26 september 2017 • oktober 9, 2017 at 12:07 pm Qdraw

Train een tensorflow gezicht object detectie model

Met Artificial Intelligence wordt het mogelijk om beelden slim te analysen en dit slim toe te passen. Dit artikel is een follow-up van Objectherkenning met de Computer Vision library Tensorflow.
In het vorige deel zet ik een getraind model in om 80 objecten, te vinden en te identificeren en de locatie in het beeld te bepalen. Ik ga nu nog een stap verder want ik ga een eigen model trainen dat gezichten kan vinden in een afbeelding. In deze tutorial wordt technisch stap voor stap uitgelicht hoe het proces verloopt. In de stap ‘Gebruik van het frozen model’ staat toegelicht hoe het mogelijk is om het model snel te testen.

There is a english version of How to train a Tensorflow face object detection model available at Medium.com


Train een tensorflow gezicht object detectie model MS COCO Tensorflow Nürburgring example (own picture); Car, motorcycle, box, common objects in context

Setup van de slim en object_detection module

De eerste stap is het clonen van de Tensorflow models. In deze repository staan Machine Leaning-modelen die getraind zijn met Tensorflow. Voor deze tutorial gebruiken we alleen de slim module en object_detection.

$ nano .profile
export PYTHONPATH=$PYTHONPATH:/home/dion/tensorflow_models/research:/home/dion/tensorflow_models/research/slim

Vervolgens zorg je ervoor dat de protobuf libraries zijn gecompiled

$ protoc object_detection/protos/*.proto –python_out=.

Clone de tutorial repository en install dependencies

In een losse repository heb ik alle inhoud verzameld van deze tutorial. Met de onderstaande opdracht kopieer je de map vanuit Github.

$ git clone https://github.com/qdraw/tensorflow-face-object-detector-tutorial.git

Mocht je snel even het model willen proberen er is een protobuf en de checkpoint files staan in deze repository.

Het volgende deel van de uitleg voeren we uit vanuit de onderstaande map:

$ cd tensorflow-face-object-detector-tutorial/

De benodigdheden het trainen moeten nog worden geïnstalleerd. Denk eraan dat OpenCV ook geïnstalleerd staat met Python bindings

$ pip install -r requirements.txt

Downloaden van de training en validatie data

De Chinese Universiteit van Hongkong (CUHK) heeft een grote dataset van foto’s met mensen met daarbij exact aangegeven waar het gezicht zich bevindt in de afbeelding. In het onderstaande voorbeeld is staat in het kladblok de coördinaten van de afbeelding geselecteerd. Op de achtergrond heb ik labelImg geopend en is dezelfde foto te zien met annotaties.


Train een tensorflow gezicht object detectie model WIDER example using labelImg (credits: http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/); WIDER, example

Met het script 001_down_data.py wordt WIDERFace en ssd_mobilenet_v1_coco_11_06_2017 gedownload. WIDERFace is de dataset die ik hiervoor gebruik. Daarnaast maak ik ook nog gebruik van ‘pre-trained’ model om de trainingstijd te versnellen. Wanneer je zelf gaat trainen zorg er dan voor dat er voldoende schijfruimte beschikbaar is. Er komt al minimaal 6GB in de map data/ te staan.

$ python 001_down_data.py

WIDERFace omzetten naar Pascal XML

Er komt eerst nog een conversieslag. De dataset die de universiteit beschikbaar heeft gesteld is in een ander formaat dan bruikbaar is in een labelImg en Tensorflow. Met een script gaan we deze data omzetten. De afbeeldingen die gedownload zijn staan in de map WIDER_train, eerst maakt 002_data-to-pascal-xml.py een los xml-bestand in dezelfde map met de annotatie data gestructureerd opgeslagen. Nadat alle afbeeldingen met een goede tag voorzien zijn van een los xml bestand wordt de inhoud gekopieerd naar een losse map (tf_wider_train). Met het onderstaande script wordt de WIDERFace data omgezet in Pascal XML en worden er losse mappen aangemaakt. Op mijn computer duurt dit 5 minuten aangezien er 9263 afbeeldingen worden verwerkt.

