計算機視覺的演變
計算機視覺技術在日常產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領域已經應用多年。可以在各種光譜范圍內感測光波的光學傳感器被部署在許多應用中：比如制造業中的質量保證，用于環境管理的遠程傳感技術或者在戰場上收集情報的高分辨率相機。其中有一些傳感器是靜態的，也有另外一些傳感器是動態的，它們被連接到諸如衛星、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。但是隨著與互聯網連接技術的結合，他們創造了一套過去難以實現的新應用。計算機視覺加上互聯網連接，高級數據分析和人工智能，它們將成為彼此的催化劑，在物聯網（IoT）創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展
視覺環境設計
視覺是人類五種感官中最為發達的。我們每天都用它來辨別我們的朋友，發現路上的障礙物，完成任務和學習新事物。我們為我們的視覺設計周邊環境，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目。鑒于視覺的重要性，將其擴展到計算機和自動化系統顯然是勢在必行。
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的專家。
例如，Microsoft Kinect 使用3D計算機圖形算法實現計算機視覺來分析和理解三維場景。它允許游戲開發人員將實時全身運動捕捉與人造3D環境結合起來。除了游戲，這在機器人、虛擬現實（VR）和增強現實（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攝像機傳感器以外的許多層面得到迅速發展。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
- 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
監控行業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，它能夠從長達數小時的視頻中找出我們需要的片段。 自動檢測和識別現實中預定義模式的能力能夠應用到數百個場景中，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境中都是準確的。然而，當輸入數據（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和調優算法，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健。盡管多年來取得了一些進步，但現實世界的糟糕表現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促進了計算機視覺的發展。深度學習使用人造神經網絡（ANN）算法，模擬人腦神經元。
從2010年初開始，由圖形處理單元（GPU）加速的計算機性能已經越來越強大，足以使研究人員實現復雜 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據來訓練其神經網絡。
在2012年，一種被稱為卷積神經網絡（CNN）的深度神經網絡（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展。現在，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。我們目前的研發成果還浮于表面。這些系統將會持續改進，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網。
更多應用案例
其他有趣的用例包括：
- 監測作物健康的農業無人機（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力的一些小例子。我們正在進入物聯網進化的下一個階段。在第一階段，我們專注于連接設備，搜集數據并建立大型數據平臺。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，從而產生更多可操作的數據。
挑戰
增強該技術的實用性并進行商業化的過程中，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。
- 行業需要標準化，以允許智能設備和系統相互通信并共享元數據。
- 系統不再只是一個單純的數據收集器。它們能夠支持人們對這些數據的操作。系統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。
核心關注：拓步ERP系統平臺是覆蓋了眾多的業務領域、行業應用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業務管理理念，功能涉及供應鏈、成本、制造、CRM、HR等眾多業務領域的管理，全面涵蓋了企業關注ERP管理系統的核心領域，是眾多中小企業信息化建設首選的ERP管理軟件信賴品牌。
轉載請注明出處：拓步ERP資訊網http://www.guhuozai8.cn/
本文標題：計算機視覺在 IoT 領域的實踐應用
本文網址：http://www.guhuozai8.cn/html/consultation/10839620754.html
相關文章
