听牌还能杠吗
歡迎來到114ic交易網!登錄免費注冊 加為收藏
型號索引電子元器件現貨庫存IC熱賣
緊急采購日常采購采購商名錄
行業新聞經營管理電子展會人才招聘精選文摘企業新聞行業標準LED新聞
IC生產廠商電子縮略語封裝大全IC替換晶體管資料PDF資料電路圖

人工智能時代,機器視覺先行!

日期:2019/8/2 10:30:46
摘要:“人工智能(Artificial Intelligence,AI)”這個詞首次出現在達特茅斯會議上,標志著其作為一個研究領域的正式誕生。2016年,AlphaGo打敗了世界圍棋冠軍李世石,一時間“人工智能”名聲大噪,相關產業進入爆發式發展階段。

關鍵詞:人工智能時代

從飲毛茹血的原始社會,到鋼筋混凝土的城市森林,人類發明創造了無數不同的工具,不斷完善和改變人們的生活環境,推進社會的文明發展。長期以來,制造具有智能思想的機器一直是人類的終極夢想。1956年,“人工智能(Artificial Intelligence,AI)”這個詞首次出現在達特茅斯會議上,標志著其作為一個研究領域的正式誕生。2016年,AlphaGo打敗了世界圍棋冠軍李世石,一時間“人工智能”名聲大噪,相關產業進入爆發式發展階段。

簡單來說,人工智能的研究,就是要通過智能機器,延伸和增強人類在改造自然、治理社會的各項任務中的能力和效率,最終實現人類與機器和諧共生共存的社會。這里說的智能機器,可以是一個虛擬的或者物理的機器人。與人類幾千年來創造出來的各種工具和機器不同的是,智能機器具有自主的感知、認知、決策、學習、執行和社會協作能力,符合人類情感、倫理與道德觀念。當然,這種“類人智能”的機器以目前的人工智能技術還遠達不到。迄今為止的人工智能系統都還只能實現特定功能的專用智能,雖然目前主流研究仍然集中于弱人工智能,不過已取得顯著進步,如機器視覺、語音識別、圖像處理和機器翻譯等方面取得了重大突破,甚至可以接近或超越人類水平。

人類主要通過五官來感知與外界世界的信息,其中80%以上的信息都通過眼睛獲取。既然人工智能是要機器像人一樣思考和行動,那么發展人工智能,首先就要先幫助機器“看懂這個世界”。機器視覺對于人工智能的意義,正如眼睛對于人類的價值,重要性不言而喻。機器視覺是開啟人工智能進入現實世界的大門。

在高速流水線上,機器視覺系統可以每秒完成成百上千個標簽的檢查和驗證;配備適當分辨率的相機和光學元件后,能夠輕松檢測小到人眼無法看到的物品細節特征;通過百萬級數量圖片的比對,可以從監控中抓出隱藏的罪犯;在醫院里通過X射線拍照,可以找出隱藏在身體內的變異細胞……目前的某些機器視覺功能已經超越了人類視覺?

事實真是如此么?仔細想想,在某些場合,機器視覺卻表現差強人意。比如,機器視覺可能很容易辨識出一對雙胞胎的差異,但是在辨識這對雙胞胎是男性還是女性?大概多大歲數?身高胖瘦幾何?是在跳舞還是唱歌?這些在人類看來一目了然的事情,但對于機器視覺系統來說,似乎很難快速響應。因為,它只設計了“看臉”和“比臉”的程序和系統,其它能力在程序中如果沒有設置,那么它就無法判斷。要識別性別,需要一套識別性別的系統;要識別身高,需要另一套測量身高的系統;要識別年齡、識別動作,還需要編制另外的系統。而且,就拿人臉識別系統來說,還需要人站在固定的位置、需要輔助照明、需要臉部正面圖像等……

所以說,目前的機器視覺只是在特定的場合和特定的任務方面,基本能夠達到甚至超過人類視覺。但在視覺的智能化和自動化方面,目前的機器視覺還無法和任何一個智慧生物的“視覺”相比。

通常意義上,人類視覺主要依靠眼睛和大腦來完成對物體的觀察和理解,人類通過眼睛對物體和外部場景的彩色三維圖像進行觀察和捕捉;然后圖像信息經視覺神經傳給大腦進行分析和理解,大腦能夠對視場內的物體自動進行空間分離,得到物體位置、尺寸、紋理、色彩和運動狀態等詳細特征信息,從而快速判斷物體的名稱、類別和分類等等屬性信息。很顯然對于目前的機器視覺來說還缺少對圖像自動識別和理解的“智慧”。