$ python 002_data-to-pascal-xml.py

Train een tensorflow gezicht object detectie model Uit de dataset WIDERFace en de film Marching Band (2009) met XML en LabelImg interface zichtbaar ; WIDER, example

Pascal XML naar Tensorflow CSV index

Wanneer de data is omgezet naar Pascal XML wordt er een index gemaakt. Met het trainen en valideren van de dataset gebruiken we deze bestanden als input om TFRecords van te maken. Het is echter ook mogelijk om met een tool als labelImg handmatig afbeeldingen te labelen en deze stap te gebruiken om hier een index van te maken.


Train een tensorflow gezicht object detectie model Excel and OS X Finder with list of files; Excel, finder

$ python 003_xml-to-csv.py

Maak een TFRecord file

Een TFRecords file is een groot binair bestand dat uit gelezen kan worden om het Machine Learning model te trainen. Het bestand wordt in de volgende stap sequentieel uitgelezen door Tensorflow. De training en validatie data wordt omgezet d.m.v. onderstaande commando opdrachten omgezet in binaire blobs

Trainingsdata naar TFRecord (847.6 MB)

$ python 004_generate_tfrecord.py --images_path=data/tf_wider_train/images --csv_input=data/tf_wider_train/train.csv --output_path=data/train.record

Validatiedata naar TFRecord (213.1MB)

$ python 004_generate_tfrecord.py --images_path=data/tf_wider_val/images --csv_input=data/tf_wider_val/val.csv --output_path=data/val.record

Prepareren van het config bestand

In de repository staat ssd_mobilenet_v1_face.config, dit is een configuratiebestand dat gebruikt wordt om een Artificial Neural Network te trainen. Dit bestand is gebaseerd op een huisdieren detector.
Het aantal num_classes blijft in dit geval één omdat er alleen gezichten zullen worden herkend.
De variabel fine_tune_checkpoint wordt gebruikt om het pad naar een eerder model aan te geven om learnings te halen. Deze locatie pas je aan in dit bestand. Het finetune checkpoint bestand wordt gebruikt om transfer learning toe te passen. Transfer learning is een methode in Machine Learning dat gefocust is om kennis wat opgedaan van één context toe te passen op een andere context.
In de class train_input_reader wordt een link gelegd met de TFRecord bestanden voor het trainen van het model. In het config-bestand moet je deze aanpassen naar de juiste locatie.
De variabel label_map_path bevat een index id’s en namen. Bij dit bestand wordt nul als placeholder gebruikt en beginnen we dus met nummeren vanaf één.


item {
    id: 1
    name: "face"
}

Voor het valideren zijn er twee variabelen belangrijk. De variabel num_examples binnen de class eval_config wordt gebruikt om het aantal voorbeelden in te stellen.
In de class eval_input_reader staat de locatie van de validatie data beschreven. Op deze locatie staat ook een pad.
Verder is het nog mogelijk om learning rate, batch size en nog meer instellingen te veranderen. Voor nu heb ik de standaard instellingen aangehouden.

Let’s train 😉

Nu gaat het echte werk beginnen. De computer gaat learnings halen uit de dataset en hier een Neural Network van maken. Aangezien ik het model train op een CPU gaat dit een aantal dagen kosten om een goed resultaat te krijgen. Met krachtige Nvidia grafische kaart is het mogelijk om dit te verkorten naar enkele uren.

$ python ~/tensorflow_models/object_detection/train.py --logtostderr --pipeline_config_path=ssd_mobilenet_v1_face.config --train_dir=model_output

Omzetten van checkpoint naar protobuf

Om het model te kunnen gebruiken in Objectherkenning met de Computer Vision library Tensorflow. Het onderstaande commando staat een locatie naar de models repository en naar het laatste checkpoint. In de map model komt frozen_inference_graph.pb te staan.

$ python ~/tensorflow_models/object_detection/export_inference_graph.py \
--input_type image_tensor \
--pipeline_config_path ssd_mobilenet_v1_face.config \
--trained_checkpoint_prefix model_output/model.ckpt-12262 \
--output_directory model/

TL;DR;

In de map model/frozen_inference_graph.pb op de github repository staat een frozen model van het Artificial Neural Network. De Chinese Universiteit van Hongkong heeft WIDERFace beschikbaar gesteld. In deze tutorial wordt deze dataset gebruikt om een gezichtsherkenings Machine Learning model te trainen.

