探索電腦視覺的應用。這份榜單匯集了眾多熟悉的產業，所使用的令人驚喜、快速成長，且高價值的應用。
本報導涵蓋了各行各業中，一系列新穎且有價值的電腦視覺應用。從中你可以找到目前市場上，最優秀的電腦視覺專案、電腦視覺創意，和高價值的應用案例。
本報導將涵蓋以下內容：
- 電腦視覺系統基礎知識
- 100 個電腦視覺實際應用（依產業分類）：
製造業
- 醫療保健
- 農業
交通運輸
運動體育
- 範例、專案和電腦視覺應用案例
- 電腦視覺的實現
電腦 AI 視覺專案的應用
什麼是電腦視覺？
電腦視覺領域是人工智慧 (AI) 的一個分支，它利用機器學習和深度學習，使電腦能夠像人類一樣觀察、執行 AI 模式，來辨識並分析照片和影像中的物體。視覺運算在 AI 視覺自動化檢測、遠端監控和自動化領域正迅速普及。
電腦視覺系統
電腦視覺系統使用 (1) 攝影機獲取視覺數據，(2) 機器學習模型處理影像，以及 (3) 條件邏輯來自動化特定應用的應用案例。邊緣智慧則促進了可擴展、高效率、穩健、安全且私密的電腦視覺的實現。
在 viso.ai，我們提供全球唯一的端到端電腦視覺平台 Viso Suite。此解決方案可協助領先的組織在一個平台開發、佈署、擴展和保護其電腦視覺應用
電腦視覺在製造業的應用
電腦視覺在製造業的應用
影像辨識在製造業中，用於人工智慧視覺檢測、品質控制、遠端監控和系統自動化。
生產力分析
生產力分析追蹤工作場所變化的影響、員工如何分配時間和資源以及如何實施各種工具。這些數據可以為時間管理、工作場所協作和員工生產力提供寶貴的見解。電腦視覺精實管理策略目的，在利用基於攝影機的視覺系統客觀地量化和評估流程。
設備視覺檢測
電腦視覺在視覺檢測中，是智慧製造的關鍵策略。基於視覺的檢測系統在個人防護設備 (PPE) 的自動化檢測中，也越來越受歡迎，例如口罩檢測或頭盔檢測。電腦運算視覺有助於監控施工現場，或智慧工廠的安全規程執行。
品質管理
智慧攝影機應用提供了一種可擴展的方法，用於在智慧工廠中，實現生產流程和裝配線的自動化視覺檢測和品質控制。深度學習利用即時物體偵測技術，相較於繁瑣的人工偵測，能夠提供更卓越的結果（偵測精度、速度、客觀性和可靠性）。
與傳統的機器視覺系統相比，人工智慧視覺檢測採用高度穩健的機器學習方法，無需昂貴的專用攝影機和不靈活的設定。因此，人工智慧視覺方法在多個地點和工廠中，具有極高的可擴展性。
技能訓練
視覺系統的另一個應用領域，是優化工業生產中的管線操作和人機互動。對人類行為的評估，有助於建立與不同操作步驟相關的標準化行為模型，並評估受過訓練的工人的表現。
自動評估工人的行為品質，有助於提高工作績效、提升生產效率（精實生產優化），更重要的是，發現危險行為以降低事故率。
Klacci 凱樂奇商用級智慧門鎖各種應用解決方案
電腦視覺在醫療保健中的應用
癌症檢測
機器學習已被應用於醫療行業，用於乳腺癌和皮膚癌的檢測。例如，影像辨識使科學家能夠檢測出，癌症和非癌症影像之間的細微差異，並根據磁振造影 (MRI) 掃描和輸入照片的數據，診斷是否為惡性或良性。
COVID-19 診斷
電腦視覺可用於冠狀病毒控制。目前已有多種基於 X 光的 COVID-19 診斷的深度學習電腦視覺模型。目前最受歡迎的利用數位胸部 X 光片 (CXR) 影像，檢測 COVID-19 病例的方法是 COVID-Net，由加拿大 Darwin AI 開發。細胞分類
機器學習在醫療用例中，已用於高精度地對 T 淋巴細胞，和結腸癌上皮細胞進行分類。因此，機器學習有望顯著加速結腸癌疾病的辨識過程，高效且成本低。
運動分析
