Finding and localizing the conceptual changes in two scenes in terms of the presence or removal of objects in two images belonging to the same scene at different times in special care applications is of great significance. This is mainly due to the fact that addition or removal of important objects for some environments can be harmful. As a result, there is a need to design a program that locates these differences using machine vision. The most important challenge of this problem is the change in lighting conditions and the presence of shadows in the scene. Therefore, the proposed methods must be resistant to these challenges. In this article, a method based on deep convolutional neural networks using transfer learning is introduced, which is trained with an intelligent data synthesis process. The results of this method are tested and presented on the dataset provided for this purpose. It is shown that the presented method is more efficient than other methods and can be used in a variety of real industrial environments.

在工业环境中找到两个图像之间的概念差异对HSE目的尤为重要，并且仍然没有可靠且符合的方法来找到主要的差异来提醒相关控制器。由于不同环境中的丰富性和多种物体，在该领域中使用监督的学习方法正面临一个主要问题。由于两个场景的照明条件发生了急剧变化，因此无法天真地减去这两个图像以找到这些差异。本文的目的是查找和本地化一个场景的两个帧的概念差异，但在两个不同的时间中，并将差异分类为添加，减少和变化。在本文中，我们通过介绍深度学习方法并使用转移学习和误差函数的结构修改以及添加和合成数据的过程来证明该应用程序的全面解决方案。提供了适当的数据集并标记了标签，并在此数据集上评估了模型结果，并解释了在实际和工业应用中使用它的可能性。

遥操作平台通常要求用户位于固定位置，以便可视化和控制机器人的运动，因此不提供具有多种移动性的操作员。一个例子是现有的机器人手术解决方案，该解决方案要求外科医生远离患者，附着在其头部必须固定的控制台上，并且它们的臂只能在有限的空间中移动。这在正常手术中的医生和患者之间产生了障碍。为了解决这个问题，我们提出了一个移动电话专业解决方案，外科医生不再机械地限制在控制控制台上，并且能够使用配备有无线传感器的手臂来远优步到患者床边的机器人，并通过光学查看内窥镜视频 - 通过头戴式显示器（HMDS）。我们评估我们的用户交互方法的可行性和效率，与标准的手术机器人机械手相比，通过两个任务，具有不同水平的所需灵活性。结果表明，通过足够的训练，我们所提出的平台可以获得类似的效率，同时为操作员提供额外的移动性。