這篇報導是所有從事安控行業的人，必須要了解的基本知識 ……
什麼是電腦視覺？你需要了解的關於電腦視覺、實際應用，以及最新趨勢的一切。
什麼是電腦視覺？它是如何運作的？本報導將全面介紹人工智慧 (AI) 的關鍵領域之一 —— 電腦視覺 (CV，Computer Vision)。
什麼是電腦視覺 AI？
電腦視覺 (CV) 是人工智慧 (AI) 的一個領域，它研究幫助電腦理解和解讀數位圖像和影像內容的計算方法。因此，CV 目的在讓電腦能夠看到，並理解來自攝影機或感測器的視覺資料輸入。
電腦視覺的定義
電腦視覺任務目的，在使電腦系統能夠自動觀察、辨識和理解視覺世界，並使用計算方法模擬人類視覺。
人類視覺 vs. 電腦視覺
電腦視覺目的在透過使電腦，能夠有意義地感知視覺刺激，來人工模擬人類視覺。因此，它也被稱為機器感知或機器視覺。
雖然人類（甚至是兒童）可以輕鬆解決「視覺」問題，但視覺運算仍然是電腦科學中，最具挑戰性的領域之一，尤其是由於不斷變化的實體世界的巨大複雜性。
人類的視覺是基於終身學習，結合情境來訓練，如何辨識特定物體，或辨識視覺場景中的人臉或個體。因此，現代人工視覺技術運用機器學習和深度學習方法，來訓練機器辨識視覺場景中的物體、人臉或人物。
因此，電腦視覺系統使用影像處理演算法，使電腦能夠根據攝影機提供的數據來尋找、分類和分析物體，及其周圍環境。
電腦視覺的價值是什麼？
電腦視覺系統可以執行產品檢測、基礎設施監控，或即時分析數千種產品或流程，以檢測缺陷。由於其速度、客觀性、連續性、準確性和可擴展性，電腦視覺系統可以迅速超越人類的能力。
最新的深度學習模型，在現實世界的影像辨識任務（例如臉部辨識、物件偵測和影像分類）中，實現了超越人類層級的準確性和效能。
電腦視覺應用涵蓋各行各業，從安全監控和醫學成像，到製造業、汽車業、農業、建築業、智慧城市、交通運輸等等。隨著人工智慧技術的進步，和變得更加靈活與可擴展性，更多的應用案例變得可能，並且具有經濟可行性。
電腦視覺市場規模
根據 Verified Market Research（2022 年 11 月）對人工智慧視覺市場的分析，2021 年電腦視覺市場中的人工智慧價值為 120 億美元，預計到 2030 年將達到 2,050 億美元。因此，電腦視覺市場在 2023 年至 2030 年期間的複合年成長率高達 37.05%。
建構應用的電腦視覺平台
電腦視覺平台 Viso Suite 協助全球領導者，開發、擴展和營運其 AI 視覺應用。作為全球唯一的端對端 AI 視覺平台，Viso Suite 提供的軟體基礎架構，可顯著加速各行業電腦視覺應用的開發和維護（取得經濟影響研究報告）。
Viso Suite 涵蓋電腦視覺的整個生命週期，從影像標註和模型訓練，到視覺開發、一鍵佈署，以及擴展到數百支攝影機。該平台提供即時效能、分散式邊緣 AI、零信任安全性，和開箱即用的隱私保護 AI 等關鍵功能。
Viso Suite 的可擴展性架構，可協助企業重複使用，和整合現有基礎架構（攝影機、AI 模型等），並將電腦視覺與商業智慧 (BI) 工具（PowerBI、Tableau）和外部資料庫（Google Cloud、AWS、Azure、Oracle 等）連接起來。
電腦視覺 AI 如何運作？
一般來說，電腦視覺的工作原理分為三個基本步驟：
- 從攝影機取得圖像/影像；
- 處理影像；
- 理解圖像。
電腦視覺的實際範例
電腦視覺機器學習需要大量資料，來訓練能夠準確辨識影像的深度學習演算法。例如，要訓練電腦辨識頭盔，需要輸入大量包含不同場景中，佩戴頭盔的人員的頭盔影像，以學習頭盔的特徵。