即使沒有醫生的分析，也可以使用深度學習模型和電腦視覺，來檢測神經系統和肌肉骨骼疾病，例如即將發生的中風、平衡和步態問題。姿態估計電腦視覺應用程式，可以分析患者運動，幫助醫生輕鬆且更準確地診斷患者。
口罩偵測
口罩人臉辨識，用於偵測口罩和防護設備的使用情況，以限制冠狀病毒的傳播。同樣，電腦視覺系統可以幫助各國實施口罩作為控制策略，以遏制冠狀病毒的傳播。
因此，優步等私人公司在其行動應用程式中，開發了人臉偵測等電腦視覺功能，以檢測乘客是否佩戴口罩。此類項目在新冠疫情期間，提高了公共交通的安全性。
腫瘤檢測
腦腫瘤可以在核磁共振掃描中被發現，通常使用深度神經網路進行檢測。利用深度學習的腫瘤檢測軟體，對醫療產業非常重要，因為它能夠高精度地檢測腫瘤，幫助醫生做出診斷。
新的方法正在不斷湧現，以提高這些診斷的準確性。
疾病進展評分
電腦視覺可用於辨識重症患者，以便指導醫療救治（重症患者篩檢）。研究發現，感染 COVID-19 的患者呼吸頻率更快。
深度學習結合深度攝影機，可用於辨識異常呼吸模式，從而對 COVID-19 病毒感染者進行精準、隱蔽且大規模的篩檢。
醫療保健與復健
物理治療對於中風倖存者，和運動傷害患者的復健訓練非常重要。主要挑戰在於醫療專業人員、醫院或機構的監督成本。
使用基於視覺的復健應用，進行家庭訓練是首選，因為它允許人們私密且經濟地進行運動訓練。在電腦輔助治療或復健中，可以應用人體動作評估來幫助患者在家中訓練，指導他們正確執行動作，並防止進一步受傷。探索更多運動和健身應用。
醫療技能訓練
電腦視覺應用於評估自學平台上，專家學習者的技能水平。例如，基於擴增實境模擬的外科手術訓練平台，已被開發用於外科教育。
此外，動作品質評估技術，使得開發自動評估外科學生表現的計算方法成為可能。因此，可以為個人提供有意義的回饋訊息，並指導他們提高技能水準。
 |
| 上敦 AXXON 台灣總代理 |
電腦視覺在農業的應用
動物監測
利用電腦視覺進行動物監測，是智慧農業的關鍵策略。機器學習利用攝影機資料串流，監測特定牲畜（例如豬、牛或家禽）的健康狀況。智慧視覺系統目的在分析動物行為，以提高動物的生產力、健康和福利，進而影響該產業的產量和經濟效益。
農場自動化
收割、播種和除草機器人、自動駕駛拖拉機、用於遠端農場監控的視覺系統，以及用於視覺檢查的無人機等技術，可以在勞動力短缺的情況下，最大限度地提高生產力。透過利用人工智慧視覺技術，實現人工檢查的自動化，減少生態足跡，並改善決策流程，可以顯著提高獲利能力。
作物監測
水稻、小麥等重要作物的產量和品質，決定糧食安全的穩定性。傳統的作物生長監測，主要依賴人類的主觀判斷，缺乏及時性和準確性。電腦視覺應用，使我們能夠持續、無損地監測植物的生長，及其對營養需求的反應。
與人工操作相比，應用電腦視覺技術即時監測作物生長情況，可以更早發現作物，因營養不良而發生的細微變化，並為及時調控提供可靠、準確的依據。
此外，電腦視覺應用還可用於測量植物生長指標，或確定生長階段。
開花檢測
小麥的抽穗期，是小麥作物最重要的參數之一。自動化電腦視覺觀測系統，可用於確定小麥的抽穗期。
電腦視覺技術具有成本低、誤差小、效率高、穩健性好等優勢，並且可以進行動態和連續的分析。
種植園監測
在智慧農業領域，利用無人機影像處理技術，可以遠端監測棕櫚油種植園。利用地理空間正射影像，可以辨識種植園中，哪些區域適合種植作物。
還可以辨識生長較差的區域。OpenCV 是此類影像處理任務的常用工具。
昆蟲偵測
快速準確地辨識和計數飛蟲非常重要，尤其是在害蟲防治方面。然而，傳統的人工辨識和計數飛蟲，效率低且需要密集的勞力。基於視覺的系統可以計數和勞力飛蟲（基於「只看一次」 (YOLO) 目標檢測和分類）。
植物病害檢測
