正文

机器视觉真不是人干的（机器视觉和计算机视觉的区别）

发布时间：2023-04-04 09:58:39 稿源：创意岭阅读： 64 当前文章关键词排名出租

大家好！今天让小编来大家介绍下关于机器视觉真不是人干的的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。

创意岭作为行业内优秀的企业，服务客户遍布全球各地，相关业务请拨打电话：175-8598-2043，或添加微信：1454722008

文章目录列表:

1、什么是3D视觉？可以用来做什么？
2、当机器有了“世界观”，机器视觉都能干点啥
3、人工智能98%都认错，图像识别AI遇上对抗性图像竟变“瞎子”
4、机器视觉特征描述方法

机器视觉真不是人干的（机器视觉和计算机视觉的区别）

一、什么是3D视觉？可以用来做什么？

3D视觉系统适用于各类服务机器人，可快速实现三维地图创建、避障、导航等功能，并可通过APP进行室内地图定位导航。比如奥比中光已与国内外超70%机器人厂商建立了合作关系。

机器视觉真不是人干的（机器视觉和计算机视觉的区别）

应用场景主要有：

服务机器人：快速识别人脸、距离感知、活体检测、多模态联动，更加人性化，与人类更好的互动;

医疗机器人：辅助医生临床诊断，实时监测病人身体状况，分析病人行为动作;

工业机器人：3D传感采集丰富视觉信息，联动AI人工智能技术，让工业机器人更灵活、更智能，效率更高;

特种机器人：可提供三维地图创建、避障、导航、定位等多种功能，代替人类完成各类高难度任务;

二、当机器有了“世界观”，机器视觉都能干点啥

有了世界观，意味着有了更深层次的逻辑思考能力，机器设计出来是为了方便人类发展，维护人类和谐生长，于是机器视觉便开始排除对人类有害的事件，安全隐患/犯罪分子将无所遁形。

三、人工智能98%都认错，图像识别AI遇上对抗性图像竟变“瞎子”

在视觉方面，AI和人类的差距有多大？来自UC Berkeley等高校的研究人员创建了一个包含7500个“自然对抗实例”的数据集，在测试了许多机器视觉系统后，发现AI的准确率下降了90%！在某些情况下，软件只能识别2%-3%的图像。这样的AI若用在自动驾驶汽车上，后果不敢想象！

近几年来，计算机视觉有了很大的改善，但仍然有可能犯严重的错误。犯错如此之多，以至于有一个研究领域致力于研究AI经常误认的图片，称为“ 对抗性图像 ”。可以把它们看作计算机的光学错觉，当你看到树上有一只猫时，人工智能看到了一只松鼠。

研究这些图像是很有必要的。当我们把机器视觉系统放在AI安全摄像头和自动驾驶汽车等新技术的核心位置时，我们相信计算机和我们看到的世界是一样的。而对抗性图像证明并非如此。

对抗性图像利用机器学习系统中的弱点

但是，尽管这个领域的很多关注点都集中在那些专门设计用来愚弄AI的图片上（比如谷歌的算法把3D打印的乌龟误认为是一把枪），但这些迷惑性图像也会自然的出现。这类图像更令人担忧，因为它表明，即便不是我们特意制作的，视觉系统也会犯错。

为了证明这一点，来自加州大学伯克利分校、华盛顿大学和芝加哥大学的一组研究人员创建了一个包含7500个“自然对抗实例”（natural adversarial examples）的数据集，他们在这些数据上测试了许多机器视觉系统，发现它们的 准确率下降了90%，在某些情况下，软件只能识别2%-3%的图像。

下面就是一些“自然对抗实例”数据集的例子：

数据有望帮助培养更强大的视觉系统

在论文中，研究人员称这些数据有望帮助培养更强大的视觉系统。他们解释说，这些图像利用了“深层缺陷”，这些缺陷源于该软件“过度依赖颜色，纹理和背景线索”来识别它所看到的东西。

例如，在下面的图像中，AI错误地将左侧的图片当作钉子，这可能是因为图片的木纹背景。在右边的图像中，它们只注意到蜂鸟饲养器，但却错过了没有真正的蜂鸟存在的事实。

下面的四张蜻蜓照片，AI在颜色和纹理上进行分析后，从左到右依次会识别为臭鼬、香蕉、海狮和手套。我们从每张图片中都可以看出AI为什么会犯错误。

AI系统会犯这些错误并不是新闻了。多年来，研究人员一直警告说，利用深度学习创建的视觉系统是“浅薄”和“脆弱”的，它们不会像人一样灵活地理解世界上的一些几乎相同的细微差别。

这些AI系统在成千上万的示例图像上进行了训练，但我们通常不知道图片中的哪些确切元素是AI用于做出判断的。

一些研究表明，考虑到整体形状和内容，算法不是从整体上看图像，而是专注于特定的纹理和细节。本次数据集中给出的结果似乎支持这种解释，例如，在明亮的表面上显示清晰阴影的图片，会被错误地标识为日晷。

AI视觉系统真的没救了？

但这是否意味着这些机器视觉系统没得救了？完全不是。一般这些系统所犯的错误都是小错，比如将排水盖识别为沙井，将货车误认为豪华轿车等。

虽然研究人员说这些“自然对抗性的例子”会骗过各种各样的视觉系统，但这并不意味着可以骗过所有系统。许多机器视觉系统非常专业，比如用于识别医学扫描图像中的疾病的那些专门系统。虽然这些系统有着自己的缺点，可能无法理解这个世界和人类，但这并不影响它们发现并诊断癌症。

机器视觉系统有时可能会很快且有瑕疵，但通常都会产生结果。这样的研究暴露了机器成像研究中的盲点和空白，我们下一步的任务就是如何填补这些盲点了。

四、机器视觉特征描述方法

常用的机器视觉提取特征方法有哪些？一般常用的机器视觉图像特征有颜色特征、纹理特征、形状特征、空间关系特征，沃德普机器视觉昨天给大家介绍过了颜色特征的提取，今天给大家介绍的是纹理特征、形状特征、空间关系特征这三种特征方法提取。

1.纹理特征描述方法分类：

（1）统计方法

统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法，在研究共生矩阵中各种统计特征基础上，通过实验，得出灰度共生矩阵的四个关键特征：能量、惯量、熵和相关性。统计方法中另一种典型方法，则是从图像的自相关函数（即图像的能量谱函数）提取纹理特征，即通过对图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数。

（2）几何法

所谓几何法，是建立在纹理基元（基本的纹理元素）理论基础上的一种纹理特征分析方法。纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。在几何法中，比较有影响的算法有两种：Voronio 棋盘格特征法和结构法。

（3）模型法

模型法以图像的构造模型为基础，采用模型的参数作为纹理特征。典型的方法是随机场模型法，如马尔可夫（Markov）随机场（MRF）模型法和 Gibbs 随机场模型法。

（4）信号处理法

纹理特征的提取与匹配主要有：灰度共生矩阵、Tamura 纹理特征、自回归纹理模型、小波变换等。

灰度共生矩阵特征提取与匹配主要依赖于能量、惯量、熵和相关性四个参数。Tamura 纹理特征基于人类对纹理的视觉感知心理学研究，提出6种属性，即：粗糙度、对比度、方向度、线像度、规整度和粗略度。自回归纹理模型（simultaneous auto-regressive, SAR）是马尔可夫随机场（MRF）模型的一种应用实例。

以上就是小编对于机器视觉真不是人干的问题和相关问题的解答了，如有疑问，可拨打网站上的电话，或添加微信。