Evaluatie

Naast de data die gebruikt wordt voor het trainen is er ook een evaluatie-dataset. Op basis van deze evaluatie-dataset is het mogelijk om de nauwkeurigheid uit te rekenen. Voor mijn model heb ik de nauwkeurigheid (Mean Average Precision) uitgerekend. Ik kwam op een score van 83.80% bij 14337 stappen (epochs). Voor dit proces heeft Tensorflow een los script en wordt het mogelijk om in Tensorboard te zien wat de score is. Er wordt aangeraden om naast het trainen ook een evaluatieproces te draaien. Je kunt dan het proces monitoren met Tensorboard.

$ python ~/tensorflow_models/object_detection/eval.py --logtostderr --pipeline_config_path=ssd_mobilenet_v1_face.config --checkpoint_dir=model_output --eval_dir=eval

$ tensorboard --logdir=eval --port=6010

Conclusie en het gebruik van het frozen model

Het is gelukt om een gezichtsherkenning model te trainen. Het frozen model model/frozen_inference_graph.pb kan ingezet worden in bijvoorbeeld Objectherkenning met de Computer Vision library Tensorflow.
Mocht de wereld van Computer Vision je interesse hebben gewekt, maar weet je nog niet hoe je dit kunt toepassen en heb je de nodige vragen? Stuur mij dan een mailtje dan kunnen we een kopje koffie drinken.


Train een tensorflow gezicht object detectie model In dit voorbeeld worden 43 gezichten herkend. Bron afbeelding: Ricardo Lago https://www.flickr.com/photos/kruzul/4763629720/; faces, tensorflow

Deze blogpost verscheen op Qdraw. Er is een Engelse vertaling beschikbaar op: Towards Data Science – Medium

Dit bericht is geschreven door: Dion van Velde

Tags: , , ,

Gecategoriseerd in:

25 augustus 2017 • september 26, 2017 at 2:40 pm Qdraw

Supersnel foto’s analyseren dankzij Computer Vision

Je hebt de term vast al voorbij horen komen: Computer Vision. Maar wat is het precies? En nog belangrijker, wat kun je er mee? In deze blogpost nemen we je mee in de wereld van Computer Vision. En je kunt het gelijk zelf testen! (1)

Wat is Computer Vision?

Zoek je weleens op Google naar afbeeldingen? Dan maak je indirect gebruik van Artificial Intelligence (AI)-technologieën zoals Computer Vision. Misschien klinkt dit abstract, maar jij gebruikt ze dagelijks. Met computer vision is het mogelijk om beelden automatisch te analyseren. Zo is het mogelijk om objecten te herkennen. Je kunt emotie, objecten, gezichten en teksten in afbeeldingen uit een beeld halen. En dus herkennen. Deze data is erg waardevol en voor van alles te gebruiken.  

Voorbeeld: Analyseren van een foto

Maar hoe is die data dan waardevol? Stel, je verkoopt sportfoto’s. Dan ben je natuurlijk benieuwd welke foto’s wel en niet verkopen. Maar hoe test je dat? Met Computer Vision kun je een groot aantal foto’s analyseren. Stel, je wilt weten of foto’s van vrouwen met merkkleding beter verkopen dan vrouwen met merkloze kleding. Je kunt dan natuurlijk los alle foto’s gaan labelen. Of de computer het werk laten doen.

Als voorbeeld gebruiken we deze onderstaande afbeelding. Wanneer je alleen deze afbeelding hebt, en geen context, kost het je zeker een paar minuten om tot dezelfde conclusie te komen. Terwijl je dit met Computer Vision in een seconde klaar bent.

Gezicht/emotie-herkenning:

  • Detecteert het gezicht op de foto zelf tot op detail, oog, neus mond en oren.
  • Toont dat emotie blij is.
  • Heeft een grote vorm van zelf vertrouwen.

 

Classificatie van de afbeelding:

  • Persoon
  • Sport
  • Atletisch
  • Hardlopen
  • Marathon
  • Langeafstand lopen

 

Optische tekenherkenning (OCR):

  • Mizuno
  • 2012 U.S. Olympic Trials Women’s
  • Marathon
  • PEYTON
  • Mizuno

 


Voorbeeld van: Gezicht-emotie-herkenning, Classificatie van de afbeelding en Optische tekenherkenning Bron: https://www.flickr.com/photos/born_hiker/6752685015/

“A picture is worth a thousand words”

Voorbeeld: Analyseren van video

De mogelijkheden gaan verder dan alleen foto’s. Video analyseren kan namelijk ook met Computer Vision. Zo is het mogelijk om objecten te herkennen die aanwezig zijn in het beeld.  Door grote datasets te gebruiken en hier de computer learnings uit te trekken, wordt het mogelijk om objecten, emoties en gezichten te herkennen.

