電腦視覺新創公司解決車輛檢查作業裡的關鍵安全漏洞

作者 Tony Kontzer

多年前 Amir Hever 開車進入一處政府機構,發現該機構的安全流程存在著巨大疏失。當他接近入口處,一名保全人員跪下來查看車底。

電腦視覺新創公司 UVeye 的執行長暨共同創辦人 Hever 說:「那名保全人員站起身時,我問他想找些什麼。保安人員坦誠回答說他在找有危險性的東西,但其實什麼都看不到。那時我覺得事情不太對勁。」

Hever 組織了一支團隊,開始研究這個問題及可能的解決辦法。他在2016年成立了 UVeye,打造出一套使用深度學習來彌補安全缺口的車底檢查系統。

總公司位於紐約的 UVeye,多數工作都集中在研究各種車輛底盤上,當然還要研究在道路上行駛數千英里後發生的變化。Hever 跟他的團隊明白辨識車輛底盤的異常情況其實有難度。

「我們不知道要找些什麼,底盤上的危險物品又沒有統一標準,加上通常也看不到威脅。」Hever說。

得拿到更多圖樣

 

UVeye 很快便明白只有汽車製造商提供的底盤圖一點都不夠,在車輛行駛數千英里後,底盤並不會像剛離開組裝線時那般完美。答案就是開發一種無監督學習演算法,才能找出威脅,不管這些危險物品藏的有多好,或是車輛底盤的狀況如何。

該公司租了數百輛條件各異的車輛,並掃描每輛車的底盤,生成 2D 平面圖像及 3D 立體模型。再將這些資料輸入到該公司的深度學習模型,繪製出所有零件的位置(分段),接著個別分析各段並找出其中的異常之處。

這使得 UVeye 能檢測出這些零件的任何變化或異常,或者是否有著 USB 隨身碟一般的小型異物;還能辨識出大塊的雪或泥是否看起來很自然,還是用來遮掩某些東西的偽裝。

UVeye 使用運行多具 NVIDIA GeForce GTX 1080 GPU 的工作站來訓練模型,後來改採用 Amazon Web Services 或 Microsoft Azure 上運行的雲端 GPU 來提升工作站的能力,或是加快訓練過程。

Hever 表示使用 GPU 及 CUDA 平行運算模型,大幅加快了該公司的訓練與開發流程,以及提升系統產生結果的能力。

UVeye 的第一個產品線能協助客戶自動掃描、檢測及辨識任何車輛底盤的異常、調整或異物。UVeye 已在全球三十多處安裝這套系統,將系統安裝在地面上,掃描通過上方的車輛,為驗證系統效果提供了豐富的測試資料。

Hever 表示:「我們的機器學習演算法可以在三秒鐘裡,檢測到任何行駛中車輛的異常情況。GPU 讓我們能做到這件事。」

檢查即服務

 

如今 UVeye 將為汽車業的檢測作業帶來革命性的改變。該公司系統的其它應用方式專注於安全上,國土安全意謂著這項技術有著龐大市場。

Hever說:「市場上需要一套能自動檢測車輛外部異常、變化及凹痕,還有追蹤長期變化的系統,這項商機十分龐大。」

UVeye 還利用其演算法來分析底盤以外的其它零件,並且從各側檢查車輛。

「UVeye 的360度系統可以檢測車輛是否出現漏油、磨損,以及各種機械問題或損壞情況。」Hever 說。

從車輛銷售和租賃,再到車隊管理和維護,Hever 見到 UVeye「檢測即服務」的模式有著無限商機,確保車輛安全可靠行駛。

Hever 說:「我們將改變人們及組織檢查車輛的方式。」