标签: 计算机视觉

当你用手机进行刷脸解锁，当你用浏览器以图搜图，当你使用扫一扫识别物品，当你用摄像头探视家中猫狗的一日，当你沉浸在VR游戏中感受未来…… 这些不同的视觉场景应用背后，计算机视觉都在发挥重要作用，通过图像处理、模式识别、机器学习等方式，成为现代科技的“眼睛”，扩大人类“视界”。 计算机视觉是AI的一个重要领域，使得计算机和系统能够从图像、视频或其他视觉输入中获得有价值信息，并根据信息采取行动和智能决策。 计算机视觉包含图像分类与识别、物体检测与分割、人体分析、3D识别与重建、视频理解与分析等重要任务，适用于简单物品识别与复杂操作场景。 目前，计算机视觉主要应用于工业智能化、医疗图像分析、车联网、虚拟现实与增强现实等领域。 在工业领域，计算机视觉利用图像识别技术，自动化地进行产品质量检测、颜色及形状分类，提高了生产效率和精确度。在医疗领域，计算机视觉结合深度学习进行疾病诊断和预测，改变了传统医疗方式，助力医疗数字化。在车联网领域，计算机视觉实时分析周围环境，为车辆路径规划和决策提供精准信息，360°环视可实现自动泊车。再者，计算机视觉通过创建沉浸式的虚拟环境，为娱乐和教育等领域提供全新的体验方式。各类机器人终端通过计算机视觉进行物体检测、轨迹跟踪、人脸识别，以更好地实现人机协同。 广和通深度探索计算机视觉的关键技术与难点，助力客户实现计算机视觉端侧部署，以高算力模组及解决方案大大简化智能终端视觉部署的难度。 广和通5G智能模组SC171及解决方案支持12 TOPS的AI算力，具备卓越AI性能，支持4K高清视频，可支持多路摄像头同时运行，能对图片及影像进行高效计算与处理。SC171系列拥有双USB、双PCIe、MIPI、UART、SPI、I2C等多种扩展接口，便于延展至各类视觉终端。SC171系列在计算能力、视频编解码、图像处理、网络连接（支持蓝牙、WiFi 6/6E等多种无线通信方式）等方面都具备领先优势，可在高端智能影像终端、工业视觉终端、具身机器人等领域广泛应用。 计算机视觉以“看得见”的技术改变人们生活和工作方式，解决众多“看不见”的场景痛点。计算机视觉将与物联网技术融合，推动产业智能化、精准化。广和通AIoT模组及解决方案助力计算机视觉端侧部署，将为各行业带来规模商用方案。

为什么需要同时使用数字化和计算机视觉技术？ 数字化是指将模拟信息转换为数字格式的过程，以便于数据传输、处理和存储。数字化利用技术将物理数据转换为数字数据，例如将纸质文档转换为电子文件。 计算机视觉是指利用技术让机器能够解释周围世界的视觉信息。涉及算法、机器学习和深度学习的组合，以识别对象、模式和图像。 通过同时使用这两种技术，制造公司可以在数字化数据上部署计算机视觉算法，识别各种制造过程中的模式、异常和趋势，如质量控制、缺陷检测、预测性维护等应用。数字数据也可以用于训练和改进计算机视觉算法的准确性，进行持续改进。 哪些人员可以从数字化中受益？ •制造工程师使用视觉系统生成的实时数据来优化生产流程、改善质量控制，减少浪费。 •质量控制经理使用生成的视觉数据检测和诊断制造缺陷，并加快根本原因分析，确保产品符合要求的质量标准。 •工厂经理受益于视觉系统生成的数据，用于监控生产过程、实时错误检测和效率优化。 •研发专业人员使用视觉系统生成的数据进行分析、新产品开发以及改进制造流程。 •系统集成商利用硬件和软件解决方案为客户构建定制视觉系统，通过资源规划数据库、成像设备、传感器、处理工具和PLC简化操作。 