Een toepassing zou kunnen zijn, een slimme camera die de gezichtsuitdrukking volgt van grote groepen mensen: kijken ze verrast, verveeld, opgewonden.

Een kort gifje waarin ik verschillende objecten realtime voor de camera beweeg

Benieuwd hoe het werkt?

Open dan de gezicht en emotie herkenning demo (1) op je smartphone. Maak een foto, de computer verwerkt de foto gelijk voor je. De computer schat je leeftijd, je emotie, of je make up op hebt en welke voorwerpen op de foto staan. Wij hadden in ieder geval een hoop lol met het testen, de computer had het verrassend vaak goed.

Wanneer Computer Vision inzetten binnen je organisatie?

Gaaf he, al die mogelijkheden. Maar wanneer kan computer vision bijdragen aan jouw business of organisatie? Bijvoorbeeld:

  • Als een organisatie veel gebruik maakt van afbeeldingen, foto’s, video;
  • Als geen gebruik wordt gemaakt van de beschikbare informatie op de foto’s, afbeeldingen en video’s;
  • Als grote hoeveelheden data nu met de hand worden geanalyseerd;
  • Als jouw organisatie data gedreven is .

 

Mocht de wereld van Computer Vision je interesse hebben gewekt, maar weet je nog niet hoe je dit kunt toepassen en heb je de nodige vragen? Stuur mij dan een mailtje dan kunnen we een kopje koffiedrinken.

Deze blogpost is geschreven door Dion van Velde en Jeroen Beks en verscheen op Colours.nl en Qdraw.nl

1) Gezicht en emotie herkenning is een vorm van Computer Vision. In de demo wordt alleen het gezicht en de emotie gescand, er worden geen objecten herkend.

Dit bericht is geschreven door: Dion

Tags: , ,

Gecategoriseerd in:

15 augustus 2017 • augustus 23, 2017 at 8:23 am Qdraw

Flughafen Berlin-Tempelhof (2017)

Het vliegveld Berlijn Tempelhof was tot eind 2008 één van de drie luchthavens in Berlijn. Tempelhof speelde een belangrijke rol in de geschiedenis van Berlijn.

Van veld naar luchthaven

In 1924 werd besloten om het Tempelhofer-feld te veranderen in een vliegveld. Het was voorheen altijd een militair gebied maar nu werden er twee taxibanen aangelegd. In 1924 werd het oorspronkelijke ontwerp voor het vliegveld gemaakt.

Zentral Flughafen

Het nieuwe vliegveld Tempelhof werd op 1 april 1939 geopend. Vlak na de opening was het ook het grootste vliegveld ter wereld. Tempelhof was onderdeel van Hitlers plan om Berlijn de machtige hoofdstad van het Derde Rijk te maken en het vliegveld tot ‘Weltflughafen’ om te dopen. Gedurende de Tweede Wereldoorlog werd het vliegveld door de Duitse luchtmacht gebruikt.

Berlijnse Luchtbrug

Nadat de Tweede wereldoorlog is afgelopen wordt Duitsland tijdens de Conferentie van Jalta verdeeld over verschillende sectoren. Oost-Berlijn behoorde in deze tijd bij de Sovjet-Unie en West-Berlijn was een combinatie van het Amerikaanse, Engels en Frans deel. Van 24 juni 1948 tot 12 mei 1949 blokkeerde de Sovjet-Unie de weg- en railverbindingen naar West-Berlijn. Hierdoor werd de voorraden met onder meer eten, levensmiddelen en brandstof naar West-Berlijn geblokkeerd. Het gevolg was dat er geen bevoorrading mogelijk was. Als tegenreactie van de Amerikanen werd er een plan bedacht om de 2 miljoen mensen in West-Berlijn alsnog van de eerste levensbehoeften te kunnen voorzien. Er werd een Berlijnse Luchtbrug gecreëerd. In totaal vlogen er 320 dagen lang vliegtuigen (Rosinenbomber) met medicijnen, voedsel en andere essentiële middelen naar het vliegveld Tempelhof. Op deze manier hadden de Berlijners te eten en was de missie van de Soviets mislukt.


