5分鐘速通 AI 計算機視覺發展應用

作者 | 李秋鍵

出品 | AI科技大本營（ID:rgznai100）

計算機視覺是進步最大、發展最快的領域之一。根據 Global VIEW 的研究，全球計算機視覺市場規模在 2020 的價值為 113 億 2000 萬美元，預計從2021 到 2028 的復合年增長率為 7.3% 。人工智能計算機視覺的使用案例幾乎不計其數，其中最受歡迎的是無人機以及自動和半自動車輛。今天小編帶大家幾分鐘速通 AI 計算機視覺發展應用。

應用前景

（1）物流：

利用計算機圖像識別、地址庫、合卷積神經網提升手寫運單機器有效識別率和準確率，大幅度地減少人工輸單的工作量和差錯可能。

（2）肺部疾病影像診斷：

使用圖像分割算法對肺部掃描序列進行處理，生成肺部區域圖，然后根據肺部區域圖生成肺部圖像。利用肺部分割生成的肺部區域圖像和結節標準信息生成結節區域圖像，對基于CNN的肺結節分割器進行訓練，然后對圖像進行肺結節分割，得到疑似肺結節區域。找到疑似肺結節后，使用3D CNN對肺結節進行分類，得到真正肺結節的位置和置信度。

（3）垃圾桶智能監護：

首先，攝像頭拍攝垃圾照片，并將照片上傳至信息處理器，信息處理器對照片識別后，對垃圾進行分類；然后生成分類結果，再將結果發送到信號燈指示器；最后，對應的垃圾類別的信號燈就會亮起，提示人應該投入哪個投放口。需要注意的是，垃圾桶應配備傳感器和感應開關，并且應當設置在垃圾桶外殼與投放口相對應的位置。顯示屏最好選用觸摸屏，便于用戶操作和調整設置以及控制攝像頭。

（4）交通：

（一）用于自適應信號控制機檢測

1. 對車輛的檢測

無論是針對全感應信號控制機還是半感應信號控制機，圖像識別技術可以實時檢測主干道或次干路車道上的車輛到達和排隊情況，并可通過算法分析，對交叉口信號控制機進行實時數據更新，以保證最優算法，提供通暢的交通條件，在一定程度上避免了上下游交通擁堵。

2. 對行人的檢測

在城市化建設的重要發展中，CBD商業步行街越來越彰顯一個城市的文化精神之地，但大部分的商業街都是開放性的，如成都寬窄巷子等，這些旅游熱點，往往是人潮擁擠，將其感應控制理念用于該交叉口的信號控制機，即采取車輛相位的最小綠燈時間和行人相位的最大綠燈時間，會大大提高行人和車輛的有效綠燈時間，并使得行人與車輛有序、暢通、安全地進行交通組織。而識別技術可以作為決策最小和最大綠燈時間的“發現者”；它可以在半感應控制系統中實時檢測出車輛，并最大化地疏通行人；或在全感應控制系統中將兩相行人流量和車輛流量反饋給信號控制機，從而優化交叉口的信號相位，達到確保行人、車輛的有序安全組織。

（二）用于潮汐車道的自適應檢測

隨著現代化都市工作節奏的加快，城市的交通流形成了周期性、潮汐性的現象；而潮汐車道應運而生，但面臨波動的車流和交通區位的不同，為了保證潮汐車道的連續性，現有的潮汐車道都是穩定的時間點變化，即在規定時間內，該車道是上行還是下行方向，這樣的設定時段式控制法，不具靈活性，由于早高峰和晚高峰具有不同集群的特點，因此忽略了交通的動態變化性這個特點。

根據大城市多具有放射環狀式路網布局的特點，采用識別技術在城市中心多個射線沿路上的交叉口進行采集點布局，將上游路段實時反饋給下游，再結合電子屏實時信號控制，充分發揮潮汐車道的機動性，在時間上給予車流最大節省，從而緩解城市的擁堵，尤其是高峰期的擁堵。

（三）用于無人駕駛場景下的檢測

隨著人工智能的發展，無人駕駛在國內也得到了多個科研機構和大型企業的進一步探索，而試運車也在上海廣州等地正式上路，這說明無人駕駛時代即將在不遠的將來走進人們的生活，而面對如此復雜的交通環境，尤其是城市交通，要保證慢行交通尤其是步行者——人的安全，就要充分發揮無人駕駛各個傳感器的綜合優勢，而攝像頭作為其環境感知部分的重要部分之一，將深度學習和機器視覺同時融合，讓無人車輛在上路前學會大量的城市場景儲備，同時識別技術在無人駕駛車真正路用時發揮其作用，輔助車輛精準判別各類復雜的交通場景，并相應的給出決策行為。

