共计 2520 个字符，预计需要花费 7 分钟才能阅读完成。
简介： 计算机视觉将彻底改变物联网……
计算机视觉的倒退演进
咱们能够轻松地在日常产品中找到计算机视觉技术的利用，从能够辨认手势的游戏机到能够主动聚焦于人脸的智能手机摄像头。现在，计算机视觉正在影响咱们生存的许多畛域。
实际上，计算机视觉在商业和政府应用中已有悠久的历史。能够感测各种光谱范畴内的光波的光学传感器已在许多利用中部署：像制作中的产品质量检测，用于环境治理的遥感或在战场上收集情报的高分辨率相机。这些传感器中的一些是固定的，而另一些则附着在挪动的物体上，例如卫星、无人机和车辆。
过来，这些计算机视觉利用中有许多都限于某些关闭的平台。然而，当与 IP 连贯技术联合应用时，它们会创立一套以前无奈实现的新利用。计算机视觉，再加上 IP 连接性、高级数据分析和人工智能，将成为彼此的催化剂，从而引发物联网（IoT）翻新和利用的革命性飞跃。
推动计算机视觉的多个畛域的提高
专为视觉设计的环境
视力或视觉是人类五种感官中最发达的。咱们每天都应用它来意识咱们的敌人、发现后退路线上的阻碍、实现工作并学习新事物。咱们设计视觉环境的物理环境，有路标和信号灯能够帮忙咱们从一个中央达到另一个中央；商店有标牌来帮忙咱们找到它们；电脑和电视屏幕显示咱们生产的信息和娱乐。思考到视觉的重要性，将其扩大到计算机和自动化畛域并不是一个大飞跃。
什么是计算机视觉？
计算机视觉始于捕捉和存储图像或一组图像的技术，而后将这些图像转换为能够进一步作用的信息。它由多种技术独特组成（图 1）。计算机视觉工程是一个跨学科畛域，须要许多这些技术的跨性能和零碎专业知识。
例如，Microsoft Kinect 应用 3D 计算机图形算法来使计算机视觉可能剖析和了解三维场景。它容许游戏开发人员将实时的全身静止捕获与人工 3D 环境合并。除了游戏以外，这还在机器人技术、虚拟现实（VR）和加强事实（AR）利用等畛域开拓了新的可能性。
传感器技术的提高也在许多方面超过了传统的相机传感器而迅速倒退。最近的一些例子包含：
红外传感器和激光联合起来可感应深度和间隔，这是主动驾驶汽车和 3D 映射利用的要害推动力之一
非侵入式传感器，无需物理接触即可跟踪医疗患者的生命体征
高频摄像头能够捕获人眼无奈觉察的轻微动作，帮忙运动员剖析步态
超低功耗和低成本视觉传感器，能够长时间部署在任何中央
图 1. 由多个畛域的提高推动的计算机视觉。图片起源：IFA
计算机视觉变得智能
晚期利用
监控行业是图像处理技术和视频剖析的较早采纳者之一。视频剖析是计算机视觉的一种非凡用例，其重点是从数小时的录像中查找模式。在事实世界中自动检测和辨认预约义模式的能力代表着数百个用例的微小市场机会。
首批视频剖析工具应用手工算法来辨认图像和视频中的特定性能。它们在实验室设置和模仿环境中都是精确的。然而，当输出数据（例如光照条件和摄像机视图）偏离设计假如时，性能会迅速降落。
钻研人员和工程师花了很多年工夫开发和调整算法，或者提出新的算法来应答不同的条件。然而，应用这些算法的摄像机或录像机依然不够坚硬。只管这些年来获得了一些渐进的提高，但事实世界的蹩脚体现限度了该技术的实用性和采纳性。
深度学习冲破
近年来，深度学习算法的呈现从新激发了计算机视觉。深度学习应用模拟人类大脑神经元的人工神经网络（ANN）算法。
从 2010 年代初开始，通过图形处理单元（GPU）减速的计算机性能曾经变得足够弱小，足以让钻研人员实现简单的人工神经网络的性能。此外，局部地受视频站点和风行的 IoT 设施驱动，钻研人员领有宏大的视频和图像数据库来训练他们的神经网络。
2012 年，一种称为卷积神经网络（CNN）的深度神经网络（DNN）版本在准确性上实现了微小飞跃。这一倒退带动了人们对计算机视觉工程畛域的趣味和兴奋。当初，在须要图像分类和面部辨认的利用中，深度学习算法甚至超过了人类。更重要的是，就像人类一样，这些算法具备学习和适应不同条件的能力。
图 2. 场景的语义示意
随着深度学习的倒退，咱们正在进入认知技术的时代，其中计算机视觉和深度学习交融在一起，以解决人脑畛域中的高级简单问题（图 2）。咱们只是在摸索所有可能的事物。随着更快的处理器，更先进的机器学习算法以及与边缘设施的更深刻集成，这些零碎将持续失去改善。计算机视觉将彻底改变物联网。
用例减少
其余乏味的用例包含：
监控作物衰弱的农业无人机（http://www.slantrange.com/）（图 3）
运输基础设施治理（http://www.vivacitylabs.com/）
无人机查看（http://industrialskyworks.com/drone-inspections-services/）
下一代家庭平安摄像头（https://buddyguard.io/）
图 3. 从无人机收集的图像中的植被指数（起源：Emmetts，www.emmetts.com.au）
这些只是计算机视觉如何在许多畛域极大地提高生产力的一些小例子。咱们正在进入物联网倒退的下一阶段。在第一阶段，咱们专一于连贯设施，聚合数据和构建大数据平台。在第二阶段，重点将转移到通过计算机视觉和深度学习等技术使“事物”更加智能，生成更多可操作的数据。
挑战
在让计算机视觉技术对公众更实用和更经济时，有许多问题须要克服：
嵌入式平台须要集成深度神经设计。因为功耗、老本、准确性和灵活性，很难做出设计决定。
业界须要标准化，以容许智能设施和零碎互相通信并共享元数据。
零碎不再是数据的被动收集器。他们须要以起码的人工干预就数据采取行动。他们须要本人学习和即兴创作。整个软件 / 固件更新过程在机器学习时代具备新的意义。
黑客能够利用计算机视觉和 AI 中的新安全漏洞。设计师须要思考到这一点。
总结
在这篇文章中，咱们简要介绍了计算机视觉以及它如何成为许多连贯的设施和利用的要害组成部分。最重要的是，咱们预测了该技术的爆炸式增长，并列举了理论利用中的一些阻碍。在下一系列文章中，咱们将摸索新的框架，最佳实际和设计办法，以克服一些挑战。
原文链接：http://ai.qianjia.com/html/2020-09/04_370313.html
本文转载自千家网，本文所有观点和阿里云视觉智能开放平台无关