传统计算机视觉在手动制造的要求有哪些: 传统计算机视觉依赖大量高质量的数据训练机器学习模型，重点是确保数据的准确性和与应用程序的相关性。传统计算机视觉技术中使用的算法需足够强大，达到可以处理光线、摄像机角度等其他可能影响系统精度的环境因素变化。 系统必须与使用的硬件兼容，包括相机、传感器等其他设备，通常会由于供应商锁定而限制部署。传统系统必须与现有制造系统和工作流程集成，不中断生产流程，而这可能会增加复杂性。 传统计算机视觉解决方案还需要机器学习、计算机视觉方面的丰富专业知识。在许多情况下，这也意味着引进一支具有必要技能和经验的团队来开发、部署和维护系统。 合理的投资回报率是关键指标，最终解决方案产出必须具有成本效益。 如何加速先进的计算机视觉技术？ 传统机器视觉系统设计和部署中存在着大量的要求和复杂性，那么引入低代码和无代码（LCNC）应用程序如何加速先进的计算机视觉技术并保持成本效益呢？ 基于应用的解决方案通过简化开发过程并使其更易于非技术用户使用，帮助制造商采用传统的计算机视觉技术。虹科AI软件平台提供预构建的模块、拖放式界面和易于使用的可视化工具，使质量经理、操作人员和终端用户能够在不需要深入的技术知识的情况下创建定制的计算机视觉应用程序。 结合数字化和LCNC计算机视觉，制造公司可以实现更好的可视化，避免数据黑洞，从而实现质量的提高和持续改进。公司可以快速在内部构建和部署计算机视觉应用程序，无需依赖外部专家，从而减少导致成本、延误和质量问题的错误。虹科的低代码和无代码平台还为制造商提供了一个低风险的空间，可以快速、轻松地实验和部署各种应用程序，而不会干扰工作流程。 虹科AI网关 关键特点： 与现有的检测硬件、软件和终端用户流程配合 支持的GigEVision、USB3Vision、CameraLink或MIPI等多种接口协议 强大的NVIDIAGPU可以部署开源或自定义算法，包括预先训练好的TensorFlow深度学习模型和使用OpenCV等开源库开发的Pythonplug-ins 虹科AI软件平台 关键特点： 直观的、基于web的eBUSAIStudio平台允许任何用户（从非程序员到高级开发人员）设计、培训、测试和部署自己的AI和计算机视觉插件。

一场地震灾难发生后，专业救援人员组成的队伍会奔赴现场，在废墟中搜寻生命体征、实行医疗救护、呼叫救援。 但在斯坦福大学首席人工智能科学家李菲菲(Fei-Fei Li)的想象中，对事件率先做出响应的并不是红十字会的志愿者或医护人员，而是那些能洞悉周边环境并响应人们需求的智能机器人，它们将竭尽所能拯救尽可能多的人。对这一场景背后所涉及的技术，李已经做了大量思考和研究，她认为如果计算机能够掌握最复杂的人类视觉认知能力的时候，这项技术就离我们不远了。 目前，由李及其带领的斯坦福大学人工智能实验室，在这项技术上取得了一些进展，这多亏了在2009年建立的拥有超过1500万数字图像的数据库。此后的每一年，研究人员利用该数据库组建了大型视觉识别比赛，目的是开发出可以教会计算机识别、理解图像内容的算法。2014年，参与者设计的软件程序识别对象和动作的准确率几乎是往年的两倍，这得益于更快的计算能力和更精炼的代码。2014年末，李和她的学生研发出首个能够用类似人类语句来描述其所见图像的计算机视觉模型。 她认为，计算机视觉是所有人工智能的关键。“理解并建立视觉系统，才能真正理解智能，对于‘看’，我的意思是理解，而不是简单的像素记录。” 新型智能 人工智能领域的科学家们，还有在谷歌、Facebook、微软等企业任职的研究人员，他们在计算机视觉技术中投入大量资源的原因很简单：人类利用一半的大脑进行视觉处理，这一认知能力经历了5.4亿年的发展演变。