計算機視覺將掀起下一波創(chuàng)業(yè)大潮

人工智能中的計算機視覺是人類視覺的自動化。從零售、農(nóng)業(yè)、保險到建筑，計算機視覺可以應用于社會的許多領域。

人工智能有眼睛，這就是計算機視覺。以下是計算機視覺初創(chuàng)公司是如何影響行業(yè)的。

隨著計算機視覺初創(chuàng)公司的出現(xiàn)，人工智能正在給世界帶來革命性的變化。人工智能中的計算機視覺是人類視覺的自動化。從零售、農(nóng)業(yè)、保險到建筑，計算機視覺可以應用于社會的許多領域。它正在廣泛的行業(yè)特定案例中得到應用，這將大大有利于經(jīng)濟。許多計算機視覺初創(chuàng)公司正準備進軍商業(yè)規(guī)模，并取得主流地位。

計算機視覺的應用

零售

計算機視覺在零售領域有許多用途。最令人興奮的用途之一是免費購物結賬。這個用例是未來的、解決問題的、簡單的。一旦一家商店配備了必要的計算機視覺人工智能傳感器，購物者就可以進入商店，取走商品，從傳感器前走過，無需在收銀員前排隊就能收到自動購物收據(jù)。

該概念成功的現(xiàn)實證明是于2016年啟動的AmazonGo計劃。其他兌現(xiàn)了該概念的初創(chuàng)公司包括StandardCognition，Grabango，TrigoVision，Zippin和Aifi?！艾F(xiàn)在，計算機可以看到的親自購物體驗將永遠改變。像Grabango這樣的計算機視覺系統(tǒng)可以檢測購物車中的每種產(chǎn)品，因此無需在購物旅行結束時對其進行重新調整。您只要抓住，繼續(xù)前進，就可以繼續(xù)前進?！盙rabango首席執(zhí)行官WillGlaser說。

通過計算機視覺實現(xiàn)的免結賬購物也將降低勞動力成本，改善整體購物體驗。除此之外，庫存管理是計算機視覺的另一個應用。優(yōu)化產(chǎn)品組合，確保貨架上隨時都有存貨，這是零售商每天面臨的挑戰(zhàn)。如果貨架空空蕩蕩，產(chǎn)品缺貨，他們每年就不能冒損失數(shù)十億美元收入的風險。Focalsystems是一家使用計算機視覺實現(xiàn)庫存管理自動化的初創(chuàng)公司。

保險

保險業(yè)依賴于可視化資產(chǎn)評估。它需要準確的價格和承保政策，同時為了索賠的目的確定事故發(fā)生后的損害風險。為了實現(xiàn)一個更平滑的過程，計算機視覺有助于更快，更便宜，更準確的評估。CapeAnalytics和Betterview是兩家為保險公司提供這項服務的計算機視覺人工智能初創(chuàng)公司。他們使用地理空間數(shù)據(jù)來自動識別建筑材料、屋頂狀況、屋頂面積、房產(chǎn)有多少碎片以及許多其他因素，這些因素決定了房產(chǎn)的風險狀況，并給出了最優(yōu)的保險定價。另一家總部位于倫敦的計算機視覺人工智能初創(chuàng)公司是Tractable，它利用這項技術對車禍和自然災害產(chǎn)生即時損失估計。

施工

在建筑行業(yè)，有許多機會進行流程優(yōu)化。計算機視覺的應用可以大大提高生產(chǎn)效率，節(jié)約成本。TraceAir是一家使用無人機收集建筑工地航空圖像的初創(chuàng)公司，它使監(jiān)理人員能夠遠程監(jiān)控項目。

和其他技術一樣，計算機視覺也有負面作用。因此，制定規(guī)章制度至關重要，這樣企業(yè)和個人才能確保社會兌現(xiàn)這項技術，為每個人的利益負責。

深度學習對機器視覺系統(tǒng)的好處？

面向工廠自動化的深度學習 2021年3月15日傳統(tǒng)的機器視覺系統(tǒng)可通過一致且制造精良的零件可靠地運行。它們通過逐步篩選和基于規(guī)則的算法進行操作，這些算法比人工檢查更具成本效益。但是，隨著異常和缺陷庫的增長，算法變得笨拙。眾所周知，某些傳統(tǒng)的機器視覺檢查（例如最終組裝驗證）很難編程，因為多個變量對于機器來說很難隔離，例如照明，顏色變化，曲率和視野。