自動準確地評估病害嚴重程度，對於糧食安全、病害管理和產量損失預測非常重要。深度學習方法避免了勞動密集的特徵工程，和基於閾值的影像分割。
例如，開發了基於深度卷積神經網路 (CNN) ，應用程式的基於影像的植物病害嚴重程度自動評估方法，用於辨識蘋果黑腐病。
自動除草
在農業中，雜草被認為是有害植物，因為它們會與作物爭奪土壤中的水分、礦物質和其他養分。僅在雜草的精確位置噴灑農藥，可以大幅降低對作物、人類、動物和水資源的污染風險。
雜草的智慧檢測和清除對農業發展非常重要。神經網路的電腦視覺系統，可用於辨識馬鈴薯植株和三種不同的雜草，以便進行現場精準噴灑。
自動收穫
傳統農業中，機械作業以人工收割為主，成本高、效率低。然而，近年來，隨著電腦視覺技術的不斷應用，基於電腦視覺技術的收割機、採摘機器人等高端智慧農業收割機械，在農業生產中不斷湧現，為作物的自動化收穫邁出了新的一步。
收穫作業的重點，是確保產品在收穫過程中的品質，以實現市場價值的最大化。電腦視覺驅動的應用，包括在溫室環境中自動採摘黃瓜，或在自然環境中自動辨識櫻桃。
農產品品質檢測
農產品的品質，是影響市場價格和顧客滿意度的重要因素之一。與人工檢測相比，電腦視覺提供了一種執行外部品質檢查的方法。
人工智慧視覺系統能夠以相對較低的成本，和高精度實現高度的靈活性和重複性。例如，基於機器視覺和電腦視覺的系統，可用於快速檢測甜檸檬的損傷，或對馬鈴薯進行無損品質評估。
灌溉管理
透過耕作、施肥或灌溉等技術，來提高土壤生產力的土壤管理，對現代農業生產有著顯著的影響。透過影像獲取有關園藝作物生長的有用資訊，可以準確估算土壤水分平衡，從而實現精準的灌溉規劃。
電腦視覺應用為灌溉管理水分平衡，提供了寶貴的資訊。基於視覺的系統可以處理無人機（UAV）拍攝的多光譜影像，並取得植被指數（VI），為灌溉管理提供決策支援。
無人機農地監測
即時農地資訊，以及對這些資訊的準確理解，在精準農業中發揮基礎性作用。近年來，無人機（UAV）作為一項快速發展的技術，實現了高解析度、低成本且快速解算的農業資訊取得。
此外，配備影像感測器的無人機平台，能夠提供關於農業經濟和作物長勢的詳細資訊（例如，持續作物監測）。因此，無人機遙感技術有助於提高農業產量並降低農業成本。
產量評估
透過應用電腦視覺技術，農場實現了土壤管理、作物成熟度檢測和產量估算功能。此外，現有技術可以很好地應用於光譜分析，和深度學習等方法。
這些方法大多具有精度高、成本低、可移植性好、整合度高和可擴展性強的優勢，可以為管理決策提供可靠的支援。例如，利用電腦視覺技術，透過果實檢測和計數，來估算柑橘作物的產量。
此外，透過處理無人機所獲取的影像，可以預測甘蔗田的產量。
 |
| tyco 監控攝影機系列（總代理上敦企業） |
交通運輸中的電腦視覺
車輛分類
電腦視覺在自動車輛分類中的應用歷史悠久。用於車輛計數的自動車輛分類技術，在過去幾十年中不斷發展。深度學習方法使得使用普通、廉價的安全攝影機，實現大規模交通分析系統成為可能。
隨著閉路電視 (CCTV) 攝影機、雷射雷達 (LiDAR) ，以及熱成像設備等價格實惠的感測器的快速發展，可以同時在多個車道上對車輛進行檢測、追蹤和分類。透過將熱成像、雷射雷達成像等多種感測器，與 RGB 攝影機（普通監控、IP 攝影機）結合，可以提高車輛分類的準確性。
此外，還有多種專業領域；例如，基於深度學習的電腦視覺解決方案，已用於安全監控、生產力評估，和管理決策等目的。
移動違規偵測
執法機構和市政當局，正在增加基於攝影機的道路監控系統的佈署，以減少不安全駕駛行為。其中最關鍵的應用，可能是偵測在危險區域停放的車輛。
此外，智慧城市中電腦視覺技術的使用也日益增多，這些技術可以自動偵測超速、闖紅燈或闖停車標誌、逆向行駛和非法轉彎等違規行為。
