Curso de Visão Computacional para Veículos Autônomos

Este treinamento prático, conduzido por um instrutor, em Brasil (online ou presencial), é voltado para engenheiros de robótica e pesquisadores de IA de nível avançado que desejam implementar algoritmos sofisticados de planejamento de trajetória para aprimorar o desempenho de veículos autônomos.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender os fundamentos teóricos de algoritmos avançados de planejamento de trajetória.
• Implementar algoritmos como RRT*, A* e D* para navegação em tempo real.
• Otimizar o planejamento de trajetória para evitar obstáculos e operar em ambientes dinâmicos.
• Integrar algoritmos de planejamento de trajetória com dados de sensores para maior precisão.
• Avaliar o desempenho de vários algoritmos em cenários práticos.

Esta formação ao vivo, liderada por um instrutor em Brasil (online ou presencial), é direcionada a cientistas de dados avançados, especialistas em IA e desenvolvedores de IA automotiva que desejam construir, treinar e otimizar modelos de IA para aplicações de veículos autônomos.

Ao final desta formação, os participantes serão capazes de:

• Compreender os fundamentos de IA e aprendizado profundo no contexto de veículos autônomos.
• Implementar técnicas de visão computacional para detecção de objetos em tempo real e acompanhamento de faixas.
• Utilizar aprendizado por reforço para tomada de decisões em sistemas de veículos autônomos.
• Integrar técnicas de fusão de sensores para melhor percepção e navegação.
• Construir modelos de aprendizado profundo para prever e analisar cenários de direção.

Este treinamento prático, liderado por um instrutor (online ou presencial), é direcionado a engenheiros de segurança avançados e profissionais de segurança automotiva que desejam desenvolver estratégias de segurança abrangentes para veículos autônomos, incluindo análise de riscos, avaliações de segurança funcional e conformidade com os padrões internacionais.

Ao concluir este treinamento, os participantes serão capazes de:

• Identificar e avaliar os riscos de segurança associados aos sistemas de direção autônoma.
• Realizar análise de riscos e avaliação de riscos usando os padrões da indústria.
• Implementar métodos de validação e verificação de segurança para sistemas de AV.
• Aplicar padrões de segurança funcional, como ISO 26262 e SOTIF.
• Desenvolver estratégias de mitigação de riscos para os desafios de segurança de AV.

Esta formação ao vivo e conduzida por instrutor em Brasil (online ou presencial) é destinada a profissionais de nível iniciante da força policial que desejam migrar do esboço manual facial para o uso de ferramentas de inteligência artificial na criação de sistemas de reconhecimento facial.

Ao final desta formação, os participantes serão capazes de:

• Compreender os fundamentos de Inteligência Artificial e Aprendizado de Máquina.
• Conhecer as bases do processamento digital de imagens e sua aplicação no reconhecimento facial.
• Desenvolver habilidades no uso de ferramentas e frameworks de IA para criar modelos de reconhecimento facial.
• Obter experiência prática na criação, treinamento e teste de sistemas de reconhecimento facial.
• Compreender as considerações éticas e melhores práticas no uso da tecnologia de reconhecimento facial.

O Fiji é um pacote de processamento de imagens de código aberto que agrupa o ImageJ (um programa de processamento de imagens para imagens multidimensionais científicas) e vários plugins para análise de imagens científicas.

Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como usar a distribuição Fiji e seu programa ImageJ subjacente para criar um aplicativo de análise de imagem.

Ao final deste treinamento, os participantes serão capazes de:

• Usar os recursos avançados de programação e os componentes de software do Fiji para estender o ImageJ
• costurar grandes imagens 3d a partir de telhas sobrepostas
• Atualizar automaticamente uma instalação do Fiji na inicialização usando o sistema de atualização integrado
• Selecionar de entre uma vasta seleção de linguagens de scripting para criar soluções de análise de imagem personalizadas
• Utilizar as poderosas bibliotecas do Fiji, como a ImgLib, em grandes conjuntos de dados de bioimagens
• Implementar a sua aplicação e colaborar com outros cientistas em projectos semelhantes

Formato do curso

• Palestra interactiva e discussão.
• Muitos exercícios e prática.
• Implementação prática num ambiente de laboratório ao vivo.

Opções de personalização do curso

• Para solicitar uma formação personalizada para este curso, por favor contacte-nos para combinar.

Esta formação presencial (online ou no local) é dirigida a pesquisadores e profissionais de laboratório de nível iniciante a intermediário que desejam processar e analisar imagens relacionadas a tecidos histológicos, células sanguíneas, algas e outros tipos de amostras biológicas.

Ao final desta formação, os participantes serão capazes de:

• Navegar na interface do Fiji e utilizar as funções principais do ImageJ.
• Pré-processar e melhorar imagens científicas para uma análise mais eficaz.
• Analisar imagens de forma quantitativa, incluindo contagem de células e medição de área.
• Automatizar tarefas repetitivas usando macros e plugins.
• Personalizar fluxos de trabalho para necessidades específicas de análise de imagens em pesquisa biológica.