盡管機器視覺系統(tǒng)可以承受因比例，旋轉和姿勢變形而導致的零件外觀變化，但復雜的表面

紋理和圖像質量問題仍然帶來了嚴峻的檢查挑戰(zhàn)。機器視覺系統(tǒng)很難欣賞視覺上非常相似的零件之間的差異和偏差。固有的差異或異?？赡軙蚩赡懿粫е戮芙^，具體取決于用戶如何理解和分類它們。

影響零件效用的“功能”異常幾乎總是導致拒收的原因，而外觀異?？赡懿⒎侨绱?，這取決于制造商的需求和偏好。最成問題的是，傳統(tǒng)的機器視覺系統(tǒng)很難區(qū)分這些缺陷。

人工檢查的優(yōu)勢

與傳統(tǒng)的機器視覺不同，人類擅長區(qū)分細微的外觀缺陷和功能缺陷，并意識到可能會影響感知質量的零件外觀變化。盡管我們處理信息的速度受到限制，但是人類具有獨特的概念化和概括能力。我們擅長通過實例學習，并能夠區(qū)分出真正重要的事情

零件之間會出現(xiàn)輕微異常。在許多情況下，這使人的視覺成為對復雜，無結構的場景（尤其是那些具有細微缺陷和不可預測缺陷的場景）進行定性解釋的最佳選擇。例如，在處理變形的字符以及其他難以理解的字符，復雜的表面和外觀缺陷時，人類會更加準確。對于這些應用中的許多應用，機器無法與人類競爭，因為他們對復雜性有所了解。

用于復雜檢查的深度學習

深度學習模型可以通過將人類檢查員的自學與計算機系統(tǒng)的速度和一致性相結合，來幫助機器克服其固有的局限性?；谏疃葘W習的圖像分析特別適合本質上很復雜的化妝品表面檢查：圖案以細微但可忍受的方式變化，并且位置變化可能會阻止使用基于空間頻率的方法。深度學習擅長解決復雜的表面和外觀缺陷，例如旋轉，刷過或發(fā)亮的零件上的劃痕和凹痕。無論是用來定位，閱讀，檢查或分類感興趣的特征，基于深度學習的圖像分析與傳統(tǒng)機器視覺的不同之處在于，它可以基于概念來概念化和概括零件的外觀。

根據(jù)其獨特的特征-即使這些特征微妙地變化或有時偏離。

在傳統(tǒng)機器視覺和深度學習之間進行選擇

傳統(tǒng)機器視覺和深度學習之間的選擇取決于要解決的應用程序類型，要處理的數(shù)據(jù)量以及處理能力。確實，對于許多應用來說，深度學習并不是正確的解決方案。傳統(tǒng)的基于規(guī)則的編程技術在測量和測量以及執(zhí)行精確對齊方面更勝一籌。在某些情況下，傳統(tǒng)視覺可能是準確確定感興趣區(qū)域并進行深度學習檢查該區(qū)域的最佳選擇。然后，可以將基于深度學習的檢查結果傳遞回傳統(tǒng)視覺，以對缺陷的大小和形狀進行準確的測量。

深度學習是對基于規(guī)則的方法的補充，它減少了對深度視覺領域專業(yè)知識進行有效檢查的需求。相反，深度學習已將以前需要視覺專業(yè)知識的應用程序轉變?yōu)榉且曈X專家可以解決的工程難題。深度學習將邏輯負擔從開發(fā)和編寫基于規(guī)則的算法的應用程序開發(fā)人員轉移到培訓系統(tǒng)的工程師身上。它還為解決未經(jīng)人工檢查人員從未嘗試過的應用提供了新的可能性。這樣，深度學習使機器視覺更易于使用，同時擴大了計算機和相機可以準確檢查的范圍。
編輯：lyn