計算機視覺的演變
計算機視覺技術在日常產(chǎn)品中的應用非常廣泛，從可以識別手勢的游戲機到可以自動對焦的手機攝像頭。計算機視覺技術影響著我們生活的方方面面。
事實上，計算機視覺在政府方面以及商業(yè)領域已經(jīng)應用多年�？梢栽诟鞣N光譜范圍內(nèi)感測光波的光學傳感器被部署在許多應用中：比如制造業(yè)中的質(zhì)量保證，用于環(huán)境管理的遠程傳感技術或者在戰(zhàn)場上收集情報的高分辨率相機。其中有一些傳感器是靜態(tài)的，也有另外一些傳感器是動態(tài)的，它們被連接到諸如衛(wèi)星、無人機和車輛等移動物體上。
在過去，許多計算機視覺應用程序僅限于某些封閉平臺。但是隨著與互聯(lián)網(wǎng)連接技術的結合，他們創(chuàng)造了一套過去難以實現(xiàn)的新應用。計算機視覺加上互聯(lián)網(wǎng)連接，高級數(shù)據(jù)分析和人工智能，它們將成為彼此的催化劑，在物聯(lián)網(wǎng)（IoT）創(chuàng)新和應用方面帶來革命性的飛躍。
推動計算機視覺多領域的發(fā)展
視覺環(huán)境設計
視覺是人類五種感官中最為發(fā)達的。我們每天都用它來辨別我們的朋友，發(fā)現(xiàn)路上的障礙物，完成任務和學習新事物。我們?yōu)槲覀兊囊曈X設計周邊環(huán)境，比如：有路牌和信號燈幫助我們從一個地方到另一個地方；商店有標志牌幫助我們找到它們；電腦和電視屏幕顯示各種資訊和娛樂節(jié)目。鑒于視覺的重要性，將其擴展到計算機和自動化系統(tǒng)顯然是勢在必行。
計算機視覺
計算機視覺首先捕獲并存儲圖像，然后將這些圖像轉換成可以進一步執(zhí)行的信息。它由多種技術組合而成，如下圖所示。
計算機視覺工程是一個跨學科領域，需要多種技術中跨職能和跨系統(tǒng)的專家。
例如，Microsoft Kinect 使用3D計算機圖形算法實現(xiàn)計算機視覺來分析和理解三維場景。它允許游戲開發(fā)人員將實時全身運動捕捉與人造3D環(huán)境結合起來。除了游戲，這在機器人、虛擬現(xiàn)實（VR）和增強現(xiàn)實（AR）應用等領域開辟了新的可能性。
傳感器技術的進步也在傳統(tǒng)攝像機傳感器以外的許多層面得到迅速發(fā)展。最近的一些例子包括：
- 紅外傳感器和激光結合起來感測深度和距離，這是自動駕車和3D地圖應用的關鍵推動因素之一
- 非接觸式傳感器可以在無需身體接觸的情況下跟蹤患者的生命體征
- 高頻攝像機可以捕捉到人眼無法覺察的微妙動作，以幫助運動員分析其步態(tài)
- 超低功耗和低成本的視覺傳感器可部署在任何地方并長期使用
計算機視覺更加智能
早期應用
監(jiān)控行業(yè)是圖像處理技術和視頻分析技術的早期應用領域之一。視頻分析是計算機視覺的一個特殊用例，它能夠從長達數(shù)小時的視頻中找出我們需要的片段。 自動檢測和識別現(xiàn)實中預定義模式的能力能夠應用到數(shù)百個場景中，帶來巨大的市場機會。
第一個視頻分析工具使用手工算法來識別圖像和視頻中的特定功能。它們在實驗室設置條件下和模擬環(huán)境中都是準確的。然而，當輸入數(shù)據(jù)（如照明條件和攝像機視圖）偏離設計假設時，性能急速下降。
研究人員和工程師花費了多年開發(fā)和調(diào)優(yōu)算法，或者用新的方法來處理不同的條件。然而，使用這些算法的攝像頭或者錄像機仍然不夠穩(wěn)健。盡管多年來取得了一些進步，但現(xiàn)實世界的糟糕表現(xiàn)限制了該技術的應用和推廣。
深度學習的興起
近年來深度學習算法的出現(xiàn)促進了計算機視覺的發(fā)展。深度學習使用人造神經(jīng)網(wǎng)絡（ANN）算法，模擬人腦神經(jīng)元。
