新一代物联网系统中的环境计算机视觉技术
插图：© IoT For All --> 当前，计算机视觉（CV）技术正处于转折点，主要趋势的融合使得原本依赖云端的技术逐渐普及到用于特定场景的小型边缘人工智能设备中，这些设备通常由电池供电。解决特定挑战的技术进步，使这些设备即使在资源受限的环境中，也能执行复杂的本地功能，例如在尺寸、功耗和内存方面的优化，使以云端为中心的人工智能技术扩展到边缘领域，而新的发展将使边缘人工智能视觉技术变得无处不在。理解这项技术 计算机视觉技术确实已经在边缘领域落地，并推动了人机交互（HMI）的下一阶段发展。具有情境感知能力的设备不仅能够感知用户，还能感知其所在的环境，从而做出更优的决策，提高自动交互的实用性。比如，一台笔记本电脑可以通过视觉感知用户是否在专注状态，并据此调整自身的行为和电源策略。这种功能对于节省电力（当检测不到用户时关闭设备）和提高安全性（检测未授权用户或不速之客）非常有用，同时也能提供更顺畅的用户体验。事实上，该技术还可通过追踪旁观者的眼球（旁观者检测）来进一步提醒用户，并在确认环境安全之前隐藏屏幕内容。另一个例子是，智能电视能够感知是否有人在观看以及从哪个方向观看，从而相应调整图像质量和音效。当无人在场时，它可自动关闭以节省电力。空调系统则根据房间内的人员占用情况优化能耗和气流，从而节省能源成本。随着混合型居家办公模式的兴起，这类以及其它建筑智能化节能应用正变得越来越具有经济价值。这项技术不仅限于电视和电脑，还将在制造及其他工业领域发挥关键作用，用于如安全监管中的物体检测（例如限制区域、安全通道、防护装备执行）、预测性维护以及制造流程控制等任务。农业是另一项将从基于视觉的情境感知技术中受益巨大的行业，例如作物检查与质量监控。计算机视觉的应用 深度学习的进步在计算机视觉领域实现了许多令人惊叹的功能。许多人甚至没有意识到他们在日常生活中是如何使用计算机视觉技术的。例如：图像分类和物体检测：物体检测结合了分类和定位功能，以确定图像或视频中包含哪些物体并标出其位置。它对不同物体进行分类，并使用边界框。计算机视觉通过智能手机实现，能够在图像或视频中识别物体。银行业：计算机视觉被用于欺诈控制、身份验证、数据提取等领域，以提升客户服务体验、增强安全性并提高运营效率。零售业：计算机视觉系统的发展使得现实产业的数字化转型变得更加可行，例如自助结账。自动驾驶汽车：计算机视觉被用于检测和分类物体（例如交通标志或红绿灯）、创建3D地图或运动估计，并在实现自动驾驶汽车方面发挥关键作用。边缘领域的计算机视觉 朝着在边缘领域普及基于机器学习的视觉处理的趋势已经十分明显。硬件成本正在下降，计算能力显著提升，新的方法使得训练和部署低功耗和低内存需求的小型模型变得更简单。所有这些都在降低采用门槛，并推动计算机视觉技术在边缘领域的广泛应用。然而，尽管我们看到越来越普及的小型边缘人工智能，仍有许多工作要做。要实现环境计算，我们需要满足各个细分市场中“长尾”使用场景的需求，这对可扩展性提出了挑战。在消费产品、工厂、农业、零售以及其他领域，每一种新的任务都需要不同的算法和独特的数据集进行训练。解决方案提供商提供更丰富的开发工具和资源，以创建满足特定使用场景需求的优化机器学习系统。微型机器学习（TinyML） 在边缘实现各类人工智能的关键推动力是微型机器学习（TinyML）。这是一种通过使用紧凑的模型结构和优化算法，在边缘设备上直接开发轻量级、高能效机器学习模型的方法。TinyML使人工智能处理可以直接在设备上进行，从而减少了对持续云端连接的依赖。除了功耗更低之外，TinyML的实现还带来了更低的延迟、增强的隐私和安全性，以及减少带宽需求。此外，它使边缘设备能够在不严重依赖云基础设施的情况下进行实时决策，使人工智能在各种应用中变得更加易用和实用，包括智能设备、可穿戴设备和工业自动化。这有助于弥补功能上的差距，并使人工智能公司能在其NPU产品周围提升软件能力，通过开发丰富的模型示例集合——“模型动物园”——以及应用程序参考代码来实现。通过这样，他们可以在满足特定业务需求的同时，确保设计成功，即在确定的成本、尺寸和功耗限制下，将合适的算法优化到目标硬件上。TweetShareShareEmail 人工智能自动化边缘计算机器学习 --> 人工智能自动化边缘计算机器学习
查看全文
作者最近更新
-
Edge and IoT Predictions For 2024iotforall
2023-12-22
评论0条评论