Flughafen Berlin-Tempelhof (2017) Berlin Tempelhof; Berlin, tempelhof, Flughafen Berlin-Tempelhof, pion, hangar


Flughafen Berlin-Tempelhof (2017) Troop carrier; vliegtuig, troop carrier, hangar


Flughafen Berlin-Tempelhof (2017) 11-15; 11-15, landingsbaan, Tempelhof


Flughafen Berlin-Tempelhof (2017) Berlin-Tempelhof; Boom, tempelhof, gebouw


Flughafen Berlin-Tempelhof (2017) Zentral Flughafen (voorkant); Zentral Flughafen, symetrisch, Berlin Tempelhof


Flughafen Berlin-Tempelhof (2017) Binnen; Tempelhof, Flughafen Berlin-Tempelhof, hal


Flughafen Berlin-Tempelhof (2017) Berlin Tempelhof Maquette; Berlin Tempelhof, Maquette, landingsbaan

Dit bericht is geschreven door: Dion

Tags: , , ,

Gecategoriseerd in:

25 juli 2017 • september 26, 2017 at 2:41 pm Qdraw

Objectherkenning met de Computer Vision library Tensorflow

Met computer vision wordt het mogelijk om foto’s en video’s op intelligente wijze te analyseren om onze steden slimmer en veiliger te maken, nieuwe soorten robots te ondersteunen die productie optimaliseren. In dit artikel ligt een onderdeel van Computer Vision uit, namelijk Object Detection

Tensorflow object detection api

Een belangrijke functionaliteit van Tensorflow is het ‘image recognition’. Tensorflow is een open source library dat door Google in 2015 voor het grote publiek beschikbaar is gemaakt. Het wordt gebruikt om deep learningmodels te bouwen, ontwerpen en te trainen.

Met Tensorflow is het mogelijk met de object detection API  wat het toegankelijk maakt voor onderzoekers en softwareontwikkelaars om objecten te identificeren in een 2d beeld. Het doel van Google van de object detection API  is om een evenwicht te hebben tussen simplicity en performance. Er zijn een aantal voorgetrainde modellen welke door wetenschappers worden gebruikt om algoritmes te trainen.

En nu gaan we het gewoon zelf gebruiken!

Tensorflow is een library die beschikbaar is vanuit Python. Al het zware werk wordt buiten Python gedaan. Python is een programmeertaal die veel wordt gebruikt voor Machine Learning en data-analyse.

In deze tutorial ga ik ervan uit dat je een Ubuntu (Virtuele) machine tot je beschikking hebt. Buiten scope is het inrichten van Nvidia grafische kaarten en met CUDA. Ik heb deze code werkend op Ubuntu 16.04 en Mac OS Siera.

De tekst gaat verder na de onderstaande afbeelding


Objectherkenning met de Computer Vision library Tensorflow Uitzicht met Object Detection; object detection, uitzicht

PIP

Een Python package manager is PIP. Voor het gemak maak ik gebruik van Python 2.7, de code werkt ook met Python 3.6. Voor deze tutorial gebruiken we deze en met het onderstaande commando installeer je deze op je systeem: Het dollarteken geeft aan dat een bash-commando is die als normale gebruiker moet worden uitgevoerd. Dit dollarteken hoeft niet mee te worden gekopieerd.

Ubuntu – $ sudo apt-get install python-pip git -y

Mac OS – $ brew install python

Ik clone de github responsories naar mijn home folder.

$ cd

Tensorflow models

Clone the Tensorflow models van de officiële repository. In deze repository staan Machine Leaning-modelen die getraind zijn met Tensorflow. Voor deze tutorial gebruiken we alleen de slim module en object_detection.

Met dit commando kopieer je de inhoud van de repository. De model map is 167,4 MB groot.

$ git clone https://github.com/tensorflow/models.git

Het het pwd commando wordt het absolute path van de huidige map getoond.

$ pwd

/home/dion

Voeg onderaan toe waar ‘/home/dion’ de naam van je gebruiker is. Dit is om alle bestanden die in de map staan in python in het path laden.

$ nano .profile

export PYTHONPATH=$PYTHONPATH:/home/dion/models/research:/home/dion/models/research/slim

Laad de inhoud van .profile of herstart alle terminal vensters om de inhoud van het bestand te laden.

$ source .profile

Protobuf

Google heeft een manier ontwikkeld om frozen models op te slaan. Een frozen model is Neural Network dat is opgeslagen en in het geheugen kan worden ingeladen.

Dit protocol moet eerst worden geïnstalleerd.