交通流分析
智慧交通系統 (ITS) 的交通流分析已被廣泛研究，包括使用侵入式方法（標籤、路面下線圈等）和非侵入式方法（例如攝影機）。
隨著電腦視覺和人工智慧的興起，影像分析現在可以應用於無處不在的交通攝影機，這將對 ITS 和智慧城市產生巨大影響。可以使用電腦視覺手段觀察交通流，並測量交通工程師所需的一些變數。
停車位佔用偵測
視覺停車位監控，用於偵測停車場佔用情況。尤其是在智慧城市領域，電腦視覺應用基於深度卷積神經網路 (CNN)，為停車場佔用情況的視覺檢測提供了去中心化、高效的解決方案。
目前已有多個停車場檢測資料集，例如 PKLot 和 CNRPark-EXT。此外，基於影像的停車管理系統，已透過立體成像 (3D) 或熱像儀實現。基於攝影機的停車場偵測的優點，在於其可擴展性，適合大規模應用，維護和安裝成本低廉，尤其因為它可以重複使用安控攝影機。
自動車牌辨識 (ALPR)
許多現代交通和公共安全系統，依賴從靜態圖像或影像中，辨識和提取車牌資訊。自動車牌辨識 (ALPR) 在許多方面，改變了公共安全和交通行業。
此類車牌辨識系統支援現代收費公路解決方案，透過自動化大幅節省營運成本，甚至為市場帶來了全新功能（例如安裝在警車上的車牌讀取裝置）。
OpenALPR 是一個流行的自動車牌辨識庫，基於車輛牌照圖像或影像輸入的光學字元辨識 (OCR) 技術。
車輛重新辨識
隨著人員重新辨識技術的進步，智慧交通和監控系統目的，在將這種方法應用於基於視覺的車輛重新辨識。傳統的提供唯一車輛 ID 的方法，通常需要侵入式操作（車載標籤、手機或 GPS）。
對於收費站等受控環境，自動車牌辨識 (ANPR) 可能是準確辨識單一車輛的最合適技術。然而，車牌容易被更改和偽造，而且 ANPR 無法反映車輛的顯著特徵，例如標記或凹痕。
基於影像的辨識等非侵入式方法，具有很高的潛力和需求，但在實際應用中仍遠未成熟。大多數現有的基於視覺的車輛重新辨識技術，都基於車輛外觀，例如顏色、紋理和形狀。
如今，辨識車輛品牌或年份等細微的、獨特的特徵，仍然是一個尚未解決的挑戰。
行人偵測
行人偵測對智慧交通系統 (ITS) 非常重要。其用例涵蓋自動駕駛汽車、基礎設施監控、交通管理、交通安全和效率，以及執法等。
行人偵測涉及多種類型的感測器，例如傳統的閉路電視或 IP 攝影機、熱成像設備、近紅外線成像設備，以及車載 RGB 攝影機。人體偵測演算法（或稱為人員偵測器）可以基於紅外線特徵、形狀特徵、梯度特徵、機器學習或運動特徵。
基於深度卷積神經網路 (CNN) 的行人偵測技術，取得了顯著進展，即使在嚴重遮蔽的行人偵測中，也能取得顯著進展。
交通標誌偵測
電腦視覺應用，可用於交通標誌的偵測和辨識。視覺技術可用於從不同的交通場景中分割交通標誌（使用影像分割），並採用深度學習演算法，對交通標誌進行辨識和分類。
防撞系統
車輛偵測和車道偵測，是大多數自動駕駛汽車高階駕駛輔助系統 (ADAS) 的重要組成部分。近年來，深度神經網路被用於研究深度學習，及其在自動防撞系統中的應用。
道路狀況監測
基於電腦視覺的缺陷檢測，和狀況評估技術，已被開發用於監測混凝土和瀝青土木基礎設施。路面狀況評估能夠提供資訊，幫助人們在路面網路管理方面，做出更具成本效益和一致性的決策。
通常，路面破損檢查是使用先進的資料收集車輛，和/或實地勘測進行的。本報導開發了一種深度機器學習方法，來建構瀝青路面狀況指數，目的在透過電腦視覺提供一種無需人工干預、經濟、高效且安全的自動路面破損檢測方法。
另一項應用是道路目視檢查，用於偵測道路坑洞並分配道路維護，從而減少相關車輛事故。
基礎設施狀況評估
