Kursus Pelatihan Komputer Vision untuk Pengemudian Otonom

Pelatihan langsung yang dipandu oleh instruktur ini, dalam format Indonesia (online atau onsite), ditujukan bagi para insinyur robotika tingkat lanjut dan peneliti AI yang ingin mengimplementasikan algoritma perencanaan jalur yang canggih untuk meningkatkan kinerja kendaraan otonom.

Di akhir pelatihan ini, peserta akan dapat:

• Memahami dasar-dasar teoritis dari algoritma perencanaan jalur tingkat lanjut.
• Mengimplementasikan algoritma seperti RRT*, A*, dan D* untuk navigasi real-time.
• Mengoptimalkan perencanaan jalur untuk penghindaran rintangan dan lingkungan dinamis.
• Mengintegrasikan algoritma perencanaan jalur dengan data sensor untuk meningkatkan akurasi.
• Mengevaluasi kinerja berbagai algoritma dalam skenario praktis.

Pelatihan ini yang diketuai instruktur secara langsung (online atau tatap muka) ditujukan untuk para ilmuwan data tingkat lanjut, ahli AI, dan pengembang AI otomotif yang ingin membangun, melatih, dan mengoptimalkan model AI untuk aplikasi kendaraan berdiri sendiri.

Pada akhir pelatihan ini, peserta akan mampu:

• Memahami dasar-dasar AI dan deep learning dalam konteks kendaraan berdiri sendiri.
• Menerapkan teknik komputer vision untuk deteksi objek real-time dan pemantauan jalur.
• Menggunakan reinforcement learning untuk pengambilan keputusan dalam sistem kendaraan berdiri sendiri.
• Mengintegrasikan teknik sensor fusion untuk percepsi dan navigasi yang lebih baik.
• Membangun model deep learning untuk memprediksi dan menganalisis skenario berjalan.

Pelatihan langsung yang dipimpin oleh instruktur ini, dalam Indonesia (online atau onsite), ditujukan bagi insinyur keselamatan tingkat lanjut dan profesional keselamatan otomotif yang ingin mengembangkan strategi keselamatan komprehensif untuk kendaraan otonom, termasuk analisis bahaya, penilaian keselamatan fungsional, dan kepatuhan terhadap standar internasional.

Pada akhir pelatihan ini, peserta akan dapat:

• Mengidentifikasi dan menilai risiko keselamatan yang terkait dengan sistem mengemudi otonom.
• Melakukan analisis bahaya dan penilaian risiko menggunakan standar industri.
• Menerapkan metode validasi dan verifikasi keselamatan untuk sistem AV.
• Menerapkan standar keselamatan fungsional, seperti ISO 26262 dan SOTIF.
• Mengembangkan strategi mitigasi risiko untuk tantangan keselamatan AV.

Ini adalah pelatihan online langsung atau pelatihan langsung tatap muka yang dipimpin instruktur dan ditujukan untuk personel pengawasan hukum tingkat pemula yang ingin beralih dari menggambar wajah secara manual ke penggunaan alat AI untuk mengembangkan sistem pengenalan wajah.

Di akhir pelatihan ini, peserta akan mampu:

• Memahami dasar-dasar Kecerdasan Buatan dan Belajar Mesin.
• Belajar dasar pemrosesan gambar digital dan aplikasinya dalam pengenalan wajah.
• Mengembangkan keterampilan dalam menggunakan alat dan kerangka kerja AI untuk membuat model pengenalan wajah.
• Mendapatkan pengalaman tangan pertama dalam membuat, melatih, dan menguji sistem pengenalan wajah.
• Memahami pertimbangan etis dan praktik terbaik dalam penggunaan teknologi pengenalan wajah.

Fiji adalah paket pemrosesan gambar sumber terbuka yang menggabungkan ImageJ (program pemrosesan gambar untuk gambar multidimensi ilmiah) dan sejumlah plugin untuk analisis gambar ilmiah.