接下來，可以將訓練好的演算法，應用於新生成的影像（例如監視攝影機的影像），以辨識頭盔。例如，這可用於電腦視覺設備檢查，以減少建築或製造業的事故。
電腦視覺技術的工作原理
為了訓練電腦視覺演算法，最先進的技術利用深度學習（機器學習的一個分支）。現代電腦視覺軟體中的許多高效能方法，都是以卷積神經網路 (CNN)為基礎。
這種分層神經網路使電腦能夠從影像中，學習視覺資料的上下情境。如果有足夠的數據，電腦就能學習如何區分不同的影像。當影像資料輸入模型時，電腦會應用卷積神經網路 (CNN) 來「觀察」資料。
CNN 透過將圖像分解成像素，並賦予像素標籤來訓練特定特徵（即所謂的圖像標註），從而幫助機器學習/深度學習模型理解圖像。人工智慧模型使用這些標籤進行卷積運算，預測其「看到」的內容，並反覆檢查預測的準確性，直到預測符合預期（開始實現）。
受人腦啟發的視覺運算
因此，電腦視覺的工作原理，是利用學習到的特徵和可信度分數，辨識圖像，或「看到」與人類相似的圖像。因此，神經網路本質上模擬了人類的決策過程，即神經元活化機制，而深度學習則訓練機器，執行人腦自然而然的操作。
深度神經網路特有的分層結構，是人工神經網路 (ANN) 的基礎。每一層都會增強前一層的知識。
電腦視覺 AI 達到人類層面的效能
深度學習任務運算量大且成本高昂，依賴大量的運算資源，需要海量資料集來訓練模型。與傳統的影像處理相比，深度學習演算法使機器能夠自主學習，無需開發人員編程，使其基於預定特徵辨識影像。因此，深度學習方法能夠達到非常高的準確率。
如今，深度學習使機器能夠在影像辨識任務中，達到人類水準的表現。例如，在深度人臉辨識領域，AI 模型的偵測準確率（例如，Google FaceNet 的準確率高達 99.63%），高於人類的準確率（97.53%）。
基於深度學習的視覺運算，在皮膚癌分類方面也達到了人類的水準，其能力水準堪比皮膚科醫生。
 |
| 經過訓練用於疾病分類的神經網路，已與醫生進行了廣泛的基準測試。在相同的分類任務上，它們的表現通常與人類相當。 |
什麼是電腦視覺系統？
現代電腦視覺系統將影像處理，與機器學習和深度學習技術相結合。因此，開發人員將不同的軟體（例如 OpenCV 或 OpenVINO）和 AI 演算法結合，創建一個多步驟的流程，即電腦視覺管線。
電腦視覺系統的組織和設定，因應用和應用案例而異。但是，所有電腦視覺系統都包含相同的典型功能：
步驟 1：影像擷取。攝影機或影像感測器的數位影像，提供圖像資料或影像。從技術上講，任何 2D 或 3D 攝影機或感測器，都可用於提供影像幀。
步驟 2：預處理。攝影機的原始影像輸入，需要進行預處理，以優化後續電腦視覺任務的效能。預處理包括降噪、對比度增強、重新縮放，或影像裁切。
步驟 3：電腦視覺演算法。影像處理演算法，最常見的是深度學習模型（DL 模型），對每個影像或影像幀執行影像辨識、目標偵測、影像分割和影像分類。
步驟 4：自動化邏輯。 AI 演算法的輸出資訊，需要根據應用案例使用條件規則進行處理。此部分基於從電腦視覺任務中，獲得的資訊執行自動化。例如，在自動檢測應用中判斷「通過」或「未通過」，在辨識系統中判斷「吻合」或「不吻合」，以及在保險、安全監控、軍事或醫療辨識應用中，判斷是否需要人工審核。
當今最佳電腦視覺 AI 深度學習模型
在電腦視覺領域，特別是即時目標偵測領域，存在單階段和多階段演算法。
單階段演算法的目的，在實現即時處理和最高的運算效率。最受歡迎的演算法包括 SSD、RetinaNet、YOLOv3、YOLOR、YOLOv5、YOLOv7 和 YOLOv8。
