я думаю, в итоге мир станет лучше и намного безопаснее. Но обманывать будет труднее. Например, мы с партнерами недавно разработали продукт, который не только дает доступ в рабочее помещение, но и учитывает проведенное там время: пришли во столько-то, ушли во столько. Прогуляли, опоздали, не вернулись с обеда – все будет зафиксировано.
И никак нельзя будет от этого спрятаться? Наверняка появятся маски с чужим лицом.
Александр Ханин: Безусловно, есть масса способов обмануть систему, и в этой области “гонка вооружений” только начинается. Был такой видеоролик, где учили делать макияж, препятствующий распознаванию. Но то было года три назад – нынешние алгоритмы так просто не проведешь.
А если вместо лица показывать фотографию?
Александр Ханин: Чтобы вычислить мошенников, в системах распознавания лиц программируют специальный “детектор живости” (lifeness detector), который определяет, человек перед ним или фотография. Показателей живости несколько.
Самый простой, который считается мировым стандартом, – это моргание. Еще система может попросить человека улыбнуться, повернуть голову, приблизиться к камере, чтобы убедиться, что он реальный.
Но если камера оснащена сенсором глубины, это не требуется: машина сразу понимает, что в кадре объемный объект, а не фото.
Кто еще в лидерах
Распознавание лиц – это не только наука и технология, но и большой бизнес, который в развитых странах растет огромными темпами. Исследовательская компания Allied Market Research прогнозирует, что к 2022 году его оборот составит почти десять миллиардов долларов. Среди ведущих игроков есть и российские. Из десятков стартапов и исследовательских проектов мы выделили три самых успешных.
Как беспилотные автомобили будут решать вопросы жизни и смерти
NTechLab.
Источник: https://rg.ru/2017/10/06/kompiuternoe-zrenie-kak-rabotaiut-sistemy-raspoznavaniia-lic.html
Загрузка...
