深度学习对机器视觉的好处与应用领域

计算机视觉将掀起下一波创业大潮

人工智能中的计算机视觉是人类视觉的自动化。从零售、农业、保险到建筑，计算机视觉可以应用于社会的许多领域。

人工智能有眼睛，这就是计算机视觉。以下是计算机视觉初创公司是如何影响行业的。

随着计算机视觉初创公司的出现，人工智能正在给世界带来革命性的变化。人工智能中的计算机视觉是人类视觉的自动化。从零售、农业、保险到建筑，计算机视觉可以应用于社会的许多领域。它正在广泛的行业特定案例中得到应用，这将大大有利于经济。许多计算机视觉初创公司正准备进军商业规模，并取得主流地位。

计算机视觉的应用

零售

计算机视觉在零售领域有许多用途。最令人兴奋的用途之一是免费购物结账。这个用例是未来的、解决问题的、简单的。一旦一家商店配备了必要的计算机视觉人工智能传感器，购物者就可以进入商店，取走商品，从传感器前走过，无需在收银员前排队就能收到自动购物收据。

该概念成功的现实证明是于2016年启动的AmazonGo计划。其他兑现了该概念的初创公司包括StandardCognition，Grabango，TrigoVision，Zippin和Aifi。“现在，计算机可以看到的亲自购物体验将永远改变。像Grabango这样的计算机视觉系统可以检测购物车中的每种产品，因此无需在购物旅行结束时对其进行重新调整。您只要抓住，继续前进，就可以继续前进。”Grabango首席执行官WillGlaser说。

通过计算机视觉实现的免结账购物也将降低劳动力成本，改善整体购物体验。除此之外，库存管理是计算机视觉的另一个应用。优化产品组合，确保货架上随时都有存货，这是零售商每天面临的挑战。如果货架空空荡荡，产品缺货，他们每年就不能冒损失数十亿美元收入的风险。Focalsystems是一家使用计算机视觉实现库存管理自动化的初创公司。

保险

保险业依赖于可视化资产评估。它需要准确的价格和承保政策，同时为了索赔的目的确定事故发生后的损害风险。为了实现一个更平滑的过程，计算机视觉有助于更快，更便宜，更准确的评估。CapeAnalytics和Betterview是两家为保险公司提供这项服务的计算机视觉人工智能初创公司。他们使用地理空间数据来自动识别建筑材料、屋顶状况、屋顶面积、房产有多少碎片以及许多其他因素，这些因素决定了房产的风险状况，并给出了最优的保险定价。另一家总部位于伦敦的计算机视觉人工智能初创公司是Tractable，它利用这项技术对车祸和自然灾害产生即时损失估计。

施工

在建筑行业，有许多机会进行流程优化。计算机视觉的应用可以大大提高生产效率，节约成本。TraceAir是一家使用无人机收集建筑工地航空图像的初创公司，它使监理人员能够远程监控项目。

和其他技术一样，计算机视觉也有负面作用。因此，制定规章制度至关重要，这样企业和个人才能确保社会兑现这项技术，为每个人的利益负责。

深度学习对机器视觉系统的好处？

面向工厂自动化的深度学习 2021年3月15日传统的机器视觉系统可通过一致且制造精良的零件可靠地运行。它们通过逐步筛选和基于规则的算法进行操作，这些算法比人工检查更具成本效益。但是，随着异常和缺陷库的增长，算法变得笨拙。众所周知，某些传统的机器视觉检查（例如最终组装验证）很难编程，因为多个变量对于机器来说很难隔离，例如照明，颜色变化，曲率和视野。

尽管机器视觉系统可以承受因比例，旋转和姿势变形而导致的零件外观变化，但复杂的表面

纹理和图像质量问题仍然带来了严峻的检查挑战。机器视觉系统很难欣赏视觉上非常相似的零件之间的差异和偏差。固有的差异或异常可能会或可能不会导致拒绝，具体取决于用户如何理解和分类它们。

影响零件效用的“功能”异常几乎总是导致拒收的原因，而外观异常可能并非如此，这取决于制造商的需求和偏好。最成问题的是，传统的机器视觉系统很难区分这些缺陷。

人工检查的优势

与传统的机器视觉不同，人类擅长区分细微的外观缺陷和功能缺陷，并意识到可能会影响感知质量的零件外观变化。尽管我们处理信息的速度受到限制，但是人类具有独特的概念化和概括能力。我们擅长通过实例学习，并能够区分出真正重要的事情

零件之间会出现轻微异常。在许多情况下，这使人的视觉成为对复杂，无结构的场景（尤其是那些具有细微缺陷和不可预测缺陷的场景）进行定性解释的最佳选择。例如，在处理变形的字符以及其他难以理解的字符，复杂的表面和外观缺陷时，人类会更加准确。对于这些应用中的许多应用，机器无法与人类竞争，因为他们对复杂性有所了解。

用于复杂检查的深度学习

深度学习模型可以通过将人类检查员的自学与计算机系统的速度和一致性相结合，来帮助机器克服其固有的局限性。基于深度学习的图像分析特别适合本质上很复杂的化妆品表面检查：图案以细微但可忍受的方式变化，并且位置变化可能会阻止使用基于空间频率的方法。深度学习擅长解决复杂的表面和外观缺陷，例如旋转，刷过或发亮的零件上的划痕和凹痕。无论是用来定位，阅读，检查或分类感兴趣的特征，基于深度学习的图像分析与传统机器视觉的不同之处在于，它可以基于概念来概念化和概括零件的外观。

根据其独特的特征-即使这些特征微妙地变化或有时偏离。

在传统机器视觉和深度学习之间进行选择

传统机器视觉和深度学习之间的选择取决于要解决的应用程序类型，要处理的数据量以及处理能力。确实，对于许多应用来说，深度学习并不是正确的解决方案。传统的基于规则的编程技术在测量和测量以及执行精确对齐方面更胜一筹。在某些情况下，传统视觉可能是准确确定感兴趣区域并进行深度学习检查该区域的最佳选择。然后，可以将基于深度学习的检查结果传递回传统视觉，以对缺陷的大小和形状进行准确的测量。

深度学习是对基于规则的方法的补充，它减少了对深度视觉领域专业知识进行有效检查的需求。相反，深度学习已将以前需要视觉专业知识的应用程序转变为非视觉专家可以解决的工程难题。深度学习将逻辑负担从开发和编写基于规则的算法的应用程序开发人员转移到培训系统的工程师身上。它还为解决未经人工检查人员从未尝试过的应用提供了新的可能性。这样，深度学习使机器视觉更易于使用，同时扩大了计算机和相机可以准确检查的范围。
编辑：lyn