為了確保民用基礎設施的安全性和可用性，對其物理和功能狀況進行目視檢查和評估非常重要。基於電腦視覺的民用基礎設施檢查和監測系統，可以自動將圖像和影像資料，轉換為可操作的資訊。
智慧型檢查應用可辨識結構組件、表徵可見損傷，並檢測參考影像的變化。此類監測應用，包括應變和位移的靜態測量，以及用於模態分析的位移的動態測量。
駕駛員注意力檢測
分心駕駛偵測（例如做白日夢、使用手機，以及注視車外事物）在全球道路交通死亡人數中佔很大比例。人工智慧有助於理解駕駛行為，並找到減少道路交通事故的解決方案。
道路監控技術可以觀察乘客座艙違規行為，例如基於深度學習的道路監控中的安全帶偵測。車載駕駛員監控技術專注於視覺感知、分析和回饋。
駕駛行為可以透過內建的面向駕駛者的攝影機直接推斷，也可以透過外置的面向場景的攝影機或感測器間接推斷。基於駕駛員的影像分析技術，透過注視方向、頭部姿勢估計，和臉部表情監測演算法，來偵測臉部和眼睛。
臉部偵測演算法已經能夠偵測出，專注和不專注的臉部表情。深度學習演算法可以偵測專注和不專注眼睛之間的差異，以及酒駕的跡象。
多種基於視覺的應用程序，結合多種深度學習方法（RNN 和 CNN），用於即時分心駕駛姿勢分類，並用於即時分心檢測。
 |
| Klacci 凱樂奇非接觸式解決方案 |
零售業中的電腦視覺
顧客追蹤
深度學習演算法可以即時處理影像串流，分析零售店的顧客流量。基於攝影機的方法，可以重複利用普通廉價安控監視攝影機的影像串流。機器學習演算法可以匿名、非接觸式地偵測人員，以分析顧客在不同區域的停留時間、等待時間、排隊時間，並評估服務品質。
顧客行為分析可以改善零售店佈局，提高顧客滿意度，並量化多個地點的關鍵指標。
電腦視覺生成的運動熱圖，用於分析顧客行為和客流。
人數統計
電腦視覺演算法透過訓練資料進行學習，即時檢測並統計人數。人數統計技術可協助商店收集，有關其門市營運狀況的數據。在新冠疫情期間，該技術可在限制人數進入商店的情況下追蹤顧客。
盜竊偵測
零售商可以使用自主分析場景的電腦視覺演算法，檢測可疑行為，例如閒逛或進入禁區。
等待時間分析
為了避免顧客不耐煩和無休止的排隊，零售商正在實施排隊檢測技術。排隊偵測技術使用攝影機追蹤和統計，排隊中的購物者人數。一旦達到顧客人數上限，系統就會發出警報，提醒店員開設新的收銀台。
保持社交距離
為了確保遵守安全預防措施，公司會安裝距離偵測器。攝影機會追蹤員工或顧客的移動，並使用深度感測器評估他們之間的距離。然後，系統會根據他們的位置，在他們周圍繪製一個紅色或綠色的圓圈。
電腦視覺在運動體育中的應用
運動員姿勢追蹤
人工智慧視覺能夠辨識影像片段，或影像串流中多幀人體運動，和姿勢之間的模式。例如，人體姿勢估計已應用於現實世界中游泳運動員的影像拍攝，其中單個固定攝影機在水面上方和下方拍攝。OpenPose 是一個流行的開源工具，可用於即時關鍵點偵測。
這些影像記錄可以量化評估運動員的表現，無需在每一幀影像中手動標註身體部位。因此，卷積神經網路可以自動推斷所需的姿勢資訊，並檢測運動員的游泳姿勢。
無標記運動捕捉
攝影機利用姿勢估計，來追蹤人體骨骼的運動，無需使用傳統的光學標記和專用攝影機。這在運動捕捉中非常重要，因為運動員無法承受額外的動作捕捉服裝或設備的負擔。
運動表現評估
自動偵測和辨識特定運動動作，克服了手動運動表現分析方法的限制（主觀性、量化、可重複性）。電腦視覺資料輸入可與穿戴式感測器，和穿戴式裝置的資料結合使用。常見用例包括游泳分析、高爾夫揮桿分析、地面跑步分析、高山滑雪，以及板球投球的偵測和評估。
多人姿態追蹤
利用電腦視覺演算法，可以從單眼（單攝影機鏡頭）和多視角（多攝影機鏡頭）體育運動影像資料集中，計算出多名隊員的人體姿態和身體運動。運動中多名隊員的 2D 或 3D 姿態，可用於運動表現分析、動作捕捉、以及廣播和沈浸式媒體中的新應用。