Ubuntu – $ sudo apt-get install protobuf-compiler -y

Mac OS – $ brew install protobuf

De Protobuf libraries moeten eerst worden gecompiled. Dit moet je doen vanuit de model-map:

$ cd models/research/

$ protoc object_detection/protos/*.proto --python_out=.

En ik ga terug naar mijn home folder:
$ cd

OpenCV

Met het onderstaande commando laad ik een bash script van een externe website waarbij OpenCV automatisch wordt gecompileerd en geïnstalleerd in /usr/local. Dit script installeert OpenCV 3.2 en werkt met Ubuntu 16.04.

$ curl -L https://raw.githubusercontent.com/qdraw/tensorflow-object-detection-tutorial/master/install.opencv.ubuntu.sh | bash

Op mijn Macbook maak ik gebruik van OpenCV 3.3.0 en Python 2.7.13. Ik heb hier OpenCV 3.2 en 3.3 proberen te installeren alleen dit werkt niet in combinatie met Python 3.6 terwijl dit op Linux wel werkt.

$ brew install homebrew/science/opencv

De tekst gaat verder na de onderstaande afbeelding


Objectherkenning met de Computer Vision library Tensorflow Compiling OpenCV @Ubuntu 16.04; OpenCV, Ubuntu

Tensorflow-object-detection-tutorial repository

In deze repository heb ik alle inhoud verzameld. Er zijn twee voorbeelden, het eerste voorbeeld wordt een afbeelding geanalyseerd en het tweede voorbeeld laat een livebeeld zien van de webcam. Met de onderstaande opdracht kopieer je de map van Github.

$ git clone https://github.com/qdraw/tensorflow-object-detection-tutorial.git

Het volgende deel van de uitleg voeren we uit vanuit de onderstaande map:
$ cd tensorflow-object-detection-tutorial/

De benodigdheden van de demo moeten nog worden geïnstalleerd.

$ pip install -r requirements.txt

Het analyseren van een afbeelding

Voor deze demonstratie analyseren we een foto die gemaakt is bij Colours op het kantoor in Den Bosch. We zoeken naar alle objecten in deze foto. Het algoritme kan een aantal auto’s al vinden.

$ python image_object_detection.py

Druk ‘ctrl + C’  binnen het terminalvenster om het programma af te sluiten

De tekst gaat verder na de onderstaande afbeelding


Objectherkenning met de Computer Vision library Tensorflow Herkennen van een Appel en Banaan; appel, banaan, object detection

Het analyseren van het beeld van je webcam

Met OpenCV wordt het mogelijk om webcambeelden in Python in te laden. In dit script draaien meerdere processen tegelijk waardoor het afsluiten lastig is.

$ python webcam_object_detection.py

De snelste en makkelijkste manier om af te sluiten is in een ander terminalvenster het proces te killen.

Ubuntu – $ pkill python

Mac OS – $ pkill Python

Het analyseren van het beeld van je webcam.

 

Mocht de wereld van Computer Vision je interesse hebben gewekt, maar weet je nog niet hoe je dit kunt toepassen en heb je de nodige vragen? Stuur mij dan een mailtje dan kunnen we een kopje koffie drinken.

25 september 2017: De tensorflow/models git repository heeft de paden veranderd, deze heb ik in deze tutorial gewijzigd.

Dit bericht is geschreven door: Dion

Tags: , , ,

Gecategoriseerd in:

10 juli 2017 • augustus 23, 2017 at 8:23 am Qdraw

Deventer op Stelten 2017

Het buiten-theater festival ‘Deventer op Stelten’ heeft 125.000 mensen getrokken. Dit jaar waren er voor het eerst twee parades door de stad. Deze parades waren op hetzelfde moment gepland om de drukte te spreiden.

Tac o Tac – Conquête Speciale

De twee steltenacrobaten van compagnie Tac O Tac die begeleid worden door hun futuristische ruimtewagen laten een mix tussen dans en acrobatiek zien. Deze voorstelling trok over de Brink en betrok het publiek er ook bij. Tijdens de voorstelling sprongen ze ook over een tweetal vrijwilligers uit het publiek.

Close Act – Convoy Red

Hoe zal het voelen om te zwieren door het luchtruim, zoals een vogel. De voorstelling van Close Act bestaat uit een muzikale parade met een slagwerkmobiel, 9 steltdansers, rook en een gigantische vogel. Het idee van Convoy Red’ is gebaseerd op traditionele Spaanse toreadors en op Chinese geisha’s. De in het rood gewaande steltenlopers beeweegden vrijuit op de Brink.