多階段演算法執行多個步驟，並實現最高的準確率，但運算量較大且資源密集。廣泛使用的多階段演算法，包括循環卷積神經網路 (R-CNN)，例如 Mask-RCNN、Fast RCNN 和 Faster RCNN。
電腦視覺人工智慧技術發展史
近年來，深度學習技術取得了巨大突破，尤其是在影像辨識和目標偵測領域。
1960 年 - 起源。電腦視覺誕生於 1960 年代，當時電腦科學家試圖利用計算力學，模擬人類的視力。儘管電腦視覺研究已經花了數十年時間，試圖教導機器如何「看」，但當時最先進的機器也只能感知普通物體，難以辨識形狀變化無窮的多種自然物體。
2014 - 深度學習時代。研究人員利用深度學習技術，利用全球最大的影像分類資料集ImageNet 中的 1500 萬張影像訓練電腦，取得了重大突破。在電腦視覺挑戰賽和基準測試中，深度學習展現出壓倒性的優勢，超越了將物體視為形狀和顏色特徵集合的傳統電腦視覺演算法。
2016 - 準即時深度學習。深度學習是一類特殊的機器學習演算法，它透過多層卷積神經網路（CNN），簡化了特徵提取和描述的過程。深度神經網路依賴 ImageNet 的大量資料、現代中央處理器 (CPU) 和圖形處理器 (GPU)，推動了電腦視覺的空前發展，並達到了頂尖的效能。尤其是單階段目標偵測器的出現，使得深度學習 AI 視覺的處理速度更快、更有效率。
2020 年代 —— 深度學習的佈署和邊緣 AI。如今，CNN 已成為電腦視覺領域事實上的標準運算框架。隨著更深層、更複雜的網路的開發，CNN 在許多電腦視覺應用中，達到了接近人類的精確度。
優化的輕量級 AI 模型，使得在廉價硬體和行動裝置上，執行電腦視覺任務成為可能。邊緣 AI 硬體，例如深度學習硬體加速器，實現了高效的邊緣推理。
電腦視覺 AI 的當前趨勢和最新技術
最新趨勢將邊緣運算與設備上的機器學習（也稱為邊緣 AI）相結合。將 AI 處理從雲端遷移到邊緣設備，使得在任何地方運行電腦視覺機器學習，並建立可擴展的應用成為可能。
我們看到電腦視覺成本呈下降趨勢，這得益於更高的運算效率、更低的硬體成本，以及新技術的推動。因此，越來越多的 CV 應用已變得可行且經濟可行，進一步加速了其應用。
目前最重要的電腦視覺趨勢包括：
- 即時影像分析
- AI 模型優化與佈署
- 硬體 AI 加速器
- 邊緣電腦視覺
- 現實世界的電腦視覺應用
即時影像分析
傳統的機器視覺系統，通常依賴特殊的攝影機，和高度標準化的設定。相形之下，現代深度學習演算法更加穩健，易於重複使用和重新訓練，並支援跨行業應用的開發。
現代深度學習電腦視覺方法，可以分析常見、廉價的監視攝影機或網路攝影機的影像串流，以執行最先進的人工智慧影像分析。
AI 模型優化與佈署
經過十年的深度學習訓練，我們致力於提高演算法的準確性和效能，如今我們已進入深度學習佈署時代。AI 模型最佳化和全新架構，使得大幅縮減機器學習模型規模，並提升運算效率成為可能。這使得運行深度學習電腦視覺成為可能，而無需依賴資料中心昂貴且耗能的 AI 硬體和 GPU。
硬體 AI 加速器
同時，我們正面臨高性能深度學習晶片的蓬勃發展，這些晶片的能源效率越來越高，並且能夠在小型設備和邊緣電腦上運行。目前流行的深度學習 AI 硬體包括邊緣運算設備，例如嵌入式電腦和 SoC 設備，例如 Nvidia Jetson TX2、Intel NUC 或 Google Coral。