（5）紡織品及服裝：

• 纖維及織物組織識別

紡織階段，圖像識別技術可用于識別區分各類纖維及其織物，還可用于原棉加工前識別非棉雜質。對于織物組織結構，針織物中對緯編組織的研究較多，如對其編織周期的識別及組織結構的編碼分類等。機織物中目前能夠識別出織物中的三原組織；還可輔以亮度累加法檢測分割經緯紗線、定位組織點，用于計算紗線密度和組織點的自動分類。但由于織物組織結構復雜多樣，即使是人工識別，若非專業人士也難以輕易辨認，因此目前大多相關研究還停留在人工與計算機交互操作提取特征進行識別，難以大范圍推廣。

• 織物疵點檢測

織物疵點檢測經過十數年的發展，已基本能完成疵點判別、疵點分割、疵點分類等功能，并應用于工業。識別準度是其中較為重要的驗收指標，但在保證準度的前提下，識別速度也需逐步提高，目前疵點在線監測的速度要求一般高于60 m/min，檢測的疵點最小尺寸為0.5 mm。近年進展多為提高精細度及速度、擴展識別疵點類別及檢驗規范化等，還有部分學者在對織物褶皺及折痕的研究中也使用了圖像識別相關技術，提出多視域織物外觀平整度客觀評級方法，嘗試讓機器判斷織物平整度并驗證，為織物表現性能的評估提供了有效的解決方案。

• 面料檢索

面料圖像的商業價值和大眾使用率較高，消費者和生產商都有挑選符合自己預期面料的需求；且面料圖像的顏色、紋理、形狀等底層特征相對較為簡單明晰，易于被計算機提取和區分。計算機除了能夠通過對比面料圖像實現相似面料的檢索之外，還可基于對部分特征明顯的面料進行感性屬性定義，實現對面料的主觀情感標注。如分析面料顏色的飽和度、對比度、色彩關系及紋理、圖案等，人工將客觀指標歸納至感性認知，用于面料檢索和推薦。但目前的面料檢索研究樣本仍較為單一，多為同類面料不同色彩，或同類面料不同圖案的研究，且人工定義情感屬性局限較大，可嘗試多維度多分類研究。

• 服裝領域

服裝領域中，對人體體型及服裝款式圖、樣板圖的識別多為服裝院校和服裝專業研究者完成；而計算機、信息技術領域等學者通常從識別服裝實物圖、著裝圖入手，對相關圖像進行識別、檢索、分割、分類及標注等。

• 人體體型識別

人體是服裝的基礎，服裝的智能化生產離不開對個體體型的研究及描述。對人體體型的研究多基于來源于二維測量或三維人體掃描的數據，但就圖像識別技術發展以來，也漸有學者致力于對圖像信息的分析以識別體型。一般是對人體二維照片進行預處理后提取輪廓曲線，再用一定的描述方法對曲線分類、以達到對體型分類的目的。

• 服裝款式圖與樣版圖識別

關于服裝款式圖，可運用shock graph技術提取形狀特征再對其分類；對于樣版圖，可對樣版邊緣進行識別，在樣片文件中儲存縫紉信息以用于自動縫紉技術。但服裝行業中的款式圖風格不一，還未形成一個統一規范作為分類標準；且shock graph一般用于進行形狀外輪廓的識別與匹配，不包括內部細節，無法作為樣版庫的檢索依據。需求方面，對服裝款式圖與樣版圖的識別需求較小；識別難度方面，服裝款式圖和樣版圖像只包含黑白二色及線條，無顏色和紋理特征，就發展現狀而言識別難度較實物圖高，需要對比不同的圖像識別模型和方法，綜合選擇最合適的方案

• 服裝著裝圖檢索分類

服裝圖像識別可分為對服裝廓形、尺寸的識別，及服裝分類、檢索和標注。服裝廓形的識別中，一般先在人體著裝照片以人臉或人體膚色為參照來確定照片中的服裝，再對服裝掃描識別特征點、獲取數據，由人體身高比例或其他公式自動計算測量服裝廓形相關尺寸，以此定義照片中的服裝廓形。借助計算機可實現部分服裝實物圖的尺寸及尺碼測量，但仍有較多人機交互工作量。

（6）安防領域的實踐應用：

安防是每個行業都比較重視的問題之一。安防領域，計算機圖像識別技術應用廣泛，比如當前很多城區和街道都安裝了監控，主要目的是發生事故時，可以準確查找相關資料和圖像，為事故判定提供有效依據。現如今，我國大多數地區都已完成了自動化視頻監控，這是圖像識別技術處理應用實踐的一個方式。將識別技術與安防結合，可以最大限度減輕人工勞動力，提升工作時效性，為事故糾紛提供有效依據。

（7）農業領域的實踐應用：

我國是一個農業大國。近年來，我國在農業中時常引進現代技術，培養農業植物實驗和新品種種植試驗都融合了現代圖像識別技術，以此觀察植物的生長情況，從而確定影響植物生長的因素。此外，圖像識別技術可鑒定農產品最終質量，為農業發展提供相關依據和指導。

（8）工業領域：

工業領域，圖像識別處理技術有非常多應用。它大大提升了工作時效性，比如自動裝配中的質量檢測、流體力學的阻力分析、自動分揀、識別排列狀態以及設計、制造視覺效果等。其中，值得一提的是研究具備感官功能的機器人，給工業生產奠定了基礎。