Dalam pelatihan langsung yang dipandu instruktur ini, peserta akan mempelajari cara menggunakan distribusi Fiji dan program ImageJ yang mendasarinya untuk membuat aplikasi analisis gambar.

Pada akhir pelatihan ini, peserta akan dapat:

• Gunakan fitur pemrograman tingkat lanjut dan komponen perangkat lunak Fiji untuk memperluas ImageJ
• Jahit gambar 3D besar dari ubin yang tumpang tindih
• Perbarui instalasi Fiji secara otomatis saat memulai menggunakan sistem pembaruan terintegrasi
• Pilih dari berbagai pilihan bahasa skrip untuk membangun solusi analisis gambar khusus
• Gunakan pustaka Fiji yang canggih, seperti ImgLib pada kumpulan data bioimage yang besar
• Menerapkan aplikasi mereka dan berkolaborasi dengan ilmuwan lain pada proyek serupa

Format Kursus

• Kuliah dan diskusi interaktif.
• Banyak latihan dan praktik.
• Implementasi langsung di lingkungan lab langsung.

Opsi Kustomisasi Kursus

• Untuk meminta pelatihan khusus untuk kursus ini, silakan hubungi kami untuk mengaturnya.

Pelatihan langsung yang dipandu instruktur di Indonesia (online atau tatap muka) ini ditujukan untuk peneliti dan profesional laboratorium tingkat pemula hingga menengah yang ingin memproses dan menganalisis gambar terkait jaringan histologis, sel darah, alga, dan sampel biologis lainnya.

Setelah mengikuti pelatihan ini, peserta akan dapat:

• Menavigasi antarmuka Fiji dan menggunakan fungsi inti ImageJ.
• Memproses dan meningkatkan gambar ilmiah untuk analisis yang lebih baik.
• Menganalisis gambar secara kuantitatif, termasuk pengehitungan sel dan pengukuran area.
• Mengotomatisasi tugas repetitif menggunakan makro dan plugin.
• Menyesuaikan alur kerja untuk kebutuhan analisis gambar tertentu dalam penelitian biologi.

Pelatihan langsung yang dipandu instruktur ini, di Indonesia (online atau onsite), ditujukan bagi spesialis fusi sensor tingkat lanjut dan insinyur AI yang ingin mengembangkan algoritma fusi multi-sensor dan mengoptimalkan navigasi real-time dalam sistem otonom.

Pada akhir pelatihan ini, peserta akan mampu:

• Memahami fundamental dan tantangan fusi data multi-sensor.
• Mengimplementasikan algoritma fusi sensor untuk navigasi otonom real-time.
• Mengintegrasikan data dari LiDAR, kamera, dan RADAR untuk peningkatan persepsi.
• Menganalisis dan mengevaluasi kinerja sistem fusi dalam berbagai kondisi.
• Mengembangkan solusi praktis untuk pengurangan noise sensor dan penyelarasan data.

OpenCV (Open Source Computer Vision Library: http://opencv.org) adalah library berlisensi BSD open-source yang mencakup beberapa ratus algoritma visi komputer.

Hadirin

Kursus ini ditujukan untuk para insinyur dan arsitek yang ingin memanfaatkan OpenCV untuk proyek visi komputer

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di lokasi) ditujukan untuk insinyur perangkat lunak yang ingin memprogram dalam Python dengan OpenCV 4 untuk pembelajaran mendalam.

Pada akhir pelatihan ini, peserta akan mampu:

• Melihat, memuat, dan mengklasifikasikan gambar dan video menggunakan OpenCV 4.
• Terapkan pembelajaran mendalam di OpenCV 4 dengan TensorFlow dan Keras.
• Jalankan model pembelajaran mendalam dan hasilkan laporan yang berdampak dari gambar dan video.

OpenFace adalah Python dan Torch perangkat lunak pengenalan wajah real-time berbasis open-source yang didasarkan pada penelitian FaceNet milik Google.