擊球辨識
電腦視覺應用能夠偵測，並分類擊球動作（例如，對乒乓球擊球動作進行分類）。動作辨識或分類，涉及對已辨識實例的解釋和標記預測。例如，區分網球擊球是正手擊球，還是反手擊球。
擊球辨識目的在提供，分析乒乓球比賽和更有效提高運動技能的工具。
即時指導
基於電腦視覺的體育運動影像分析，有助於提高資源效率，並減少時間受限任務的回饋時間。參與耗時記錄任務（包括游泳賽後分析）的教練和運動員可以在下一場比賽前，快速查看客觀的回饋。
體育運動鍛鍊的自我訓練系統，是一個類似的新興電腦視覺研究主題。雖然自我訓練在體能訓練中非常重要，但如果沒有教練的指導，練習者的進步可能有限。
例如，瑜珈自我訓練應用，目的在指導練習者正確地完成瑜珈姿勢，從而幫助糾正不良姿勢，並預防傷害。此外，基於視覺的自我訓練系統，可以指導如何調整身體姿勢。
運動隊伍分析
專業的體育分析師定期進行分析，以獲得對球員和球隊行為的策略和戰術見解。然而，手動視訊分析通常非常耗時，分析師需要記憶和註釋場景。
電腦視覺技術從視訊資料中，提取軌跡資料，並應用運動分析技術來分析：
- 地區
- 球隊陣型
- 賽事
- 球員動向（例如，足球團體運動分析）。
球追蹤
即時物體追蹤，可以偵測並捕捉物體的運動模式。球的軌跡數據對於評估球員的表現，和分析比賽策略非常重要。因此，球的運動追蹤可以檢測球，並在多個視訊畫面中追蹤球。
球追蹤在大型運動項目中非常重要，它有助於更快地解讀和分析比賽和戰術。
門線技術
基於攝影機的系統可以確定進球的有效性，從而支持裁判的決策。與感測器不同，這種基於人工智慧視覺的方法具有非侵入性，無需對典型的足球設備進行任何更改。
此類門線技術系統基於高速攝影機，利用影像對球的位置進行三角測量。球檢測演算法可以分析候選球區域，以辨識球的軌跡。
體育運動賽事中的事件偵測
我們可以從非結構化影像中檢測複雜事件，例如進球、近距離射門，或其他非得分動作。這項技術可用於體育運動直播中的即時事件偵測，適用於各種田徑運動。
精彩片段生成
製作體育運動賽事精彩片段，是一項勞力密集工作，需要一定程度的專業化。對於規則複雜、比賽時間較長的運動項目（例如板球）尤其如此。板球賽事精彩片段的自動生成，可以使用事件驅動和基於興奮度的特徵，來辨識和剪輯重要的比賽事件。
另一個應用是使用電腦視覺的多模態興奮度特徵，自動整理高爾夫賽事精彩片段。
體育運動活動評分
深度學習方法可以評估運動員的動作品質（體育活動評分的深度特徵）。例如，可以對跳水、花式溜冰或跳馬等體育項目，進行自動評分。ScoringNet 是一個用於體育活動評分的 3D 模型 CNN 網路應用程式。
例如，跳水評分應用程式，透過評估運動員跳動動作的品質分數來運作。它透過分析運動員的腳部位置來確定：
- 雙腳併攏
- 腳尖繃直
- 整體跳躍過程保持姿勢挺直
tyco 監控攝影機系列（總代理上敦企業）
企業電腦 AI 視覺演算法與應用
在 viso.ai，我們為最全面的端到端電腦視覺平台 Viso Suite 提供支援。產業領導者、財富 100 強企業和政府組織，使用 viso.ai 的軟體基礎架構，開發和佈署其電腦視覺應用程式。
Viso Suite 提供全面的功能，可快速建置、佈署和擴展企業級電腦視覺應用程式。Viso 可協助你克服整合難題、隱私、安全性和可擴充性挑戰，無需從頭開始編寫程式碼。
- 使用我們的端到端解決方案建構、佈署和擴展企業電腦視覺系統。
- 從各種電腦視覺任務中進行選擇，以解決你的業務挑戰
- 透過視覺化程式設計將電腦視覺交付速度提高 10 倍
- 使用任何傳統攝影機（監視攝影機、閉路電視、USB 等）的影像輸入。
沒有留言:
張貼留言