（9）航空領域：

計算機圖像識別處理技術在航空領域的應用，除了處理月球表面和火星圖片外，還有遙感技術等。經過空中圖像處理，如將數字化數據轉為相應信號并存入內存，當衛星經過地面上空時，高速傳送圖片，由處理中心解析。這些圖像無論是儲存、傳輸還是成像判讀，都必須采用數字圖像識別技術。現如今，世界各個大國都使用衛星獲取所需圖像資源，例如災難檢測、地質勘探、農城規劃等。數字圖像識別處理技術在天象預報和其他星球研究中發揮了重要作用。

（10）通信領域：

現如今，通信行業的主要發展目標是融合聲音、文字的通信。其中，圖像通信是最復雜的技術領域。圖像數據量較大、較廣，目前智能電視機信號傳輸必須達到100 M/s以上，想要把輸送高速數據，必須使用編碼技術壓縮信息量。

（11）軍事領域：

軍事行業，圖像識別處理技術主要分布在導彈、照片解讀、具備圖像傳輸的自動化軍事系統等。目前，公安系統融入了圖像識別技術，主要應用于人臉識別、圖片復原等方面，例如常見的高速公路不停車收費技術是圖像識別技術的應用成果。

圖像識別算法

（1）基于度量學習核函數的圖像識別算法：通過馬氏度量學習對光學足跡圖像訓練樣本特征進行學習得到最優的度量矩陣，從而構造度量學習核函數，在該核函數下再使用SVM進行分類識別．（2）基于單步目標識別架構的輕量級裂紋圖像自動識別：單步識別算法，相比于兩步式識別算法主要優點在于能夠提高檢出速度與降低對硬件使用的負載，通過合理地網絡設計能夠提高結構視覺檢測工作的效率與質量，最終實現其自動化。SSD算法包括以下組成部分：用于特征提取的Deep CNN（也稱為基礎網絡，即Basenet）、特征層集合（Feature Layers）、識別分類器（Classifier）、非極大值抑制（Non-Maximum Suppression，NMS）。（3）改進Mask R-CNN的火焰圖像識別算法：基于改進Mask R-CNN的火焰圖像識別算法，算法在Mask R-CNN的基礎上，在特征金字塔引入一條自下向上的特征融合，同時改進了損失函數，使邊框定位更準確。（4）基于RGB顏色空間：根據機場跑道路面上鮮明的顏色特征，采用抗噪性能好、識別速度快、識別精度高的RGB顏色空間識別方法進行黑色膠痕的識別。（5）基于稀疏表示和多特征融合的 SAR 圖像識別：當采用稀疏表示進行 SAR 圖像目標識別時，可采用的特征包括灰度特征、局部特征(HOG 特征)及基于信號變換提取的特征(單演信號特征)等。進行多特征融合時，主要采用基于聯合稀疏表示的識別方法（7）基于邊緣學習的低分辨率圖像識別算法：提出了一種基于GAN結構的邊緣學習低分辨率圖像識別算法，將通過生成網絡學習到的低分辨率圖像的幻想邊緣信息融入到識別網絡中，得到清晰的特征圖紋理輪廓，從而豐富了低分辨率圖像的高頻信息（8）基于方向梯度直方圖和灰度共生矩陣混合特征的金文圖像識別：用HOG提取金文的全局結構特征，用GLCM提取金文的局部紋理特征，并將兩者進行融合，對金文的特征描述更為全面。最后選取支持向量機（SVM）分類器對金文圖像進行分類識別（9）基于WGAN的圖像識別方法：在GAN的生成器和判別器中加入了相同的類別標簽，指導樣本的生成，使GAN具有了生成多類數據的能力。（10）傳統算法：機器學習算法K最鄰近(K-NearestNeighbor, KNN)，支持向量機(Support Vector Machine, SVM)和多層感知機(MultilayerPerceptron，MLP)等，以及近幾年比較熱門的基于深度學習和卷積神經網絡(Convolutional neural network, CNN)的圖像識別算法。深度學習模型包括深度信念網絡(Deep Belief Network, DBN)、卷積神經網絡(CNN)、循環神經網絡(Recurrent Neural Networks，RNN)等。這些模型通過構建一個更深層次的網絡，在此基礎上由計算機學習得到圖像更深層次的特征信息以及數據隱含的內部關系，使學習到的特征更具有表達能力，從而分類更加準確。基于特征匹配的，比如 ORB、SIFT+SURF等等。 

傳統圖像分割方法

• 基于閾值的分割方法

• 基于邊緣的分割方法

• 基于區域的分割方法

• 基于聚類分析的圖像分割方法

• 基于小波變換的分割方法

• 基于數學形態學的分割方法

• 基于人工神經網絡的分割方法

以上就是給大家整理的AI計算機視覺發展的應用，圖像識別算法以及傳統圖像分割的一些方法，小伙伴們可以自取呦~

李秋鍵，CSDN博客專家，CSDN達人課作者。碩士在讀于中國礦業大學，開發有taptap競賽獲獎等。