在李看来，“这里(大脑)比海湾地区的住房更值钱”。视觉在我们认识世界的过程中扮演了至关重要的角色，很难想象未来的智能计算机会没有视觉能力。任何像样的无人驾驶汽车最终都需要具备分辨的能力，假如路上有一个大石头和一个小的纸袋，它就应该用刹车、转向来避开石头，选择性地忽略纸袋。 如今，计算机可以识别出照片中的猫或汽车的形状、年代等，但是要想让计算机像人一样通过观察和推理来理解内容，还需要进行大量的科研工作。比如，同样的球棒，在球场和犯罪现场就有完全不同的含义。李表示：“我们实验室下一步的任务是研发出满足基本视觉任务的认知能力，例如对场景、人类行为、关系、推理和讲故事等的理解。” 照亮人类的“暗物质” 教会计算机如何去“看”已经远远高于对出现在我们物理世界的物质的识别。更好的机器视觉应该可以洞悉和透露我们都不知道的细节。互联网每一天都在产生所谓的数字时代的暗物质——数以万亿计的图像和视频。网页中有超过85%的内容是多媒体，这是一大堆混乱的烂摊子。“我们有理由去理解它们，对我们生活、日常活动、社会关系(不论是个人还是社会)的记录，都在那些内容中。” 这些对人类的视觉描述的增长速度超出我们的想象。过去30天内生成的图片和视频总量，比从人类文明初期所有的图像加起来都大。对人类来说，记录下所有的这些数据是不可能的，但是对可以进行模式识别，并用自然语言将视觉内容描述出来的智能机器而言是可行的，这些机器可能成为未来的历史学家。 新兴的应用 李表示计算机视觉最终会影响所有事情，从监测和应对气候变化所带来的影响，到构建智能家居，但最令她感到兴奋的是在医学领域的应用。“当日常护理可以完全依赖人工智能的时候，也就是降低成本、提高护理水平的时候。” 这也难怪李和她斯坦福大学计算机视觉实验室的学生会和斯坦福大学医学院进行合作，利用计算机视觉缓解护士们日常的制图任务，在美国护士们平均每天要在该项工作中耗费45分钟。在斯坦福大学医院的重症监护室，临床医生每两个小时就会对病危患者进行检查，并对其健康状况在-4到4的范围内进行打分。 李表示，她希望建立一个可以持续监测病患的系统（例如对移动性、疼痛程度、灵敏度等进行监测），不仅可以有效分担护士和医生的任务，还可以为负责该病患的临床医生提供更详细、准确、客观的数据。 视觉实验室还与旧金山护士之家开展合作，致力于探索如何利用人工智能帮助老年人更好地独立生活。 多样性发展 和所有的创新技术一样，计算机视觉很有可能被别有目的的人利用，进行高级别的视觉监控。李对此并不避讳，“每项技术都有可能成为邪恶的幕后推手，但作为一个科学家，你必须具备这样的社会意识并清醒的认识到其潜在的风险。” 这种风险与其职业生涯息息相关，从法人团体到学术界都缺乏技术研究和人工智能的多样性。长期解决多样性问题有助于研究朝着积极的方向发展，有效的规避风险。“我们需要在人工智能的教育和研究过程中为其注入包含有生活中各行各业的人文主义。”借此吸引社会中不同的群体关注该领域，并提供必要的制衡。 “从概念诞生之日到技术建立、实施和调整之时，人类的意识至关重要”，她说道。但在今天事情并不是这样的，她是斯坦福大学人工智能实验室的带头人，也是这15人中唯一的全职女教师。此外，Facebook的39人人工智能研究团队中也仅有两名女性。李试图改变这一现状，她为同在人工智能领域工作的女性举办下午茶集|会，并针对斯坦福大学9年纪的女生们组织人工智能夏令营。她承认，她喜欢自己的研究工作，多样性的进展还有很长的路要走。