計算機視覺將掀起下一波創業大潮

人工智能中的計算機視覺是人類視覺的自動化。從零售、農業、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公司是如何影響行業的。

隨著計算機視覺初創公司的出現，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、農業、保險到建筑，計算機視覺可以應用于社會的許多領域。它正在廣泛的行業特定案例中得到應用，這將大大有利于經濟。許多計算機視覺初創公司正準備進軍商業規模，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。

該概念成功的現實證明是于2016年啟動的AmazonGo計劃。其他兌現了該概念的初創公司包括StandardCognition，Grabango，TrigoVision，Zippin和Aifi。“現在，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可以檢測購物車中的每種產品，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，繼續前進，就可以繼續前進。”Grabango首席執行官WillGlaser說。

通過計算機視覺實現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。優化產品組合，確保貨架上隨時都有存貨，這是零售商每天面臨的挑戰。如果貨架空空蕩蕩，產品缺貨，他們每年就不能冒損失數十億美元收入的風險。Focalsystems是一家使用計算機視覺實現庫存管理自動化的初創公司。

保險

保險業依賴于可視化資產評估。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生后的損害風險。為了實現一個更平滑的過程，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公司。他們使用地理空間數據來自動識別建筑材料、屋頂狀況、屋頂面積、房產有多少碎片以及許多其他因素，這些因素決定了房產的風險狀況，并給出了最優的保險定價。另一家總部位于倫敦的計算機視覺人工智能初創公司是Tractable，它利用這項技術對車禍和自然災害產生即時損失估計。

施工

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

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

深度學習對機器視覺系統的好處？

面向工廠自動化的深度學習 2021年3月15日傳統的機器視覺系統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。機器視覺系統很難欣賞視覺上非常相似的零件之間的差異和偏差。固有的差異或異常可能會或可能不會導致拒絕，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，而外觀異常可能并非如此，這取決于制造商的需求和偏好。最成問題的是，傳統的機器視覺系統很難區分這些缺陷。

人工檢查的優勢

與傳統的機器視覺不同，人類擅長區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，并能夠區分出真正重要的事情

零件之間會出現輕微異常。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的速度和一致性相結合，來幫助機器克服其固有的局限性。基于深度學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。

在傳統機器視覺和深度學習之間進行選擇

傳統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，要處理的數據量以及處理能力。確實，對于許多應用來說，深度學習并不是正確的解決方案。傳統的基于規則的編程技術在測量和測量以及執行精確對齊方面更勝一籌。在某些情況下，傳統視覺可能是準確確定感興趣區域并進行深度學習檢查該區域的最佳選擇。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則的方法的補充，它減少了對深度視覺領域專業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知識的應用程序轉變為非視覺專家可以解決的工程難題。深度學習將邏輯負擔從開發和編寫基于規則的算法的應用程序開發人員轉移到培訓系統的工程師身上。它還為解決未經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