用於神經網路的 AI 加速器，可以連接到嵌入式運算系統。最受歡迎的硬體神經網路 AI 加速器，包括英特爾 Myriad X VPU、Google Coral 和英偉達 NVDLA。
邊緣電腦視覺
傳統上，由於運算資源無限可用且易於擴充，電腦視覺和人工智慧通常採用純雲端解決方案。Web 或雲端電腦視覺解決方案，需要將所有圖像或照片上傳到雲端，可以直接上傳，也可以使用電腦視覺 API，例如 AWS Rekognition、Google Vision API、微軟圖像辨識 API（Azure 認知服務）或 Clarifai API。
在關鍵任務案例中，由於技術原因（延遲、頻寬、連接性、備援）或隱私原因（敏感資料、合法性、安全性），或成本過高（即時、大規模、高解析度、瓶頸導致成本飆升），通常無法使用集中式雲端設計進行資料卸載。因此，邊緣運算概念被用來克服雲端的限制；將雲端擴展到多個連接的邊緣設備。
邊緣人工智慧 (Edge AI)，也稱為邊緣智慧 (Edge Intelligence) 或裝置端機器學習 (On-device ML)，利用邊緣運算和物聯網 (IoT) ，將機器學習從雲端遷移到靠近資料來源（例如攝影機）的邊緣裝置。隨著邊緣產生的大量數據呈指數級成長，人工智慧需要即時分析和理解數據，同時又不損害視覺數據的隱私和安全。
現實世界的電腦視覺應用
因此，邊緣電腦視覺 (CV) 利用雲端和邊緣的優勢，使人工智慧視覺技術具有可擴充性和靈活性，從而支援現實世界應用的實施。設備端電腦視覺無需依賴雲端的資料卸載，和低效的集中式影像處理。
此外，邊緣電腦視覺並不完全依賴網路連接，所需的頻寬和延遲都更低，這在影像分析中尤其重要。因此，邊緣電腦視覺支援開發私密、穩健、安全且任務關鍵型的現實世界應用。
由於邊緣人工智慧 (Edge AI) 需要物聯網 (AIoT) 來管理分散式設備，因此邊緣電腦視覺的卓越性能，是以增加技術複雜性為代價的。
分散式
車牌辨識
和車型分析
電腦視覺 AI 應用與應用案例
各行各業的企業正在迅速引入 CV 技術，利用「視覺」電腦解決自動化問題。視覺 AI 技術正在快速發展，使創新和實施新想法、新項目和新應用成為可能，其中包括：
製造業
工業電腦視覺在製造業的生產線上，用於自動化產品檢測、物件計數、流程自動化，並透過個人防護裝備 (PPE) 檢測和口罩檢測，來提高員工安全。
醫療保健業
在電腦視覺在醫療保健領域的應用中，一個突出的例子是自動人體跌倒偵測，用於建立跌倒風險評分，並觸發警報。
安全監控
在影像監控和安防領域，人員檢測可用於智慧周界監控。另一個常見的用例是深度人臉偵測和人臉辨識，其準確率高於人類水準。
農業
電腦視覺在農業和耕作中的應用案例，包括自動動物監測以檢測動物福利，以及早期發現疾病和異常情況。
智慧城市專案
作為智慧城市的關鍵策略，用於人群分析、武器偵測、交通分析、車輛計數、自動駕駛汽車/自主駕駛車輛，以及基礎設施檢查。
零售業
例如，零售店的視訊監控攝影機，可以追蹤顧客的運動模式，並進行人數統計或客流量分析，以辨識瓶頸、顧客注意力和等待時間。
保險業
保險業中的電腦視覺利用人工智慧視覺，進行自動化風險管理和評估、索賠管理、視覺檢查和前瞻性分析。
物流業
物流領域的人工智慧願景運用深度學習，來實現人工智慧觸發的自動化，並透過減少人為錯誤、預測性維護，和加速整個供應鏈的營運來節省成本。
製藥業
製藥業的電腦視覺用於包裝和泡罩檢測、膠囊辨識，以及設備清潔的視覺檢查。
擴增實境與虛擬實境
擴增實境和虛擬實境的電腦視覺，透過整合現實世界或虛擬環境感知，創造沉浸式體驗，讓使用者能夠即時與虛擬環境互動。
電腦視覺 AI 研究
