機(jī)器視覺(jué)的發(fā)展：能夠感知的機(jī)器

很長(zhǎng)一段時(shí)間以來(lái)，技術(shù)人員一直在開(kāi)發(fā)能夠感知的機(jī)器。我們使用運(yùn)動(dòng)探測(cè)器已有很長(zhǎng)時(shí)間了。我們現(xiàn)在擁有如此靈敏的壓力傳感器，以至于我們可以制造出能夠處理雞蛋而不破壞雞蛋的機(jī)器人。在音頻領(lǐng)域，我們擁有可以將語(yǔ)音與其他聲音區(qū)分開(kāi)來(lái)的傳感器。

我們一直在制造可以看到的機(jī)器。光學(xué)檢測(cè)是一種常見(jiàn)的能力;然而，真正的愿景更難。在機(jī)器視覺(jué)接近人類視力之前，還有很多東西需要學(xué)習(xí)，但我們一直在朝著這個(gè)目標(biāo)前進(jìn)。想一想我們中的許多人都擁有可以識(shí)別我們面部的手機(jī)是多么令人驚奇。

不管怎樣，快進(jìn)幾千年，我們?nèi)匀坏教幎加袡C(jī)器，盡管它們變得越來(lái)越復(fù)雜。我們有印刷機(jī)、烤面包機(jī)、汽車、筆記本電腦、寵物喂食器、除草機(jī)、拉面分配器、8 軌磁帶播放器……順便問(wèn)一下，你們中有沒(méi)有聽(tīng)眾是 They Might Be Giants 的粉絲?樂(lè)隊(duì)剛剛發(fā)行了全新的 8 軌磁帶歌曲集。嚴(yán)重地!2021 年，您可以添加到您的 8 軌磁帶收藏中。世界是一個(gè)美好的地方!

但是我要去哪里呢?哦耶。我一直在強(qiáng)調(diào)人類幾千年來(lái)是如何制造機(jī)器的，在幾乎所有的歷史中，我們所有的機(jī)器都處于閑置狀態(tài)，直到我們激活它們。只有在人類歷史上最微小、最近的一小段時(shí)間里，這種情況才發(fā)生了變化;我們開(kāi)始創(chuàng)造可以檢測(cè)和響應(yīng)的機(jī)器。只是在最近甚至更短的時(shí)間里，我們才制造出不僅可以檢測(cè)和響應(yīng)，還可以識(shí)別和響應(yīng)的機(jī)器。

有什么不同?好吧，區(qū)別在于帶有運(yùn)動(dòng)傳感器的自動(dòng)門一方面在檢測(cè)到有物體朝它移動(dòng)時(shí)打開(kāi)，另一方面，系統(tǒng)不僅接收刺激，而且可以判斷你那個(gè)刺激是什么。最近的一個(gè)例子是谷歌的 Alexa，它現(xiàn)在可以區(qū)分特定的聲音：它會(huì)忽略交通或狗叫聲，但如果它聽(tīng)到玻璃破碎，它會(huì)提醒你。

就識(shí)別和反應(yīng)而言，這些都是非常簡(jiǎn)單的應(yīng)用程序，但它們指出了技術(shù)的發(fā)展方向。

人類比我們大多數(shù)其他感官更依賴視覺(jué)，因此我們特別努力創(chuàng)造不僅可以檢測(cè)而且可以實(shí)際看到的光學(xué)系統(tǒng)才有意義。

技術(shù)人員已經(jīng)開(kāi)始將機(jī)器視覺(jué)與人工智能相結(jié)合。我們中的許多人現(xiàn)在都擁有可以識(shí)別自己面孔的手機(jī)。與人類用視力所能做的一切相比，這仍然是一種基本的能力，但這是朝著實(shí)現(xiàn)這一目標(biāo)邁出的一大步。這正是從事嵌入式視覺(jué)工作的真正激動(dòng)人心的時(shí)刻。

計(jì)算機(jī)視覺(jué)開(kāi)始于 1960 年代，大多數(shù)人認(rèn)為，我們有計(jì)算機(jī)，我們有算法。算法可以獲取數(shù)據(jù)并從數(shù)據(jù)中提取有用的見(jiàn)解和模式。那么我們?yōu)槭裁床话褕D像作為數(shù)據(jù)，編寫一個(gè)可以提取有用信息的程序呢?例如，也許要確定這張圖片中是否存在人臉?在許多應(yīng)用程序中，這是您想要做的一件非常常見(jiàn)的事情。

于是人們開(kāi)始開(kāi)發(fā)算法來(lái)處理像素并提取有用的信息。他們這樣做的方法是，對(duì)于這些算法中的大多數(shù)，應(yīng)用大量專業(yè)知識(shí)和智慧，認(rèn)真思考問(wèn)題并查看數(shù)據(jù)，仔細(xì)檢查大量示例并嘗試推理，嗯，也許是一張臉可以根據(jù)其在特定組織位置相對(duì)于彼此具有眼睛、鼻子和嘴巴等某些突出特征的事實(shí)來(lái)識(shí)別。

所以人們會(huì)編寫算法和軟件來(lái)處理像素，提取信息。這樣做的困難在于，如果你談?wù)摰氖俏覀兯^的“自然圖像”，即來(lái)自現(xiàn)實(shí)世界的圖像，而不是一些真正受限、受控的環(huán)境，那么圖像中會(huì)有很多變化。就像我可能會(huì)編寫我的整個(gè)算法來(lái)檢測(cè)人臉，然后有人出現(xiàn)時(shí)他們的頭是傾斜的或戴著眼鏡或不同的膚色或眼睛上的補(bǔ)丁或其他任何東西?，F(xiàn)在我的算法壞了?；蛘咚麄兪潜彻獾模麄兊哪樖潜彻獾?，所以我真的無(wú)法從圖像中很好地辨認(rèn)出他們的特征。

以這種方式解決應(yīng)用程序問(wèn)題是可能的，但它非常痛苦，非常昂貴。算法開(kāi)發(fā)團(tuán)隊(duì)將花費(fèi)許多工程師年的時(shí)間來(lái)制作這些算法并對(duì)其進(jìn)行改進(jìn)和改進(jìn)以使其變得更好。因此，計(jì)算機(jī)視覺(jué)得到了部署，但僅限于相對(duì)少數(shù)的應(yīng)用程序。特別是環(huán)境可以很容易控制的應(yīng)用程序。諸如照明和相機(jī)位置之類的東西。例如，制造檢驗(yàn)等應(yīng)用。

如果您正在查看某個(gè)組件并且您正在嘗試確定是否所有螺栓都存在。你知道螺栓看起來(lái)總是一樣的;你總是在看同一個(gè)位置;您可以控制燈光、相機(jī)位置;沒(méi)有什么能擋住你的視線;你正在看的東西背后沒(méi)有任何分散注意力的東西。這些問(wèn)題是可以解決的。但更自然的問(wèn)題，比如最近在COVID時(shí)代，人們經(jīng)常想做的一件事是統(tǒng)計(jì)，當(dāng)人們經(jīng)過(guò)某個(gè)地方時(shí)，有多少人戴著口罩?

這是一個(gè)非常非常難的問(wèn)題。因?yàn)榭谡钟胁煌某叽绾托螤?。人們有不同的大小和形狀。他們不一定正?duì)著鏡頭。他們不一定光線充足。這些類型的問(wèn)題確實(shí)無(wú)法用這種傳統(tǒng)方法解決，讓我們仔細(xì)檢查數(shù)據(jù)，然后讓我們將大量工程知識(shí)和洞察力應(yīng)用于手工算法，以獲取這些像素并提取必要的洞察力。