Theater Titanick – Firebirds

De eerste van de parade voorstellingen is ‘Firebirds’. De voorstelling ‘Firebirds’ is gebaseerd op het eeuwige idee van competitie. Onderdeel van de voorstelling is dat verschillende landen tegen elkaar strijden. Elk land wil natuurlijk eerste zijn met technologische ontwikkelingen. De Duitse groep Theater Titanick verbeeldt dat door terug te grijpen naar de strijd om het eerste vliegende toestel. De voorstelling begon op de Brink en eindigde op het Grote Kerkhof.

Campi Qui Pugui – Manneken’s Pis

De Spaanse groep ‘Campi Qui Pugui Produccions’ hebben Manneken Pis gezien in Brussel en toen bedachten ze zich om hier een voorstelling bij. Het huidige beeld zou worden vervangen door drie pissende mannetjes.

KompleX Kapharnaüm – Figures Libres

De tweede van de parade voorstellingen is ‘Figures Libres’. Deze voorstelling begon zich bij de Boreeltuin en bewoog zich langs de Leeuwenbrug richting de Brink. Deze voorstelling begon met de vraag? Wie zijn wij, wie ben jij en wie ben ik? Deze vraag over het begrip identiteit werd op verschillende manier verbeeld. Zo maakte deze groep gebruik van een tiental spelers met een beamer in de handen beelden op muren projecteerden. Naast archiefbeelden maakten ze ook gebruik van live-beelden. Op gevels en muren verschijnen gezichten, allemaal verschillend, elk getuige van een unieke geschiedenis: mannen, vrouwen, generaties naast elkaar. Om zo de vraag over wat is jouw identiteit te beantwoorden.

Nofit State en Motionhouse – Block

De twee groepen Nofit State en Motionhouse hebben samengewerkt om de voorstelling ‘Block’ te realiseren. ‘Block’ is een spectaculaire mix van circus, dans, theater en urban.
Twintig metershoge blokken worden afgebroken en weer opgebouwd tot een oneindige verscheidenheid aan vormen. De zeven artiesten spelen, bewegen en verkennen de constructies op de Beestenmarkt.

Cia Maduixa – Mulïer

De steltendanseressen van Cia Maduixa houden een eerbetoon aan alle vrouwen die eeuwenlang hebben gestreden voor het feminisme en tegen onderdrukking. Door dans en evenwicht te combineren met evenwicht laten ze zien dat ze vrij kunnen en willen bewegen.
Deze vijf danseressen waren spat gelijk in de Boreeltuin.


Deventer op Stelten 2017 Tac o Tac - Conquete speciale; tac o tac, conquete speciale, steltenlopers, deventer op stelten


Deventer op Stelten 2017 Close Act - Convoy Red; waag, Close Act, Convoy Red, vuurwerk, deventer op stelten


Deventer op Stelten 2017 Close Act - Convoy Red; Close Act, Convoy Red, red, rook, deventer op stelten


Deventer op Stelten 2017 Close Act - Convoy Red; Close Act, Convoy Red, vogel, bird, deventer op stelten


Deventer op Stelten 2017 Theater Titanick - Firebirds; Theater Titanick, Firebirds, vliegmachines, deventer op stelten


Deventer op Stelten 2017 Theater Titanick - Firebirds; Theater Titanick, Firebirds, vliegmachines, deventer op stelten


Deventer op Stelten 2017 Theater Titanick - Firebirds; man, rook, Theater Titanick, Firebirds, vliegmachines, deventer op stelten


Deventer op Stelten 2017 Theater Titanick - Firebirds; machine, Theater Titanick, Firebirds, vliegmachines, deventer op stelten


Deventer op Stelten 2017 Theater Titanick - Firebirds; Theater Titanick, Firebirds, vliegmachines, vuurwerk, deventer op stelten


Deventer op Stelten 2017 Campi Qui Pugui - Manneken's Pis; Campi Qui Pugui, Manneken's Pis, Boreelplein


Deventer op Stelten 2017 KompleX Kaparnaum - Figures Libres; KompleX Kaparnaum, Figures Libres, wie ben ik, Deventer op Stelten


Deventer op Stelten 2017 KompleX Kaparnaum - Figures Libres; KompleX Kaparnaum, Figures Libres, wie ben ik, Deventer op Stelten