關鍵研究領域涉及基礎視覺感知任務：
- 物件辨識：確定影像資料，是否包含一個或多個指定或學習到的物體或物件類別。
- 人臉辨識：透過將人臉與資料庫條目，進行比對來影像單一人臉實例。
- 物體偵測：分析特定條件下的影像數據，並定位給定類別的語義物體實例。
- 姿態估計：估計特定物體相對於攝影機的方向和位置。
- 光學字元辨識 (OCR)：辨識影像中的字元（車牌號碼、手寫等），通常會結合以有用的格式，對文字進行編碼。
- 場景理解：將影像解析為有意義的片段以進行分析。
- 運動分析：追蹤影像序列或影像中興趣點（關鍵點）或物體（車輛、物體、人體等）的運動。
- 模式辨識：辨識資料中的模式和規律。
什麼是影像分類？
影像分類是電腦視覺的基本組成部分。電腦視覺工程師通常從訓練神經網路辨識影像中的不同物體（即物體偵測）開始。訓練神經網路辨識影像中兩個物體之間的差異，意味著建立一個二分類模型。另一方面，如果影像中有兩個以上的物體，則是多分類問題。
需要注意的是，要成功建立任何可擴展，或可用於生產的圖像分類模型，該模型必須能夠從足夠的數據中學習。遷移學習是一種影像分類技術，它利用現有的架構，這些架構已經過訓練，可以從海量資料樣本中，學習到足夠的知識。然後，學習到的特徵或任務，被用來辨識相似的樣本。這種技術的另一個術語是知識遷移。
借助遷移學習的概念，電腦視覺工程師利用少量資料，建構了可擴展的商業解決方案。現有的影像分類架構，包括 ResNet-50、ResNet-100、ImageNet、AlexNet、VggNet 等。
什麼是影像處理？
影像處理是人工智慧視覺系統的關鍵環節，因為它涉及對影像進行變換，以提取特定資訊或優化影像，以便用於電腦視覺系統中的後續任務。基本的影像處理技術，包括平滑、銳利化、對比、去雜訊或著色。
事實上，影像處理的標準工具是 OpenCV，它最初由英特爾開發，目前已被Google、豐田、IBM、Facebook 等公司使用。
影像預處理可以去除不必要的資訊，幫助人工智慧模型有效地學習影像的特徵。其目標是透過消除不必要的偽造，來改善影像特徵，並實現更高的分類性能。
影像處理的一個常見應用是超解析度。這項技術通常將低解析度影像，轉換為高解析度影像。超解析度是大多數電腦視覺工程師面臨的一大挑戰，因為他們通常從低品質影像中獲取模型資訊。
什麼是光學字元辨識？
光學字元辨識或光學字元讀取器 (OCR) ，是一種將影像中任何形式的書面或印刷文字，轉換為機器可讀格式的技術。
現有的 OCR 提取架構，包括 EasyOCR、Python-tesseract 或 Keras-OCR。這些機器學習軟體工具，廣泛用於車牌辨識等應用。
什麼是影像分割？
影像分類目的，在辨識影像中不同物件的標籤，而實例分割則試圖找到影像中物件的精確邊界。
影像分割技術有兩種：實例分割和語意分割。實例分割與語義分割的區別在於，它為圖像中特定物件的每個實例，傳回一個唯一的標籤。
什麼是基於視覺 AI 的目標偵測？
目標偵測專注於偵測影像中的目標，並透過一系列影格追蹤該目標。
目標偵測通常應用於影像串流，使用者可以同時追蹤具有唯一標識的多個目標。常用的目標偵測架構包括 AI 視覺演算法 YOLO、R-CNN 或 MobileNet。
什麼是姿勢估計？
姿勢估計使電腦能夠理解人體姿勢。姿勢估計的常用架構，包括 OpenPose、PoseNet、DensePose 或 MeTRAbs。這些架構可用於解決現實世界的問題，例如透過姿勢進行犯罪偵查，或進行人體工學評估，以改善組織健康狀況。
0 comments:
張貼留言