Este treinamento prático, ministrado por um instrutor, em Brasil (online ou presencial) é destinado a especialistas avançados em fusão de sensores e engenheiros de IA que desejam desenvolver algoritmos de fusão multi-sensor e otimizar a navegação em tempo real em sistemas autônomos.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender os fundamentos e os desafios da fusão de dados multi-sensor.
• Implementar algoritmos de fusão de sensores para navegação autônoma em tempo real.
• Integrar dados de LiDAR, câmeras e RADAR para aprimoramento da percepção.
• Analisar e avaliar o desempenho do sistema de fusão em diversas condições.
• Desenvolver soluções práticas para redução de ruído de sensores e alinhamento de dados.

OpenCV (Open Source Computer Vision Library: http://opencv.org) é uma biblioteca de código aberto licenciada pela BSD que inclui várias centenas de algoritmos de visão por computador.

Público alvo

Este curso destina-se a engenheiros e arquitectos que pretendam utilizar OpenCV em projectos de visão por computador

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a engenheiros de software que desejam programar em Python com OpenCV 4 para aprendizado profundo.

Ao final deste treinamento, os participantes serão capazes de:

• Visualizar, carregar e classificar imagens e vídeos usando OpenCV 4.
• Implementar o aprendizado profundo em OpenCV 4 com TensorFlow e Keras.
• Execute modelos de aprendizado profundo e gere relatórios impactantes a partir de imagens e vídeos.

O OpenFace é um software de reconhecimento facial em tempo real, de código aberto, baseado na pesquisa FaceNet da Google.

Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão como usar os componentes do OpenFace para criar e implantar um aplicativo de reconhecimento facial de amostra.

No final deste treinamento, os participantes serão capazes de:

• Trabalhar com os componentes do OpenFace, incluindo dlib, OpenVC, Torch e nn4 para implementar a deteção, o alinhamento e a transformação de faces
• Aplicar o OpenFace a aplicativos do mundo real, como vigilância, verificação de identidade, realidade virtual, jogos e identificação de clientes repetidos, etc.

Público-alvo

• Programadores
• Cientistas de dados

Formato do curso

• Parte palestra, parte discussão, exercícios e prática prática pesada

Pattern Matching é uma técnica utilizada para localizar padrões específicos numa imagem. Pode ser utilizada para determinar a existência de caraterísticas específicas numa imagem capturada, por exemplo, a etiqueta esperada num produto defeituoso numa linha de produção ou as dimensões especificadas de um componente. É diferente de "Pattern Recognition" (que reconhece padrões gerais com base em colecções maiores de amostras relacionadas) na medida em que dita especificamente o que estamos à procura e depois diz-nos se o padrão esperado existe ou não.

Formato do curso

• Este curso apresenta as abordagens, tecnologias e algoritmos utilizados no campo da correspondência de padrões, uma vez que se aplica a Machine Vision.

Este treinamento ao vivo, conduzido por instrutor, apresenta o software, o hardware e o processo passo a passo necessário para construir um sistema de reconhecimento facial a partir do zero. O reconhecimento facial também é conhecido como Face Recognition.

O hardware utilizado neste laboratório inclui Rasberry Pi, um módulo de câmara, servos (opcional), etc. Os participantes são responsáveis pela aquisição destes componentes. O software utilizado inclui OpenCV, Linux, Python, etc.

No final desta formação, os participantes serão capazes de:

• Instalar Linux, OpenCV e outros utilitários e bibliotecas de software num Rasberry Pi.
• Configurar OpenCV para capturar e detetar imagens faciais.
• Compreender as várias opções para empacotar um sistema Rasberry Pi para uso em ambientes do mundo real.
• Adaptar o sistema para uma variedade de casos de uso, incluindo vigilância, verificação de identidade, etc.

Formato do curso

• Parte expositiva, parte de discussão, exercícios e muita prática prática

Nota

• Outras opções de hardware e software incluem: Arduino, OpenFace, Windows, etc. Se pretender utilizar qualquer uma destas opções, contacte-nos para combinarmos.

Esta formação ao vivo, ministrada por um instrutor em Brasil (online ou presencial), é direcionada a profissionais de nível intermediário que desejam usar o Vision Builder AI para projetar, implementar e otimizar sistemas de inspeção automatizados para processos SMT (Surface-Mount Technology).

No final desta formação, os participantes serão capazes de:

• Configurar e configurar inspeções automatizadas usando o Vision Builder AI.
• Obter e pré-processar imagens de alta qualidade para análise.
• Implementar decisões baseadas em lógica para detecção de defeitos e validação do processo.
• Gerar relatórios de inspeção e otimizar o desempenho do sistema.