Dalam pelatihan langsung yang dipandu instruktur ini, peserta akan mempelajari cara menggunakan komponen OpenFace untuk membuat dan menerapkan contoh aplikasi pengenalan wajah.

Pada akhir pelatihan ini, peserta akan dapat:

• Bekerja dengan komponen OpenFace, termasuk dlib, OpenVC, Torch, dan nn4 untuk mengimplementasikan deteksi wajah, penyelarasan, dan transformasi
• Terapkan OpenFace ke aplikasi dunia nyata seperti pengawasan, verifikasi identitas, realitas virtual, permainan, dan mengidentifikasi pelanggan tetap, dll.

Hadirin

• Pengembang
• Ilmuwan data

Format kursus

• Sebagian kuliah, sebagian diskusi, latihan dan praktik langsung yang berat

Pattern Matching adalah teknik yang digunakan untuk menemukan pola tertentu dalam sebuah gambar. Teknik ini dapat digunakan untuk menentukan keberadaan karakteristik tertentu dalam gambar yang diambil, misalnya label yang diharapkan pada produk cacat di jalur produksi pabrik atau dimensi komponen tertentu. Teknik ini berbeda dari "Pattern Recognition" (yang mengenali pola umum berdasarkan kumpulan sampel terkait yang lebih besar) karena teknik ini secara spesifik mendiktekan apa yang kita cari, lalu memberi tahu kita apakah pola yang diharapkan itu ada atau tidak.

Format Kursus

• Kursus ini memperkenalkan pendekatan, teknologi, dan algoritma yang digunakan dalam bidang pencocokan pola sebagaimana diterapkan pada Machine Vision.

Pelatihan langsung yang dipandu instruktur ini memperkenalkan perangkat lunak, perangkat keras, dan proses langkah demi langkah yang diperlukan untuk membangun sistem pengenalan wajah dari awal. Pengenalan Wajah juga dikenal sebagai Face Recognition.

Perangkat keras yang digunakan dalam lab ini meliputi Rasberry Pi, modul kamera, servo (opsional), dll. Peserta bertanggung jawab untuk membeli sendiri komponen-komponen ini. Perangkat lunak yang digunakan meliputi OpenCV, Linux, Python, dll.

Pada akhir pelatihan ini, peserta akan dapat:

• Instal Linux, OpenCV dan utilitas perangkat lunak serta pustaka lainnya di Rasberry Pi.
• Konfigurasikan OpenCV untuk menangkap dan mendeteksi gambar wajah.
• Pahami berbagai pilihan untuk mengemas sistem Rasberry Pi untuk digunakan di lingkungan dunia nyata.
• Sesuaikan sistem untuk berbagai kasus penggunaan, termasuk pengawasan, verifikasi identitas, dll.

Format kursus

• Sebagian kuliah, sebagian diskusi, latihan dan praktik langsung yang berat

Catatan

• Pilihan perangkat keras dan perangkat lunak lainnya meliputi: Arduino, OpenFace, Windows, dll. Jika Anda ingin menggunakan salah satu di antaranya, silakan hubungi kami untuk mengaturnya.

Pelatihan langsung yang dipimpin instruktur di Indonesia (daring atau tatap muka) ini ditujukan untuk profesional level menengah yang ingin menggunakan Vision Builder AI untuk merancang, mengimplementasikan, dan memperbaiki sistem inspeksi otomatis untuk proses SMT (Surface-Mount Technology).

Selesai pelatihan ini, peserta akan dapat:

• Mengatur dan mengonfigurasi inspeksi otomatis menggunakan Vision Builder AI.
• Mendapatkan dan mempraproses gambar berkualitas tinggi untuk analisis.
• Melaksanakan keputusan berbasis logika untuk deteksi cacat dan validasi proses.
• Menghasilkan laporan inspeksi dan memperbaiki kinerja sistem.