學習是人類具有的很重要的一項能力,那么機器學習(Machine Learning,ML)就是讓機器或計算機模擬或實現人類的學習行為,通過獲取新的知識或技能,重新組織已有的知識結構使之不斷改善自身的性能。機器學習是人工智能技術的核心,結合機器視覺可以練就一雙“火眼金睛”,幫助機器看懂和理解外部的真實世界。

機器學習最基本的做法,是使用算法來解析數據,并從中學習,然后對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟件程序不同,機器學習是用大量的數據來“訓練”,通過各種算法從數據中學習如何完成任務。

機器學習直接來源于早期的人工智能領域,傳統的算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等。傳統的機器學習算法在指紋識別、基于HoG特征的物體檢測等領域的應用基本達到了商業化的要求或者特定場景的商業化水平,但每前進一步都異常艱難,直到深度學習算法的出現。

深度學習(Deep Learning,DL)是近年來在機器學習領域出現的一個新的研究熱點,其最早源于人工神經網絡(ANN)的研究。它通過模仿人腦多層次的模型結構,對底層信息經過多層非線性變換,逐步提取低層特征形成更加抽象的高層表示,來發現數據的本質特征。深度學習相比于一般的淺層模型的機器學習方法具有多隱層結構,對大數據具有更好的擬合性。深度學習的好處是用非監督式或半監督式的特征學習和分層特征提取高效算法來替代手工獲取特征。至今已發展出數種深度學習框架,如深度神經網絡(DNN)、卷積神經網絡(CNN)和深度置信網絡(DBN)和遞歸神經網絡(RNN),已在機器視覺、語音識別、自然語言處理、音頻識別與生物信息學等領域取得突破性進展。

在機器視覺領域,深度學習不僅能夠使機器檢測缺陷更加高效,而且讓機器視覺識別的過程更加精確。最重要的是,與使用基于規則方法的傳統圖像處理技術相比,深度學習可以在不容易表征或非線性的應用時賦予機器更高水平的可重復性。此外,深度學習由于不需要耗費大量時間進行人工特征的提取,大大提高了開發機器視覺程序的效率。

如今,在計算性能不斷提升和算法不斷突破的推動下,機器視覺軟件中深度學習技術的使用正在興起。例如,康耐視在2017年收購了瑞士人工智能公司ViDi Systems,針對工廠自動化應用推出了VisionPro ViDi套件,通過將人工智能(AI)與VisionPro和Cognex Designer軟件結合在一起,該套件在復雜檢測、零件定位、分類和光學字符識別(OCR)應用方面取得了突破進展。韓國SUALAB公司基于各個工業場所產生的實際圖像數據的庫,推出了SuaKIT檢測軟件,使用深度學習技術實現分割和分類的主要功能,可以大大降低檢測過程中的錯誤率。德國MVTec公司也將深度學習技術融入了其著名的HALCON和MERLIC機器視覺軟件產品中,現在其HALCON軟件中就包含一個基于深度學習技術的OCR分類器,可透過一些預訓練字體來使用,能實現比之前所有分類法更高的識別速度。此外,美國Cyth Systems公司也推出了專門為幫助沒有機器視覺經驗的用戶進行產品檢查和產品分類而設計的Neural Vision軟件。隨著越來越多的機器視覺公司在他們的應用中成功部署深度學習技術,深度學習技術與傳統的機器視覺方法正形成有益的互補,將在市場上越來越流行。

總之,人工智能的迅速發展,使得機器視覺“如虎添翼”。被訓練成“火眼金睛”的智能機器視覺不僅能輕松解決傳統機器視覺的“痛點”問題,還將具有勝任更多的檢查和識別任務的能力,讓機器真正地看懂世界。展望未來,除了工業領域,智能機器視覺還將在無人商店、自動駕駛、醫療診斷等領域掀起新風暴。

听牌还能杠吗 四人斗地主炸弹规则 狠赚钱 富宝彩坛老网址 河南泳坛夺金怎么玩 天津时时彩 幸运分分彩官网开奖走势 德州棋牌现金版 开全民k歌直播能赚钱吗 快速时时开奖 游戏西游争霸