從2010年初開始，由圖形處理單元（GPU）加速的計算機性能已經(jīng)越來越強大，足以使研究人員實現(xiàn)復雜 ANN 的功能。此外，在部分視頻站點和 IoT 設備支持下，研究人員擁有大量不同的視頻庫和圖像數(shù)據(jù)來訓練其神經(jīng)網(wǎng)絡。
在2012年，一種被稱為卷積神經(jīng)網(wǎng)絡（CNN）的深度神經(jīng)網(wǎng)絡（DNN）在精度方面展示了巨大的飛躍。這一飛躍推動了計算機視覺工程領域的發(fā)展�，F(xiàn)在，在需要圖像分類和面部識別的應用中，深度學習算法甚至可以應用到人類以外。更重要的是，就像人類一樣，這些算法具有學習和適應不同條件的能力。
通過深度學習，我們正在進入一個認知技術的時代，計算機視覺和深度學習融合在一起，解決人類大腦層面的高層次的復雜問題。我們目前的研發(fā)成果還浮于表面。這些系統(tǒng)將會持續(xù)改進，使用更快的處理器，更先進的機器學習算法，更深入地集成到邊緣設備。計算機視覺將改變物聯(lián)網(wǎng)。
更多應用案例
其他有趣的用例包括：
- 監(jiān)測作物健康的農(nóng)業(yè)無人機（http：//www.slantrange.com/）
- 交通設施管理（http：//www.vivacitylabs.com/）
- 無人機安全檢測（http：//industrialskyworks.com/drone-inspections-services/）
- 下一代家庭安全攝像頭（https：//buddyguard.io/）
這些只是計算機視覺大大提高許多領域生產(chǎn)力的一些小例子。我們正在進入物聯(lián)網(wǎng)進化的下一個階段。在第一階段，我們專注于連接設備，搜集數(shù)據(jù)并建立大型數(shù)據(jù)平臺。在第二階段，重點將轉移到通過計算機視覺和深度學習等技術使“事物”更加智能，從而產(chǎn)生更多可操作的數(shù)據(jù)。
挑戰(zhàn)
增強該技術的實用性并進行商業(yè)化的過程中，還有很多問題需要克服：
- 嵌入式平臺需要集成深度神經(jīng)設計。在能源消耗、成本、準確性、靈性方面都需要認真設計。
- 行業(yè)需要標準化，以允許智能設備和系統(tǒng)相互通信并共享元數(shù)據(jù)。
- 系統(tǒng)不再只是一個單純的數(shù)據(jù)收集器。它們能夠支持人們對這些數(shù)據(jù)的操作。系統(tǒng)能夠自動學習和成長。整個軟件、固件更新過程在機器學習時代具有新的意義。
- 黑客可以利用計算機視覺和 AI 中新的安全漏洞。設計人員需要考慮到這一點。
結論
在這篇文章中，我們簡要介紹了計算機視覺，以及它是如何成為許多連接設備和應用程序的重要組成部分。最重要的是，我們預測其即將爆發(fā)式增長，并列出了實際應用中的一些障礙。在接下來的系列文章中，我們將探索新的框架、最佳實踐和設計方法，以克服一些挑戰(zhàn)。
核心關注：拓步ERP系統(tǒng)平臺是覆蓋了眾多的業(yè)務領域、行業(yè)應用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業(yè)務管理理念，功能涉及供應鏈、成本、制造、CRM、HR等眾多業(yè)務領域的管理，全面涵蓋了企業(yè)關注ERP管理系統(tǒng)的核心領域，是眾多中小企業(yè)信息化建設首選的ERP管理軟件信賴品牌。
轉載請注明出處：拓步ERP資訊網(wǎng)http://www.oesoe.com/
本文標題：計算機視覺在 IoT 領域的實踐應用
本文網(wǎng)址：http://www.oesoe.com/html/consultation/10839620754.html
相關文章