Deventer op Stelten 2017 KompleX Kaparnaum - Figures Libres; KompleX Kaparnaum, Figures Libres, wie ben ik, Deventer op Stelten


Deventer op Stelten 2017 KompleX Kaparnaum - Figures Libres; KompleX Kaparnaum, Figures Libres, wie ben ik, Deventer op Stelten


Deventer op Stelten 2017 Theater Gajes - Het beloofde land; Theater Gajes, Het beloofde land, Burgermeestershof, Deventer op Stelten


Deventer op Stelten 2017 Nofit State en Motionhouse - Block; Nofit State, Motionhouse, Beestenmarkt, Block, Deventer op Stelten


Deventer op Stelten 2017 Nofit State en Motionhouse - Block; Nofit State, Motionhouse, Beestenmarkt, Block, Deventer op Stelten


Deventer op Stelten 2017 Nofit State en Motionhouse - Block; Nofit State, Motionhouse, Beestenmarkt, Block, Deventer op Stelten


Deventer op Stelten 2017 Nofit State en Motionhouse - Block; Nofit State, Motionhouse, Beestenmarkt, Block, Deventer op Stelten


Deventer op Stelten 2017 Nofit State en Motionhouse - Block; Nofit State, Motionhouse, Beestenmarkt, Block, Deventer op Stelten


Deventer op Stelten 2017 Cia Maduixa - Mulier; Cia Maduixa, Mulier, Boreeltuin, Deventer op Stelten


Deventer op Stelten 2017 Cia Maduixa - Mulier; Cia Maduixa, Mulier, Boreeltuin, Deventer op Stelten

Dit bericht is geschreven door: Dion

Tags: , ,

Gecategoriseerd in:

4 juli 2017 • augustus 23, 2017 at 8:30 am Qdraw

Meterstanden doorgeven via spraak is nu mogelijk bij Eneco

Heb je al een slimme speaker zoals de Amazon Echo in huis? Dankzij dit apparaat kun je met je stem een computer besturen. Nu kun je zelfs bij Eneco je meterstanden doorgeven via Alexa, de clouddienst achter Amazon Echo. Ik heb geholpen om deze innovatie mogelijk te maken.

Met spraakherkenning wordt het mogelijk om op elk moment van de dag, acties uit te voeren met een computer. Deze technologie is nu toegankelijk in de woonkamer dankzij Smart Home devices.


Nu inzetten op de service by speech revolutie ; Alexa, Colours, Echo Dot, Amazon, IOT-device | foto 1

Deze slimme devices helpen je om Spotify af te spelen, boodschappen te doen en vanaf nu is het dus mogelijk om via spraak je meterstanden door te geven. Vanaf december 2016 is het al mogelijk om dat via Facebook Messenger door te geven. Vanaf nu is hetzelfde proces ook beschikbaar via Alexa. Benieuwd hoe het werkt? Stefan Verhoeve van Eneco legt het uit in onderstaand filmpje.

 

Technische oplossing om meterstanden door te geven via spraak

Voor deze nieuwe functionaliteit hebben we een ‘skill’ geschreven. Bij Alexa worden apps die door ontwikkelaars kunnen worden toegevoegd ‘skills’ genoemd. Technisch gezien is dit een middleware applicatie die de verzoeken doorstuurt naar de Eneco Chatbot. Omdat Alexa nog niet in het Nederlands beschikbaar is zijn de teksten beschikbaar gemaakt in het Engels en zijn er aanpassingen gemaakt om deze goed te laten functioneren bij speech.


Meterstanden doorgeven via spraak is nu mogelijk bij Eneco ;

Intelligente spraakherkenning

In het proces van het doorgeven van meterstanden is het belangrijk dat de standen goed aankomen. Dit klinkt logisch, maar hiervoor moet de vertaling van Speech naar tekst uitstekend zijn. Bij de Alexa is het mogelijk om ‘one two three’ of ‘one hundred twenty-three’ door te geven, Alexa snapt het allemaal!

Mocht de wereld van ‘service by speech’ je interesse hebben gewekt, maar weet je nog niet hoe je dit in je organisatie kunt toepassen en heb je de nodige vragen? Stuur mij dan een mailtje dan kunnen we een kop koffie drinken.

Dit artikel verscheen op Qdraw en Colours

Dit bericht is geschreven door: Dion van Velde

Tags: ,

Gecategoriseerd in: