人工智能深度研究——电子应用篇
温馨提示: 如需原文档,可在PC端登陆未来智库官网(www.vzkoo.com)搜索下载本“人工智能深度研究”。
AI 让行业应用插上腾飞的翅膀-电子应用篇
近年来,在计算、大数据、深度学习等技术的综合应用下,AI 技术得以大 幅度提升,应用场景也越来越多。2017 年人工智能市场中,计算机视觉位居第 一,占比达到 37%,语音第二,达到 22%,而在计算机视觉应用中,安防占比 高达 68%,基于计算机视觉开发的人脸解锁、人像美颜功能在 AI 手机应用中 渗透率分别高达 75%与 90%,而语音主要应用在智能手机、可穿戴设备、智 能家居中。
1、AI 让安防升级换代,催生更多应用场景
A、稳健发展中的安防产业
根据中安协发布《中国安防行业‚十三五‛(2016-2020 年)发展规划》,‚十三五‛期间,安防行业将向规模化、自动化、智能化转型升级,且到 2020 年,安防企业总收入达到 8000 亿元左右,年增长率达到10%以上。
B、AI 技术助力安防行业智能化升级
随着 GPU 等硬件设备的研发和人工智能相关软件算法的成熟,人工智能 逐渐被大规模 应用各个 领域,而 安防行业 对实时性 、准确性 要求极高 ,人工能 +安防应运而生。在安防产业链中,硬件设备制造、系统集成及运营服务是产 业链的核心, 渠道推广 是产业链 的经脉。 未来安防 产业的运 营升级势 在必行, 通过物联网、 大数据与 人工智能 技术提供整 体解决方 案是众多 企业的发 展趋势。
安 防是人 工智能 最理想 的落地 行业之 一。 随着深度学习、大数 据等技 术持 续突破,‚人工智能+‛已成为我国经济 增长的新引擎。人工智能的产 业化 是‚AI+垂直行业‛的一场变革。安防行业的海量数据以及事前预防、事 中响应、 事后追查 的诉求 与人工 智能训 练需求及 技术逻 辑完全 吻合, 是人 工智能最理想的落地行业之一。‚A I+安防‛已 经从概念普及、技术比 拼, 进入到产品、场景、实战应用和生态构建阶段。
智 能安防 云边结 合成为 新趋势 。 目前安防系统中,常 见的中心 计算架 构问 题已经日 趋严重, 主要体 现为网 络传输 带宽问题 、及时 性问题 得不到 有效 解决。边 缘计算的 出现有 效缓解 了上述 问题。云 计算聚 焦非实 时、长 周期 数据以及 业务决策 场景, 而边缘 计算在 实时性、 短周期 数据以 及本地 决策 等场景方 面有不可 替代的 作用。 这使得 云端及边 缘端结 合成为 新趋势:一 些需要集 中式处理 的计算 继续交 由大型 云计算中 心,如 大数据 挖掘、 大规 模学习;大量实时的需要交互的计算、分析在边缘节点完成。
海康威视提出云边 融合 AI Cloud 架 构。 海康威视 AI Cloud 架构由边缘节 点、边缘 域和云中 心三个 层级构 成。边 缘节点侧 重多维 感知数 据采集 和前 端智能处 理;边缘 域侧重 感知数 据汇聚 、存储、 处理和 智能应 用;云 中心侧重业务 数据融合 及大数 据多维 分析应 用。数据 从边缘 节点到 边缘域 ,实 现‚聚边到 域‛; 从边缘 域到云中 心,实 现‚数 据入云‛。边缘 域和云 中心 可多级多 类,根据 不同应 用,边 缘域汇 聚的数据 和传到 云中心 的数据 在格 式和内容上也会不同。边缘域所发挥的作 用就像足球‚中场‛,负责决 定在 什么时候 ,将什么 样的数 据,处 理到什 么程度, 发送到 云中心 ,实现‚按 需汇聚‛。
智 能安防 产业链: 上游有零组 件供应商 、算法 和芯片供 应商等;中游 为软 硬件设备 设计、制 造和生 产环节 ,主要 包括前端 摄像机 、后端 存储录 像设 备、音视 频产品、 显示屏 供应商 、系统 集成商、 运营服 务商等;下游 为产 品分销及 终端的城 市级、 行业级 和消费 级客户应 用。上 游零部 件供应 商, 代表企业有华为海思、索尼、中星微,还有视频算法提供商Object Video 等;中游 软硬件供 应商、 系统集 成商的 主力厂商 包括海 康、大 华等。 下游 为终端客 户,主要 涉及到 政府、 公共行 业、民用 行业等 。在智 慧城市 的普 及下,安 防市场容 量持续 增加, 安防产 品的智能 化程度 不断提 高,数 字监 控技术日 益成熟, 人工智 能技术 在安防 市场上的 应用大 规模落 地,推 动传 统安防产 业进化革 新,从 而带动 了安防 产业市场 规模的 扩大。 智慧安 防产 业链中, 上游的算 法、芯 片和其 他零组 件供应环 节属于 技术集 成部分 ,是 智能安防产业的发展基础。AI+安防产业链公司众多,系统厂商有海康威视、 大华股份,芯片公司有英伟达、华为海思、寒武纪,比特大陆,而AI 算法 公司有商汤科技、依图科技、云从科技等。
智能安 防算法: 算法环节主要包括图像处理、视频压缩和内容识别三个分 类。计算 机视觉、 深度学 习、集 成算法 等重要的 人工智 能算法 的引入 和革 新,助力 安防产品 适应大 众不断 增长的 安防需求 。在安 防领域 智能算 法的 运用主要 体现在, 利用无 间歇工 作的智 能算法对 视频画 面进行 监控, 以弥 补人力无 法长时间 保持监 控状态 的缺失;利用生 物识别 技术解 决人脸 、指 纹、语音 等生物特 征被盗 用的情 况;提 高安防产 品保密 和防御 级别, 确保 场所安防 布控。此 前,算 法的基 础框架 的研发几 乎被国 外企业 垄断, 但近 年来,伴 随人工智 能深度 学习算 法的快 速成熟, 中国芯 片设计 公司和 设备 产品厂商 都致力于 在基础 算法上 进行改 进和优化 ,培养 自己独 有的算 法技 术,部分优质的图像内容识别、算法供应商陆续出现。
安 防监控 芯片: 在智能安防监 控领域, 芯片是 硬件设备 中成本 占比最 高的 零组件之 一,也是 安防视 频监控 设备的 核心部件 ,通过 前端摄 像机内 置人 工智能芯 片,可实 时分析 视频内 容,检 测对象, 识别人 、车属 性信息 ,并 通过网络 传递到后 端人工 智能的 中心数 据库进行 存储。 目前, 安防视 频设 备中所需要的处理器芯片主要包括网络摄像机中的 SoC 芯片、后端 DVR/NVR 中的 SoC 芯片以及深度学习算法、加速器芯片以及前端模拟摄 像机中的 ISP 芯片四种类型。目前,高性能的深度学习算法加速器芯片仍 由国外芯 片厂商提 供,但 其余三 类处理 器芯片已 实现了 较大程 度的国 产化 替代。
安防用人工智能芯片: 目前安防领域最主流的深度学习芯片方案是GPU, 但 GPU 存在成本、效率、功耗等瓶颈,现已有针对安防产业开发的FPGA/ASIC智能芯片,如深鉴科技(去年被 Xilinx 赛灵思以 3 亿美元并购) 的 DPU 芯片(FPGA)、北京君正的 NPU 协处理器(ASIC)、寒武纪的 AI 服务器芯片(ASIC 等) 。当前安防智能化进程中,算法层面已经接近成 熟,宏观 架构上云 边融合(即云 端计算 和边缘计 算的融 合)的 理念成 为行 业共识, 虽然具体 场景的 解决方 案层面 需要通过 大量前 期项目 进行摸 索, 但政府部 门和大企 业客户 对于安 防智能 化的趋势 已经有 较为充 分的认 知, 而当下对 智能化落 地的进 度最为 关键的 影响因素 便是芯 片的成 本。为 了实 现智能化的功能(即运行深度学习算法),安防监控系统的前端和后端 设备 中需要加入英伟达或是英特尔等国际大厂所设计的 GPU、FPGA 或者 ASIC 加速芯片,与原有的承担图像处理和编解码功能的主处理器芯片一起 构成双芯片方案,而采用这些芯片一般要为安防监控设备新增高额成本(2017 年仅前端摄像机中采用的 AI 加速器芯片的成本就高达上百美元), 因此导致 智能化设 备的成 本普遍 偏高, 在很大程 度上影 响了智 能化的 大面 积应用。未来随着根据应用场景定制的ASIC或专用 SoC 智能监控芯片的 逐渐成熟(安霸、 海思的 方案已 经在小 排量测试 ,而海 康及大 华也都 在开 发自研智能监控 ASIC/SoC芯片),高性价比的专用芯片对边缘运算及部分云端通用GPU芯片的替代,将使得智能监控设备的成本有望大幅降低, 安防监控智能化进程在未来加速落地可期。
C、智能安防才刚进入初级阶段,AI 占比低于 1%,未来大有可为
目前 AI 在安防领域仍处在发展阶段,具有较好的发展前景:《2018 年中国 AI+ 安防行业发展研究报告预告版》 的报道中指出,人工智能在安防领 域的 应用早在 2012 年就已经取得一定成就,但是无论是人脸识别、结构分析 等其他定制化服务,也就 2016-2017 年左右才稍有起色。
安防领域智能摄像头应用率1%:智能摄像头无疑在智能安防领域充当着 最基础也最重要的眼睛作用,单单就智能摄像头来说,我国一年有5000 万个摄像头需求。实际上我们只有 50 万不到智能摄像头进入到安防领域应 用,用率也就刚刚达到 1%而已。
AI 摄 像机在 公安动态识别系统渗透率 0.4 %:2018 年市场较为理性,从铺 设速度看,AI 摄像机在公安动态识别系统项目中渗透约达到 16.6%,而若 考虑全国近 2300 万路现存公安监控摄像头,则渗透率约 0.4%,从设备能 力看,符合应用场景可用指标为核心准则。
智慧安防 22.6%复合增长:在安防领域,智能化逐渐成为行业转型升级的 方向,智能安防在安防行业占比也逐步提升。据中商情报网数据,2018 年 中国安防行业市场规突破六千亿元,其中,智慧安防行业市场规模约2001 亿元,预计到 2022 年智慧安防行业市场规模将达到 4514 亿元,2018- 2022 年均复合增长率达到 22.6%。
2018 年安防 AI 产品营收在前端营收占比中增长 100%,后端增长 70%: 2017 年和 2018 年人工智能开始真正落地安防场景,其中 2018 年更是飞 速发展的 一年。按 前端产 品、后 端产品 、中控产 品、工 程施工 和其他 划分 的营收结构在这两年中基本没有发生变化,而AI 产品的营收在前端营收占 比中增长了 100%,在后端营收占比中增长了 70%(注:图中蓝色区域 AI 产品占比为 前端产 品或后 端产品中 的占比 ,并非 整体营收 占比。),说 明在 符合已有市场需求结构的基础上,AI 产品越来越受到市场的重视与欢迎, 虽然整体 占比还很 小,但 在公安 部门‚ 新建一批 、利旧 一批、 淘汰一 批‛的准则下,2019 年 AI 产品在安防厂商视频监控业务中的占比增速不会低 于 2018 年。
AI、安防企业有望整合: 新兴 AI 企业比部分安防上市企业要更早推出智能 安防产品,且在技术方面更领先一些,但 AI 需要通过数据进行机器学习, AI 创企在数据方面稍逊,若没有数据支撑难以实现更大的突破,而大量数 据都在政 府国安手 里,若 没有数 据支撑 也难以有 更大的 突破; 大型安 防上 市企业尽管早已提出结合深度学习、AI 技术的研发策略,且拥有大数据和 综合指挥平台优势,但大部分在2017 下半年才真正推出智能安防产品。 这也就形成了资源与技术不能很好地匹配,有资源的手里缺 AI 技术,而 AI 产品难以 规模化应 用。不 过,存 在问题 并不意味 着智能 安防达 到了瓶 颈。 从 2017 年中国智能安防行业下游需求分析中可以看出,平安城市、智能 交通是智 能安防崛 起的主 因,目 前这些 领域均处 于快速 发展期 ,此外 ,智 能安防企 业在物流 、旅游 、能源 等领域 开辟了新 的应用 。未来 智能安 防无 疑拥有非常大的发展空间。
D、安防 AI 面临的三大挑战
安防 AI 的发展主要面临以三个方面的挑战:算法的场景适应能力、大规模应用的技术与经济可行性和面向业务应用的解决方案。
算 法的场 景适应 能力: 以人脸识别为例 ,目前 绝大多 数厂商的 算法来 源于 对人脸静 态图片的 学习训 练—比 如标准 证件照, 对所采 集的人 脸照片 的清 晰度、光 照、角度 、妆容 都有着 严格的 要求,但 在实际 监控场 景中, 除了 室内个别环 境外, 绝大多 数现场环 境采集 的人脸 图片无法 满足这 样的要 求, 造成人脸 识别精度 的大幅 度衰减 。如国 内某知名 厂商的 人脸识 别算法 在静 态人脸比 对测试中 总是名 列前茅 ,但其 复杂环境 下动态 人脸识 别的效 果就 比较差,特别是在偏转角度较大(超过 30°)、化妆、戴墨镜、戴口罩等 情况下识别率会大打折扣。
大 规模应 用的技 术与经 济可行 性: 目前计算机视觉的 大规模运 算还主 要依 赖 GPU 和 CPU 的算力,以人脸识别和视频结构化分析为例,一般利用 GPU 做视频图像处理与特征解析运算,用 CPU 做人脸特征比对运算。在 复杂动态人脸采集环境下,1 台 8 卡 GPU(TESLA P4)+2 个 16 核 CPU 服务器每秒可支持 80 路 1080P 高清视频实时动态解析和 100 万库的实时 动态比对运算,硬件成本折合 4000 元人民币/路,电力消耗(服务器自身 耗电+散热制冷耗电)折合每年 800 元/路。如果采用 800 万像素的监控图 像,硬成本会再增加 3 倍,这还没有计算算法与应用软件系统的费用,如 此高昂的建设与运行费用很难得到大规模的应用推广。
面向业务应用的解 决方案: AI 是一项技术,从 AI 技术 到客户价值,需要一 整套的产 品与解决 方案, 向客户 最终交 付的是应 用,尤 其是面 向业务 的应 用软件, 不同行业 、不同 场景、 不同用 途的业务 应用都 不尽相 同,需 要针 对性的集 成与应用 软件开 发,否 则无法 规模化推 广。而 目前情 况来看 ,无论是 AI 算法厂商、安防产品商还是系统集成商,都不具备全行业应用软件 的开发能力。
E、AI+安防使用技术
( a) 视 频结构化技术
一 是目标 检测——从视频中提取 出前景 目标, 然后识别 出前景 目标是 有效 目标(如:人员、 车辆、 人脸等)还是 无效目标(如: 树叶、 阴影、 光线 等)。在目标检测过程主要应用到运动目 标检测、人脸检测和车辆检测 等技 术。
二 是目标 跟踪——实现特定目标 在场景 中的持 续跟踪, 并从整 个跟踪 过程 中获取一 张高质量 图片作 为该目 标的抓 拍图片。 在目标 跟踪过 程中主 要应 用到多目标跟踪、目标融合以及目标评分技术。
三 是目标 属性提 取——对已经检测到的 目标图 片中目标 属性的 识别, 判断 该目标具 有哪些可 视化的 特征属 性,例 如人员目 标的性 别、年 龄、着 装, 车辆目标 的车型、 颜色等 属性。 目标属 性提取过 程主要 基于深 度学习 网络 结构的特征提取和分类技术。
(b)情感计算技术
情感计算在 安防领域 具有广泛 的应用前 景。计算 机通过对 人类面部 表情、 语音表情、姿 态表情、 生理表情 和文本情 感的获取 、分类和 识别,可 以及时获 取目标对象的情感变化,并对异常危险行为提出预警,实施相应的应对措施。
脸部表情: 国际著名心理学家Paul Ekman 和研究伙伴 W.V.Friesen 对 人脸面部表情作了深入的研究,通过观察和生物反馈,于 1976 年描绘出 了不同的脸 部肌肉 动作和 不同表情 的对应 关系,即 面部表 情编码 系统 FACS。FACS 根据人脸的解剖学特点,将人脸划分成若干既相互独立又相 互联系的 运动单元 ,分析 了这些 运动单 元的运动 特征及 其所控 制的主 要区 域以及与之相关的表情,并给出了大量的照片说明。FACS 是如今面部表 情的肌肉 运动的权 威参照 标准, 也被心 理学家和 动画片 绘画者 使用。 为满 足视频信 息传输的 需要, 人们进 一步将 人脸识别 和合成 的工作 融入到 视频 图像编解码之中。典型如 MPEG4 V2 视觉标准,其中定义了 3 个重要的参 数集:人 脸定义参 数、人 脸内插 变换和 人脸动画 参数。 当前人 脸表情 处理 技术研究的热点多侧重于对三维图像的更加细致的描述和建模。通常采用 复杂的纹 理和较细 致的图 形变换 算法, 达到生动 的情感 表达效 果。在 此基 础上,不同的算法形成了不同水平的应用系统。
语音理解 : 目前,国际上对情感语音的研究主要侧重于情感的声学特征的分 析。中国 科学院自 动化研 究所模 式识别 国家重点 实验室 的专家 们针对 语言 中的焦点 现象,首 先提出 了情感 焦点生 成模型。 这为语 音合成 中情感 状态 的自动预 测提供了 依据, 结合高 质量的 声学模型 ,使得 情感语 音合成 和识 别达到了实用水平。
姿态变化 : 针对肢体运动,科学家专门设计了一系列运动和身体信息捕获设 备,例如 运动捕获 仪、数 据手套 、智能 座椅等。 国外一 些著名 的大学 和跨 国公司,例如麻省理工学院、IBM 等则在这些设备的基础上构筑了智能空 间。也有 人将智能 座椅应 用于汽 车的驾 座上,用 于动态 监测驾 驶人员 的情 绪状态,并 提出适 时警告 。意大利 的一些 科学家 还通过一 系列的 姿态分 析, 对办公室的工作人员进行情感自动分析,设计出更舒适的办公环境。
生理 识别 : 不同的生理信号的特征模 式也是情感 识别的重要依 据之一。 人 的生理信 号比起面 部表情 和语音 ,识别 难度更大 ,所以 目前生 理模式 的情 感识别研 究还处于 初级阶 段。哪 些信号 可以转化 为情感 参数、 信号各 个方 面的权重、比例应该是多少,这些都还需要进行进一步的研究和探索。
文本情感计算 : 文本情感计算是自然语言处理的一个研究分支,其工作展开 的关键在 于情感特 征提取 和情感 分类方 法的不断 进步优 化。尽 管经过 了大 量研究, 文本情感 计算取 得了很 大的进 展,但整 体仍处 于探索 阶段, 存在一些亟待 解决和研 究的问 题:缺 乏规范 统一的实 验语料 和词典 。目前 针对 语言规律和句子语义成分的分析问题,还没有成熟的解决方案。
多模态的情感计算 : 虽然人脸、语音、姿态、生理、文本均能独立地表示一 定的情感, 但只有 实现多 通道的情 感信息 采集, 才能实现 完整的 情感识 别。 这通常要 求系统集 自然语 言、语 音、手 语、人脸 、唇读 、头势 、体势 等多 种交流通 道于一体 ,进行 综合的 采集、 分析和识 别。目 前,多 模态技 术正 在成为情 感计算的 研究热 点,实 现情感 的多特征 融合, 能够有 力地提 高情 感计算的研究深度。美国麻省理工学院、日本东京科技大学、美国卡内 基·梅隆 大学均在 情感机 器人和 情感虚 拟人的研 究领域 做出了 较好的 演示 系统。中 科院自动 化所模 式识别 国家重 点实验室 也已将 情感处 理融入 到了 多模态交 互平台中 ,结合 情感语 音合成 、人脸建 模等技 术,构 筑了栩 栩如 生的情感虚拟头像。
(c)大数据技术
大数据技术 为人工智 能提供强 大的分布 式计算能 力和知识 库管理能 力,是人工智能分析预测、自主完善的重要支撑。
一是海量 数据管理 被用于 采集、 存储人 工智能应 用所涉 及的全 方位数 据资 源,并基 于时间轴 进行数 据累积 ,以便 能在时间 维度上 体现真 实事物 的规 律。同时 ,人工智 能应用 长期积 累的庞 大知识库 ,也需 要依赖 该系统 进行 管理和访问。
二是大规 模分布式 计算使 得人工 智能具 备强大的 计算能 力,能 同时分 析海 量的数据,开展特征匹配和模型仿真,并为众多用户提供个性化服务。
三是数据 挖掘是人 工智能 发挥真 正价值 的核心, 利用机 器学习 算法自 动开 展多种分 析计算, 探究数 据资源 中的规 律和异常 点,辅 助用户 更快、 更准 地找到有效的资源,进行风险预测和评估。
F、AI+安防场景应用
安防与人工智能技术结合是大势所趋,‚A I+安防 ‛朝着视频结构化、数据 可视化、安防 移动化、 云防立体 化演进。但 在发展过 程中软硬 件问题尚 待解决, 只有妥善解决 这些问题 ,才能满 足市场需求 ,提升整 个安防领 域的智能 化水平, 从而推动安防产业的升级换代。
公 安行业 场景应 用:公安行业用户的迫 切需求 是在海量 的视频 信息中 ,发 现犯罪嫌 疑人的线 索。前 端摄像 机内置 人工智能 芯片, 可实时 分析视 频内 容,检测 运动对象 ,识别 人、车 属性信 息,并通 过网络 传递到 后端人 工智 能的中心 数据库进 行存储 ,再利 用强大 的计算能 力及智 能分析 能力, 对嫌 疑人的信 息进行实 时分析 ,为案 件的侦 破节约宝 贵的时 间。其 强大的 交互 能力,真正成为办案人员的专家助手。
交 通行业 场景应 用:在交通领域,利用 人工智 能技术, 可实时 分析城 市交 通流量,调 整红绿 灯间隔 ,缩短车 辆等待 时间, 提升城市 道路的 通行效 率。 城市级的 人工智能 大脑, 实时掌 握着城 市道路上 通行车 辆的轨 迹信息 ,停 车场的车 辆信息, 以及小 区的停 车信息 ,合理调 配资源 、疏导 交通, 实现 机场、火 车站、汽 车站、 商圈的 大规模 交通联动 调度, 提升整 个城市 的运 行效率,为居民的出行畅通提供保障。
智 能楼宇 场景应 用:在智能楼宇领域, 人工智 能是建筑 的大脑 ,综合 控制 着建筑的 安防、能 耗,对 于进出 大厦的 人、车、 物实现 实时的 跟踪定 位, 区分办公 人员与外 来人员 ,监控 大楼的 能源消耗 ,使得 大厦的 运行效 率最 优,延长大厦的使用寿命。
工 厂园区 场景应 用:在工厂园区场所, 利用可移 动巡线 机器人, 定期巡 逻, 读取仪表 数值,分 析潜在 的风险 ,保障 全封闭无 人工厂 的可靠 运行, 真正 推动‚工业4.0‛的发展。
民 用安防 场景应 用:在家庭安防中,当 检测到 家庭中没 有人员 时,家 庭安 防摄像机 可自动进 入布防 模式, 有异常 时,给予 闯入人 员声音 警告, 并远 程通知家 庭主人。 而当家 庭成员 回家后 ,又能自 动撤防 ,保护 用户隐 私。 夜间期间 ,通过一 定时间 的自学 习,掌 握家庭成 员的作 息规律 ,在主 人休 息时启动布防,确保夜间安全,省去人工布防的烦恼,真正实现人性化。
G、2018 年安防 AI 发展情况
2015 年以来,旷视、依图、商汤、云从等人工智能算法团队率先将人脸识 别技术应用到 公安科技 中,帮助 公安机关 侦破了很 多旧案积 案,抓获 了不少长 期潜逃的案犯,引起了轰动,安防 AI 应用才始见庐山真面目。经过 2016、 2017 两年的认知、试用和推广,2018 年开始进入一轮人脸识别初级阶段应用的 小高潮。
(a)2018 年安防 AI发展特点
2018年安防 AI 市场发展的特点可概括为四句话十六个字:‚看脸时代‚风正起时‚群雄并起‚两营对垒。
看脸时代:2018 年谈到安防AI就离不开人脸识别,一方面是因为一流 算法团队 的人脸识 别技术 已经超 越人眼 的辨识能 力且得 到了众 多现实 场景 的检验, 技术上完 全达到 了实用 化阶段;另一方 面人脸 识别的 应用范 围和 场景比较 宽,如公 安追逃 、身份 核查、 案件侦查 和所有 需要身 份鉴别 认证 的场景都用到人脸识别技术,人脸识别是目前最成熟、最广泛的安防 AI 应 用。
风正起 时:作为全国性的安防行业最大的工程项目——雪亮工程和天网 工程的建设重点都已经从原来点位建设转移到 AI 应用上来,以及其它垂直 应用领域的安防系统建设也都在关注 AI 应用,从而催生出了未来巨大的安 防 AI 产品与应用市场,安防 AI‚风‛已经吹起,AI 算法团队、AI 芯片厂 商、传统安防厂商、系统集成商、传统 IT 厂商都吹响了‚集结号‛,意欲 掘金未来庞大的安防市场。
群雄并起:受安防 AI 风口的驱动,除了目前国内几家知名的视觉 AI 算 法团队外,传统安防厂商、新 AI 创业团队、垂直行业应用集成商也都在投 入人力物力来开发自己的 AI 技术和产品,形成了群雄并起的局面。
两营对垒:2018 年以前,率先在安防AI市场刮起旋风的是依图、商汤、 旷视、云从等 AI 新锐。2018 年,传统安防厂商布局AI技术产品,在市场 竞争层面主要是 AI 算法专业团队与传统安防厂商两大阵营的对垒,在到底 是 AI+安防还是安防+AI 的问题上各自演绎。从当前竞争的初步结果来看,AI算法团队在算法精度和云端算力上具有较为明显的碾压优势,传统安防 厂商在 AI 边缘产品——特别是人脸检测抓拍摄像机产品化和安防 AI 行业 应用方面处于领先地位。
(b)安防 AI 技术、产品应用落地情况
目前安防 AI 技术主要集中在人脸识别与人、车、物视频结构化解析两个方 面,其中人脸识别技术已经成熟,人脸静态识别准确率已经达到98%以上,人 脸动态识别(利用监控摄像头进行实时人脸识别)的准确率也已达到 90%以上(百万人脸比对 库以内), 已经满足 绝大多数场 景下的应用 需求。人/ 车/物视频 结构化解析在机动车特征解析上的准确率已达到95%以上,而在人体特征和非 机动车识别上 准确度与 实战要求 还存在一定 的差距, 特别是在 大场景、 多目标、 复杂光照条件下,准确度还难有保证。
在 AI 产品上,云端产品主要是基于 GPU 运算的人脸识别与视频结构化解 析服务器,受 限于前端 芯片算力 的影响, 边缘运算 产品主要 是人脸抓 拍摄像机 和支持小规模 人脸库的 人脸门禁 终端机, 其中以人 脸抓拍摄 像机和人 脸闸机的 市场销售已经 初步放量 。在落地 应用场景 上,以雪 亮工程、 天网工程 等社会公 共安全为主要应用场景,占安防 AI 市场的 80%以上,但目前还仅仅是小规模试点和少量项 目落地应 用,还远 没形成规 模化应用 的格局。 另外,人 脸门禁在 政府机关、对 安全有较 高要求的 企事业单 位、居民 小区、校 园等也有 试点场景 落地。
H、AI+安防发展趋势
( a) 从 最初的‚谁是你,到你是谁
近些年因为 AI 技术的出现,视频监控层面从最初的数字化、网络化、高清 化向智能化快 速转变, 安防行业 达成的共识 是从‚看 得清‚到 ‛看得懂‚,从‛看视频‚到‛用视频‚ 进行过渡 。最初摄像 头解决的 是图像传 输和处理 ,网络、 互联网普及后 开始进行 万物互联 ,无论是 依托大数 据还是云 计算技术 来判别人 与人、人与物之间的关联性。但最近在近期 AI 或安防上市企业发布会或展会上, 我们看到一些多功能 AI 产品面世。
比如感知型 IPC,在车辆识别方面精细化程度从车牌、车型、车身颜色、 品牌到驾驶员 是否系安 全带、是 否打电话 、是否开 启遮阳板 ,再到车 辆通过的 时间、道路名 称、车辆 行驶方向 进行车辆 轨迹分析 ,包括人 员以图搜 图,整理 你的行为轨迹。AI+安防要解决的将不再是人与人之间、人与车之间的结构联系, 而是能自主判断‚你是谁‛,相信在不久的将来人工智能技术将会取代众多传统 的安防技术,整个安防行业的发展已经到了比拼核心技术的关键节点。
(b)投资并购,完美结合
因为 AI 技术和供应链资源参差不齐的事实客观存在,我们发现,不少传统 安防企业通过投资/并购 AI 公司的方式来弥补各自短板,向完美结合体演进。2008年,全球视频监控领域三大巨头 AXIS、BOSCH、Sony 宣布合作,安防 领域内企业开放、合作呼声渐高。2015 年英飞拓收购藏愚科技,高新兴收购创 联电子,东方网力收购华启智能、动力盈科等 6 家新技术企业;2016 年海康威 视收购英国报警企业 SHL,佳都收购华之源,东方网力再次投资爱耳目、数智 源等等。我们 看到安防 市场格局 逐渐明朗 ,已经形 成了‚两 超多强‛的格局, 海康威视和大 华股份领 跑市场, 东方网力 、佳都、 苏州、汉 王等第二 梯队企业 奋起直追。当有了新技术的运作,尤其在 AI 应用正式落地安防之后,投资或收 购 AI技术公司成为传统安防企业最有效创新升级的方式,而 AI+安防企业也将 面临行业集中度提高,市场份额向头部集中的洗礼。
(c)AI+安防企业的业务逻辑是先 TO b
公安部门 属于比较 高端的 市场, 但从历 史来看, 都是从 政府这 边去切 入, 然后成熟之后再往民用方向普及,随着AI成熟度的进一步加强,很多安防 产品已经开 始逐步 下沉到 更多细分 的民用 场景, 如社区、 学校、 工业园 区、 智能家居等。
受益于安 防领域深 度学习 算法的 快速发 展,智能 安防已 经得到 了越来 越广 泛的应用。在 AI+安防时代,面对安防视频产品下游的需求,运营服务将 有较大的 市场空间 ,这也 将成为 我国安 防产业未 来的发 展方向 。以人 脸识 别为例,可 广泛应 用于公 安、零售 、教育 、金融 、医疗等 行业; 除此之 外, 未来也可 以尝试新 兴的场 景,如 智慧景 区,完成 物品遗 留检测 、客流 统计 以及智能巡检等;智慧商业,对客流量统计以及人流密度检测等。
而对于具体做法,AI 初创公司未来需要选择和深挖垂直行业解决方案。做 解决方案 的好处就 是能够 端到端 地了解 行业应用 ,从系 统化、 全局化 的角 度才能真 正理解业 务对于 技术的 需求, 重新定义 问题才 有可能 更好解 决问 题。
AI 对安防领域的改造才刚开始,这一点从几家传统安防企业的 AI 产品落地 情况可以看出来。2017 年是AI+安防企业正式落地应用的第一年,具备深 度学习算法或 AI 产品开始在政府国安得到小范围运用,包括提供个性化定 制解决方 案,随着 未来技 术的成 熟,以 及国家政 策的推 动。在 原有安 防场 景里,AI+安防产品大规模运用最多只有 5 年左右时间,这些年弯道超车的AI 初创企业,以及积极拥抱 AI 新技术的传统安防企业的行业格局变化值得 期待。
(d)安防 AI 应用场景落地需要算法、算力、产品与应用共同推动
安防 AI 应用场景落地需要算法、算力、产品与应用四个方面的合力才能推 动,其中算法仍然是核心。随着算法、算力、芯片的快速发展和泛AI业务场景 的深度应用,行业将迎来泛 AI 时代,预计到 2022 年,AI 将成为几乎所有安防 监控系统的必备能力。
算 法层面:除了需要不 断提升应 用场景 的环境 适应能力 外,还 需要在 保证 算法精度 的前提下 对模型 的持续 精炼, 以降低对 算力的 消耗, 从而控 制硬 件资源的 投入、系 统建设 成本和 电力消 耗,为大 规模泛 智能化 应用创 造条 件。因此 谁掌握了 深度学 习的核 心技术 ,具备算 法的持 续优化 迭代能 力, 谁就会在未来的市场中占据主导地位。虽然安防 AI 市场的参与者都宣称具 有自主开 发算法的 能力, 但绝大 多数是 利用开源 深度学 习框架 进行二 次开 发和模型 训练,本 身并不 掌握核 心技术 ,而开源 框架多 数来源 于美国 的公 司或研究机构,未来在算法的迭代能力上将面临极大的考验。
算 力层面:无论是云端 算力和边 缘算力 将会得 到大幅度 提升, 英伟达 不断 刷新其推理型 GPU芯片的运算性能和能耗比,为云端运算提供强大的算力 支撑。Intel、NXP、AMD、GOOGLE、苹果、IBM、ARM、高通、博通、 三星等国 际知名芯 片厂商 以及华 为、寒 武纪、比 特大陆 ,深鉴 、地平 线、 中星微等国内芯片厂商都在 AI 芯片上持续发力,未来必将呈现众彩纷呈的 局面,让每个安防设备都具备强大的 AI 能力。
产品层面:目前云端产品主要以 GPU 服务器为主,未来会出现集成 ARM、 高通、华为海思、FPGA 等芯片架构的云端AI运算服务器。随着高性能、 微功耗、低成本 AI 芯片的推出,未来最值得期待的将会是边缘节点泛智能 产品,如可同时运行多种 AI 算法模型的 AI 摄像机、智能NVR等产品,AI 将会是安防监控设备的标配能力。
应用层面: AI来源于深度学习与大数据,AI同时也产生大数据,如基于人 脸、人体、车辆特征的时空轨迹大数据。AI 的核心是算法,本质是大数据, 特别是在公安行业,AI 给警用大数据注入了新鲜血液,有了 AI 才算真正有 了警用大数据。因此未来在安防 AI 应用层面,不仅仅是目前简单的人脸比 对、黑名单布控、身份甄别等简单化应用,而是具备更大可挖掘价值的 AI 大数据应用,也将会涌现出一批专注于面向各行业的 AI 大数据挖掘和应用 的企业。
2、智能手机 AI 应用势如破竹
随着移动互 联网的发 展,智能 手机已经 从单纯的 通讯工具 成为了人 们生活 和工作的入口,智能手机的快速普及也带动了诸多产业的发展,AI 也瞄准了智 能手机这个大蛋糕市场,同时手机厂商意识到了 AI 给智能手机行业带来的价值, AI 手机应运而生,从 2017 年开始,‚AI 手机‛如雨后春笋,2018 年主流手机 厂商更是在各自的旗舰机型中全面引入 AI 技术,甚至搭载 AI 芯片的手机正在 成为市场的主流。
A、AI 视觉给手机带来新方向
目前手机 AI 应用较多的还是体现在摄像头上,无论是拍照、解锁,还是认 知、优化、分析等都是基于这个‚AI Camera‛。最浅层的AI Camera 即人脸解 锁,再往上则可能是 AI 的智能优化。视觉应用是手机 AI 应用中最主要的诉求, 从图中我们可 以明显地 看到,目 前主流的 手机应用 大多与视 觉应用相 关(蓝色 柱状图),可以说,提升视觉技术在当前是改善用户体验的最直接和最有效的手 段。目前,计 算机视觉 技术在手 机种的应 用主要可 以分为三 大方向: 识别与认 证、AI 摄影、3D 感知。AI 手机基于计算机视觉开发的人脸解锁、人像美颜功 能在手机应用中渗透率分别高达 75%与 90%。与此同时,AI 视觉需求的日益 强烈对产业链 因此提出 了更高的 要求,应 用、算法 、解决方 案、硬件 将会环环 相扣、缺一不可。
想要给用户 带来超预 期的视觉 体验,需 要产业链 的协同发 展。视觉 技术的 推陈出新与产业链的发展紧密相连。IDC 将计算机视觉技术对安手机的影响分 为四个层面, 每一个层 面的创新 既相对独 立又相互 促进。利 用新器件 、新算法 打造新方案探索新应用,改善用户体验,提升用户粘性是 AI 手机快速普及的重 要助推力。
AI 视觉方案对手机产业链的革新需求:随着人工智能视觉需求的日益强烈, AI 视觉解决方案整合将加速,对产业链提出了更高的要求。计算机视觉技 术将成为 手机产业 链的关 键环节 ,可见 计算机视 觉技术 在手机 领域的 应用 正在趋于 成熟,但 就技术 本身来 讲还有 太多应用 场景尚 未被开 发出来 。当 前市场关 注度、渗 透率及 技术采 用度相 对较高的 应用场 景,如 人脸识 别、 物体识别 、物体检 测等还 停留在 较为基 础的物体 探测阶 段,在 更具体 的事 件检测、 更灵活的 人机交 互及更 复杂的 信息重组 、自主 行为等 方面的 应用 明显不足。
AI 视 觉产业生 态的整合正在发生:以高通、联发科、紫光展锐等公司为代 表的芯片 厂商,以 及以奥 比中光 、艾迈 斯、舜宇 光学、 欧菲科 技为代 表的 光学器件 和模组厂 商正在 通过战 略合作 资本等形 式与上 层算法 和应用 公司 进行深度合作。未来,无论是计算机视觉技术本身还是‚AI 手机‛行业的 市场前景,都还具有非常大的想象空间。
AI 算法加持,手机摄像头实现 AR 测量:2018 年 11 月,OPPO R17 Pro 正式发售,其搭载的‚AR 测量‛令人瞩目,成为首款实现景深距离测量的 安卓手机。‚AR 测量‛就是可以直接借助手机 AR 代替尺子、量角器等工 具测量实际物体长度、角度、距离、面积的应用。开启‚AR 测量‛创意功 能,用户可以测量物体的角度、长度、测距离以及面积。那么,OPPO AR 测量的精度如何呢?OPPO AR 通过景深距离的测量,透过手机屏幕,用 户可以直观看到被标记物体与自己的距离,其绝对精度为 1%,相对精度 为 0.5%。
B、解放双手,AI 语音助手发展在路上
语音助手是‚人工智能‛应用的一种具体表现方式,‚人工智能‛最初的形 态就是语音助手;特别是 AI 语音助手可以通过不断学习和整合服务,从而变得 更智能和更实用。AI语音助手应用在智能手机中,可以实现智能对话和即时问 答等智能交互,帮忙手机用户解决各种问题。因此,智能手机搭载AI语音助手, 也是希望智能手机变得更加智能。
2023 年,智能手机 AI 助手渗透率将达90%:AI 语音是仅次于AI视觉的 在智能手机中第二大应用, 2017 年,全球销售的智能手机中,只有 36.6% 的智能手机配置 AI 语音助手,而2018年,这个数字将达到 47.7%; Strategy Analytics 预测到 2023 年前,全球90%的智能手机势必会配置 AI 语音助手。这说明智能手机配置AI语音助手功能,已经成为一种越来越流 行的发展趋势。
谷歌 Assistant 的 AI 技术明显超前:2017 年,谷歌的 Assistant 语音助手 就占了 46.7%的市场份额,其次是苹果的 Siri 语音助手,占了 40.1%的市 场份额。预计 2018 年,谷歌 Assistant 语音助手的市场份额可能会增长到 51.3%;并且到 2023 年,它的市场份额预计增长到 60.6%。
3、智能穿戴‚钱‛途无量
A、可穿戴设备保持快速成长
Gartner 预测, 2018 年全球可穿戴设备出货量预计将达 1.79 亿部,较 2017 年的 1.41 亿部同比增长 27.1%。新兴市场可穿戴设备的出货量进一步增 长,智能可穿戴设备未来五年复合年增长率将达到26.3%,预计 2022 年发货 量将跃升至 4.53 亿部。举例而言,至 2022 年,耳戴式设备、头戴式设备、智 能手表的出货量分别将达到 1.58 亿台、8018 万台、1.15 亿台,五年出货量复 合增速分别为 49.1%、33.3%、22.7%,耳戴式设备将取代智能手表成为可穿 戴设备领域最主要的产品。到2022 年,苹果 AirPods 之类的耳机设备,将占 可穿戴设备市场份额的 30% 以上。
B、可穿戴 AI 市场增速更快
AI 助手需求量的不断增加、医疗行业运作量的增加、物联网技术的出现、 无线技术的整 合、可穿 戴组件技 术的增长 前景,以 及消费者 对先进可 穿戴设备 的喜爱和需求的增加,都是全球可穿戴市场不断增长的主要驱动力。 MarketsandMarkets 预测,2018 年全球可穿戴 AI 市场规模预计为 115 亿美元, 到 2023 年,该数字余预计将达到 424 亿美元,预测期(2018 年~2023 年)内 的年复合增长率为29.75%。
可穿戴 AI 产品主要由显示、处理器、电源管理、集成电路、存储器/存储、 传感器以及用户界面组成,按照产品种类的不同,可穿戴AI 产品拥有智能手表、 智能耳机、智 能眼镜以 及其他智 能产品(如 健身追踪 器、智能 服装、智 能饰品、 智能鞋等等)四大类;而根据操作的不同,可分为设备上的 AI 和基于云的 AI。
C、蓝牙耳机有望会成为私人‚AI 小秘
而在过去的 2018 年里,无线耳机这个相对大的品类之中,其实也在悄然 发生着改变。国内外音频/耳机大厂如索尼、Bose、森海塞尔、JBL 和惠威, 乃至华为、荣耀和魅族等手机品牌,也都争先恐后的发布TWS 类耳机(True Wireless Stereo, 真无线耳机),TWS 耳机在 2018 年迎来了一次大爆发,结合 2018 年双十一、双十二电商销量数据,无线耳机产品销售量占比超过 50%, 无线耳机已正式开始取代传统有线耳机的征程。2019 年,在 AI 技术的引入下, 蓝牙耳机的功 能将会更 加千变万 化,这也 将是各家 厂商竞争 的焦点之 一,具体 有可能碰撞出什么 火花?大致 可以分为这 些:(1)智能 降噪将成为 标配,(2) 运动耳机将加入更多检测功能,(3) 耳机也能识别你是谁:声纹 ID 与 AI 语音,(4)私人定制 EQ,(5)更多 AI 功能,如智能实时翻译、听译功能等。
AirPods 仍是最受欢迎的无线耳机: AirPods 是苹果设备中最具备成长动 能的产品,预计2018 年 AirPods 出货量约 2800 万台,占比全球耳戴式设 备出货量的 80%以上。此外,苹果新款 AirPods 获蓝牙技术联盟认证,并 支持健康追踪、无需手动可直接语音唤醒 Siri 等功能,其充电盒也有望增 加无线充电技术,市场预计全新设计的AirPods 将于 2020 年发布,18-21 年苹果 AirPods 将是全球耳戴式设备快速成长的主要驱动力。
4、安防+AI 让智能家居正式迈入智慧家居
智能家居产品已经悄然飞入‚寻常百姓家‛,如今的智能家居产品早已不只 停留在概念阶 段,各种 神奇的‚ 脑洞‛已 经纷纷落 地成为现 实。智能 语音助手 快速崛起,使其成为串联智能家居设备的重要‚入口‛;智能安防产品不断发展, 明显提升了生活质量‛。无论在国内还是全球市场,智能家居在过去一年中都交 出了亮眼的‚成绩单‛。前瞻产业研究院统计数据显示,在全球市场,智能家居 产品 2018 年的出货量增长了 39%,预计到 2023 年,智能家居全球市场规模 将达 1550 亿美元。在中国,2018 年中国智能家居市场出货量达到 1.5 亿台, 同比增高达 35.9%。
在 2019 年的 CES(美国消费电子展)上,智能语音助手成为谷歌和亚马逊 两大巨头展台 上的主角 ,智能语 音助手连 接的摄像 头、温度 计、空调 和门铃占 据了最显著的位置。亚马逊方面表示,其语音助手已被安装在超过1 亿台设备 上;谷歌则公布数据称,2018 年包括智能手机、智能手表、智能家居设备等在 内,内置谷歌语音助手的产品数量从 4 亿台升至 10 亿台。
A、 智 能 音 箱,智 能家居设备的入口
搭载了智能 语音助手 的智能音 箱,被厂 商们视为 能够串联 起智能家 居设备 的‚入口‛。厂商们争夺智能音箱市场的主导地位,其实就是在争取首次购买人 群以及刚刚开始建立自己智能家居设备系统的消费者,预计到 2019 年,通过 智能音箱将可以控制超过 80%的智能家居设备,2018 年语音助手在智能家居 市场出货量中的搭载率为 28%,预计到 2019 年将达到 39%,未来将更多应用 在智能插座、智能摄像头以及智能网关等产品上。
B、 家 庭 智 能安防渐成刚需
如果说智能语音助手作为入口的价值在于串联,那么以智能门锁、智能摄像头等为代表的 智能安防 设备作为‚入口, 其价值则 在于刚需。全球智能安防市场规模在 2020 年有望达到 470 亿美元,五分之三的美国消费者 购买智能家居产品并通过智能手机监控他们的房屋。
随着家庭场 景自动化 需求逐渐 提升,家 庭环境、 安全和控 制类设备 市场将 迎来快速增长期,预计 2019 年增速将达到 60%。人脸识别技术作为 AI 最为成 功的应用之一 ,其虽然 已经大范 围应用于 智慧城市 、平安城 市等大型 项目中, 但大部分技术 并未下放 至家居安 防产业中, 家居安防 依然以普 通视频监 控为主, 而一旦家居安防与 AI 相结合,将进一步推动智能家居智能化的发展步伐,让智 能家居正式迈入智慧家居。
「论文集锦」当人工智能走进生活——《电子技术应用》优秀论文集锦
人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。
人工智能之父 John McCarthy说:人工智能就是制造智能的机器,更特指制作人工智能的程序。人工智能模仿人类的思考方式使计算机能智能的思考问题,人工智能通过研究人类大脑的思考、学习和工作方式,然后将研究结果作为开发智能软件和系统的基础。
人工智能历史
1940-1950:一帮来自数学,心理学,工程学,经济学和政治学领域的科学家在一起讨论人工智能的可能性,当时已经研究出了人脑的工作原理是神经元电脉冲工作。
1950-1956:伦·图灵(Alan Turing)发表了一篇具有里程碑意义的论文,其中他预见了创造思考机器的可能性。重要事件: 曼彻斯特大学的Christopher Strachey使用Ferranti Mark 1 机器写了一个跳棋程序, Dietrich Prinz写了一个国际象棋程序。
1956:达特茅斯会议,人工智能诞生。约翰麦卡锡创造了人工智能一词并且演示了卡内基梅隆大学首个人工智能程序。
1956-1974:推理研究,主要使用推理算法,应用在棋类等游戏中。自然语言研究,目的是让计算机能够理解人的语言。日本,早稻田大学于1967年启动了WABOT项目,并于1972年完成了世界上第一个全尺寸智能人形机器人 WABOT-1 。
1974-1980:由于当时的计算机技术限制,很多研究迟迟不能得到预期的成就,这时候AI处于研究低潮。
1980-1987:在20世纪80年代,世界各地的企业采用了一种称为“ 专家系统 ” 的人工智能程序,知识表达系统成为主流人工智能研究的焦点。在同一年,日本政府通过其第五代计算机项目积极资助人工智能。1982年,物理学家John Hopfield发明了一种神经网络可以以全新的方式学习和处理信息。
1987-1993:第二次AI研究低潮。
1993-2011 :出现了智能代理,它是感知周围环境,并采取最大限度提高成功的机会的系统。这个时期自然语言理解和翻译,数据挖掘,Web爬虫出现了较大的发展。里程碑的事件:1997年深蓝击败了当时的世界象棋冠军Garry Kasparov。2005年,斯坦福大学的机器人在一条没有走过的沙漠小路上自动驾驶131英里。
2011年至今:在深度学习,大数据和强人工智能的发展迅速。
小编整理了《电子技术应用》近年刊登的与人工智能相关的最新研究成果及其应用实例,欢迎相关领域研究者参考借鉴!
1.基于深度学习的美国媒体“一带一路”舆情的情感分析
摘要: 分析美国主流新闻媒体针对“一带一路”倡议的关注热点,研究相关舆情的情感倾向。用网络爬虫自动采集相关新闻,筛选高频词获得媒体关注热点。提出一种自动摘要-卷积神经网络(Convolutional Neural Network,CNN)的集成式模型进行文档级情感分析。该模型首先提取摘要去除原始文档中非重要数据的干扰,再利用卷积神经网络进行句子级情感分析,通过基于语义指向的方法获得文档级的情感分数,并对情感波动异常文章二次分析。在真实数据上的对比实验表明,自动摘要-CNN的集成式文档级情感分析模型在情感分析方面优于单一CNN的方法。
全文链接: http://www.chinaaet.com/article/3000094112
中文引用格式: 王洁,乔艺璇,彭岩,等. 基于深度学习的美国媒体“一带一路”舆情的情感分析[J].电子技术应用,2018,44(11):102-106,110.
英文引用格式: Wang Jie,Qiao Yixuan,Peng Yan,et al. Sentiment analysis about “One Belt, One Road” public opinion of American media based on deep learning[J]. Application of Electronic Technique,2018,44(11):102-106,110.
2.基于深度学习的人体行为识别算法
摘要: 为改善人体行为识别任务中准确率低的问题,提出了一种基于批归一化的卷积神经网络(CNN)与长短期记忆(LSTM)神经网络结合的神经网络。CNN部分引入批归一化思想,将输入网络的训练样本进行小批量归一化处理,经过全连接之后,送入长短期记忆神经网络中。该算法采用时空双流网络模型结构,视频数据的RGB图像作为空间流网络输入,光流场图像作为时间流网络输入,再将时空双流网络各自得到的识别结果进行加权融合得到最终的行为识别结果。实验结果表明,本文设计的时空双流神经网络算法在人体行为识别任务上具有较高的识别准确率。
全文链接: http://www.chinaaet.com/article/3000091469
中文引用格式: 黄友文,万超伦. 基于深度学习的人体行为识别算法[J].电子技术应用,2018,44(10):1-5,10.
英文引用格式: Huang Youwen,Wan Chaolun. Human behavior recognition algorithm based on deep learning[J]. Application of Electronic Technique,2018,44(10):1-5,10.
3.基于TensorFlow深度学习手写体数字识别及应用
摘要: 手写体数字的识别是人工智能识别系统中的重要组成部分。因个体手写数字的差异,现有识别系统准确率较低。基于TensorFlow深度学习框架完成手写体数字的识别及应用,首先建立TensorFlow深度学习框架,并分析了Softmax、卷积神经网络(CNN)模型结构,再对手写体数据集MNIST的60 000个样本进行深度学习,然后进行10 000个样本的测试对比,最后移植最优模型到Android平台进行应用。实测数据验证,相对于传统的Softmax模型,基于TensorFlow深度学习CNN模型识别率高达99.17%,提升了7.6%,为人工智能识别系统的发展提供了一定的科研价值。
全文链接: http://www.chinaaet.com/article/3000091470
中文引用格式: 黄睿,陆许明,邬依林. 基于TensorFlow深度学习手写体数字识别及应用[J].电子技术应用,2018,44(10):6-10.
英文引用格式: Huang Rui,Lu Xuming,Wu Yilin. Handwriting digital recognition and application based on TensorFlow deep learning[J]. Application of Electronic Technique,2018,44(10):6-10.
4.基于深度学习的实时识别硬件系统框架设计
摘要: 设计了一种基于深度学习的实时识别硬件系统框架。该系统框架使用Keras完成卷积神经网络模型的训练并提取出网络的参数,利用ZYNQ器件的FPGA+ARM软硬件协同的方式,使用ARM完成对实时图像数据的采集、预处理及显示,通过FPGA实现卷积神经网络的硬化并对图像进行识别,再将识别结果发送至上位机进行实时显示。系统框架采用MNIST和Fashion MNIST数据集作为网络模型硬化试验样本,实验结果表明,在一般场景下该系统框架能够实时、准确地完成图像数据的获取、显示及识别,并且具有可移植性高、处理速度快、功耗低的特点。
全文链接: http://www.chinaaet.com/article/3000091553
中文引用格式: 王昆,周骅. 基于深度学习的实时识别硬件系统框架设计[J].电子技术应用,2018,44(10):11-14.
英文引用格式: Wang Kun,Zhou Hua. Design of real-time recognition hardware system framework based on deep learning[J]. Application of Electronic Technique,2018,44(10):11-14.
5.基于胶囊网络的指静脉识别研究
摘要: 针对卷积神经网络(CNN)中空间上的指静脉信息丢失的问题,提出了一种基于胶囊网络(Capsule Network,CapsNets)的指静脉识别算法。CapsNets在整个学习过程中以“胶囊”的形式从底层传递至高层,如此以向量的形式封装指静脉的多维特征,特征会在网络中被保存,而不是丢失后进行恢复。采用60 000张图像作为训练集,10 000张图为测试集,通过对图像增强、裁剪后进行网络学习。通过实验表明,CapsNets的网络结构特征相比CNN在处理脊线区域时效果更加明显,对比VGG精确度增加了13.6%,loss值也收敛到0.01。
全文链接: http://www.chinaaet.com/article/3000091554
中文引用格式: 余成波,熊递恩. 于胶囊网络的指静脉识别研究[J].电子技术应用,2018,44(10):15-18.
英文引用格式: Yu Chengbo,Xiong Dien. Research on finger vein recognition based on capsule network[J]. Application of Electronic Technique,2018,44(10):15-18.
6.基于卷积神经网络的图像着色
摘要: 图像着色的目标是为灰度图像的每一个像素分配颜色,它是图像处理领域的热点问题。以U-Net为主线网络,结合深度学习和卷积神经网络设计了一个全自动的着色网络模型。在该模型中,支线使用卷积神经网络SE-Inception-ResNet-v2作为高水平的特征提取器,提取图像的全局信息,同时在网络中使用PoLU(Power Linear Unit)函数替代线性整流函数(ReLU)。实验结果证明此着色网络模型能够对灰度图像进行有效的着色。
全文链接: http://www.chinaaet.com/article/3000091637
中文引用格式: 徐中辉,吕维帅. 基于卷积神经网络的图像着色[J].电子技术应用,2018,44(10):19-22.
英文引用格式: Xu Zhonghui,Lv Weishuai. Image coloring based on convolution neural network[J]. Application of Electronic Technique,2018,44(10):19-22.
7.深度学习中的卷积神经网络系统设计及硬件实现
摘要: 针对目前深度学习中的卷积神经网络(CNN)在CPU平台下训练速度慢、耗时长的问题,采用现场可编程门阵列(FPGA)硬件平台设计并实现了一种深度卷积神经网络系统。该系统采用修正线性单元(ReLU)作为特征输出的激活函数并使用Softmax函数作为输出分类器。利用流水线技术并针对每一层的特征运算进行了并行处理,从而能够在1个系统时钟周期内完成整个CNN中的295次卷积运算。系统最后采用MNIST数据集作为实验样本,实验结果表明,在50 MHz的工作频率下,FPGA的训练用时相较于通用CPU的训练用时提升了8.7倍,经过2 000次迭代后系统识别的准确率为92.42%。
全文链接: http://www.chinaaet.com/article/3000082399
中文引用格式: 王昆,周骅. 深度学习中的卷积神经网络系统设计及硬件实现[J].电子技术应用,2018,44(5):56-59.
英文引用格式: Wang Kun,Zhou Hua. System design and hardware realization of convolution neural network system in deep learning[J]. Application of Electronic Technique,2018,44(5):56-59.
8.基于PSO-BP神经网络的人体穴位定位系统设计
摘要: 穴位的位置是否找准会直接影响治疗效果,因此设计了一种基于粒子群算法优化神经网络(PSO-BP)的穴位相对坐标预测模型,然后与ARM结合构成一个可以用于人体穴位定位的系统。首先采用PC进行MATLAB仿真训练学习,然后将最优权值及阈值保存下来并简化算法嵌入ARM内,将在线预测转变为离线过程。实验结果表明:经粒子群优化过的BP神经网络有效地改善了局部极值缺陷,可应用于定位端预测穴位的位置,并在LCD中显示穴位相关信息,控制端收到位置数据后可执行电机上的运动操作。
全文链接: http://www.chinaaet.com/article/3000090355
中文引用格式: 杨向萍,吴玉丹. 基于PSO-BP神经网络的人体穴位定位系统设计[J].电子技术应用,2018,44(9):75-78.
英文引用格式: Yang Xiangping,Wu Yudan. Acupoint positioning system based on PSO-BP neural network[J]. Application of Electronic Technique,2018,44(9):75-78.
9.基于深度学习的烟雾识别研究
摘要: 基于Google第二代人工智能学习系统TensorFlow构建神经网络对烟雾图像进行识别检测,通过改进的运动检测算法截取疑似烟雾区域图像,并结合PCA降维算法和Inception Resnet v2网络模型在TensorFlow平台下进行烟雾特征的训练识别。该算法实现了较大范围的火灾实时检测报警,经过实验证明整个检测过程准确地识别了视频流中的烟雾区域,相比于传统烟雾识别方法具有更高的准确率和自适应性,为大范围的火灾烟雾报警提供了一种有效方案。
全文链接: http://www.chinaaet.com/article/3000092836
中文引用格式: 王涛,宫宁生,蒋贵祥. 基于深度学习的烟雾识别研究[J].电子技术应用,2018,44(10):131-135.
英文引用格式: Wang Tao,Gong Ningsheng,Jiang Guixiang. Smoke recognition based on the depth learning[J]. Application of Electronic Technique,2018,44(10):131-135.
10.基于深度学习的胸部X光影像分析系统
摘要: 提出一种应用嵌入式技术和深度学习技术实现对胸部X光影像分析的设计方案。采用NIVIDIA公司生产的Jetson TX2作为核心板,配备以太网模块、WiFi模块等功能模块搭建该分析系统的硬件平台。在GPU服务器上利用MobileNets卷积神经网络对标注的胸部X光影像数据集进行训练,将训练好的神经网络模型移植到Jetson TX2核心板,在嵌入式平台下完成对胸腔积液、浸润、肺气肿、气胸以及肺不张症状的检测。利用美国国立卫生研究院提供的胸部X光影像数据进行测试,通过实验证明,该方法在识别准确率上优于其他的检测方法,同时识别所需时间比其他方法短。
全文链接: http://www.chinaaet.com/article/3000093435
中文引用格式: 周进凡,张荣芬,马治楠,等. 基于深度学习的胸部X光影像分析系统[J].电子技术应用,2018,44(11):29-32.
英文引用格式: Zhou Jinfan,Zhang Rongfen,Ma Zhinan,et al. Chest X-ray image analysis system based on deep learning[J]. Application of Electronic Technique,2018,44(11):29-32.
11.基于深度学习的图像分类方法
摘要: 提出了一种用于图像分类的卷积神经网络,将不同池化方式对图像分类的影响进行了分析对比,采用重叠池化和dropout技术,较好地解决过拟合问题。与传统神经网络相比,该方法在CIFAR-10数据集上获得了较好的结果,在测试集上准确率比训练集上准确率高9%左右。
全文链接: http://www.chinaaet.com/article/3000084504
中文引用格式: 许少尉,陈思宇. 基于深度学习的图像分类方法[J].电子技术应用,2018,44(6):116-119.
英文引用格式: Xu Shaowei,Chen Siyu. Image classification method based on deep learning[J]. Application of Electronic Technique,2018,44(6):116-119.
12.基于机器视觉的智能导盲眼镜设计
摘要: 提出一种基于机器视觉的智能导盲眼镜系统的设计方案。采用三星公司Cortex-A8架构的 S5PV210作为中央处理器,搭载Linux系统,配备双目采集、GPS定位、语音播报、GSM短信、语音通话、无线传输六大核心功能模块搭建智能导盲眼镜系统的硬件平台,结合深度学习算法在远程云服务器上完成了对目标场景的智能识别,最后以语音的形式实时对盲人的行走作出准确引导。系统测试结果表明,该智能导盲眼镜系统在测试环境下不仅能对盲人出行正确导航,还具有一定的目标识别能力,能帮助盲人进行简易物品归类。该系统还兼有GPS定位、语音通话、GSM短信等多项辅助功能。
全文链接: http://www.chinaaet.com/article/3000064090
中文引用格式: 何腾鹏,张荣芬,刘超,等. 基于机器视觉的智能导盲眼镜设计[J].电子技术应用,2017,43(4):58-61.
英文引用格式: He Tengpeng,Zhang Rongfen,Liu Chao,et al. Design of smart seeing glasses based on machine vision[J].Application of Electronic Technique,2017,43(4):58-61.
13.基于深度学习的无人机识别算法研究
摘要: 无人机的广泛运用,在给人们带来便利的同时,也引发了不良影响。比如,无人机飞入禁飞区引发安全问题,由于不正当的使用侵犯公民的隐私等,因此需要构建一个无人机警察系统,对无人机实施监控,遏制乱飞现象。采用传统的识别方法,灵活性不足,精度也不够高。为此提出一种基于深度学习的无人机识别算法,通过训练一个基于卷积神经网络(CNNs)的学习网络,得出一个高效的识别模型,实现无人机和非无人机间的分类。模型的测试结果表明,该方法具有较高的识别率。
全文链接: http://www.chinaaet.com/article/3000068878
中文引用格式: 蒋兆军,成孝刚,彭雅琴,等. 基于深度学习的无人机识别算法研究[J].电子技术应用,2017,43(7):84-87.
英文引用格式: Jiang Zhaojun,Cheng Xiaogang,Peng Yaqin,et al. A novel UAV recognition algorithm based on deep learning approach[J].Application of Electronic Technique,2017,43(7):84-87.
14.基于视觉引导的SCARA机器人自动装配系统
摘要: 现有生产线工业机器人抓取点固定,工件只能以固定的姿态提前摆放在固定的位置,这种装配模式很难满足复杂的工业生产要求且效率低下。设计了基于视觉引导的机器人装配系统改进原有系统。设计了机器视觉系统,实现了工件的快速识别、定位以及姿态确定功能;设计了抓放系统,实现了工件的精确抓取和安装功能;采用Visual Studio的MFC开发,实现图像处理算法,并利用Socket通信将坐标和姿态数据发送给机器人。通过实验验证本系统具有良好的稳定性和快速性,可以满足生产的要求,大幅提高生产效率。
全文链接: http://www.chinaaet.com/article/3000065381
中文引用格式: 党宏社,候金良,强华,等. 基于视觉引导的SCARA机器人自动装配系统[J].电子技术应用,2017,43(5):21-24.
英文引用格式: Dang Hongshe,Hou Jinliang,Qiang Hua,et al. SCARA automatic assembly system based on vision guided[J].Application of Electronic Technique,2017,43(5):21-24.
相关问答
应用电子技术 ( 智能电子 )这个系是干什么的??.. - 懂得专业名称:应用电子技术专业代码:590202培养目标:本专业旨在培养德、智、体、美全面发展,掌握电子产品及单片机产品的初级设计、具有较强的安装、调...
应用电子技术 ( 智能电子 )这个系是干什么的??.. - Virgil_wz ...应用电子技术(智能电子专业)要学基础电路、模拟电路、数字电路、C语言、传感技术、单片机、FPGA专业课。学好过后可以设计一些小的智能产品。专业...
商务 智能 在 电子商务 中有哪些 应用 ..._ 电子 商务_帮考网1.数据分析和预测:商务智能可以帮助电子商务企业收集和分析大量的数据,包括客户行为、交易记录、流量来源等,从而预测未来的趋势和市场需求。2.个...
云计算,大数据, 智能 化发展对 电子 商务有哪些影响?云计算,大数据使得中小企业不必花很多成本在基础设施建设上。云计算为电子商务提供了具有自我维护和管理功能的虚拟计算资源,也就是大型服务器集群,可以利用...
人工 智能 和 电子 信息工程哪个好?人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像...
应用电子技术 ( 智能电子 )这个系是干什么的??.. - 兰宝儿 的回...主要学习模拟电子数字电子高频原理传感器微机原理等重要学科基础是高等数学两本线性代数一本微积分复变函数一本出来后就是SB一个因为...
大数据技术人工 智能技术 虚拟现实技术在旅游 电子 商务中的 应用 有哪些?大数据技术、人工智能技术和虚拟现实技术在旅游电子商务中有广泛的应用,以下是一些常见的应用场景:1.个性化推荐:利用大数据技术和人工智能算法,分析用户...
人工 智能 专业好还是 电子 专业好?人工智能专业和电子专业都是非常热门的专业,都有着广阔的就业前景和发展空间。具体选择哪一个专业,应根据自己的兴趣和个人情况来决定。人工智能专业是近年来...
人工 智能 5G 电子 商务的发展趋势?5G和电子商务互联网发展有三个趋势。一是在5G+电子商务“双核驱动”下,各行各业转型升级的门槛会不断降低,产业互联网的发展将进入“快车道”,促进市场发展;...
卓一 电子智能 定时插座使用说明?第一步顺时针旋转刻度盘,使定时器中间的三角箭头对准当前时间所对应的刻度,比如当前时间是北京时间下午4点,就让三角箭头对准刻度“16。第二步,将定时插座侧...