机器视觉与人工智能能力边界总结

      本人在机器视觉行业从事研发工作7年了,总结一下这个技术特点。 
给后来者一点启示和参考。 
      机器视觉,并不是视觉,他不具有人类的视觉理解能力,说穿了他只是图像处理技术的工程应用,都是由工程师开发的算法来完成任务,并且是特定的算法完成特定的任务,互相之间没有通用性。 
      有人说机器的智能已经超过人类等等观点,那是过于乐观了。现在技术还远远达不到这个水准,现在的技术只能解决一些规则的,简单的检测任务,因为有相应的数学模型参考,比如形状匹配,边缘,纹理的识别等等。 
      如果完全没有规律,那就没办法了,人一眼可以看出来的,认为简单的东西,机器可能做不了。因为人具有自主意识,真正能理解任务,哪怕在复杂的图案和花纹里面,要寻找一个特定的东西,比如扣子,手套都是容易的,但是机器就做不了,因为背景没有规律,工程师无法找到有效的特征来开发这个系统。 
      但是机器视觉也有他的优势,那就是不知疲倦,检测一些简单的东西,比如玻璃上的划痕,屏幕上的疵点,可以做的非常准确,并且可以做到很高的精度。 
      再说说人工智能,目前的人工智能,也只是发现了自动提取模式的方法,收集了足够多的,有代表性的样本,然后用这套系统进行学习,再应用这套系统再分类图像而已。 
      也算不上什么智能,只能算是技术,仍然属于图灵机的范畴。距离真正能理解图像还相距甚远。机器视觉,人工智能,目前不能做的,正是给科研人员以及硕士,博士们研究的空间。 
      欢迎各位朋友发表看法讨论,推动行业应用进步。转载请注明来自机器视觉算法工程师马浩洋。

6 个评论

不完全赞同你的观点,传统的机器视觉确实只能是 识别一些简单、规则的任务,但进由于深度学习技术的发展,已经将这个传统的能力边界向外 扩充了一圈,对于一些背景复杂,各种变化形态的目标图像的识别精度已经 比较高了,当然这对于视觉能 力来讲 还只是 视觉感知层面的,,对于视觉认知(视觉理解)能力来讲,就如你所说 ,还远远没有达到。
谢谢留言。对于复杂背景的目标检测,你认为深度学习可以实现比较高的精度?这个只是比较勉强,需要经常制作新样本,我就是做纺织检测的,检测布匹,一旦有花纹变化了,图案种类变化了,原有的神经网络就不能用了,要重新整理样本训练,没那么好用。
我也觉得楼主有失偏颇,我现在在做的算法是基于标准件建模,对于与标准件不一致的,都会自动发现和定位,对于变化和未知的情况很适合。需要合作的话,欢迎联系。
哪个观点有失偏颇呢?
你说的基于标准件建模,就是我说的数学模型,现在的检测技术水平,是建立在数学模型之上的,而数学模型可以描述的东西是有限的,很多要靠理解力才能办到的,例如识别欺诈。
我是这个意思,不知道你说的偏颇是指哪里。
请教一下,布匹检测(还是识别?)方面你们现在尝试了哪些方法解决你说的问题呢?
尝试了纹理分析,简单机器学习的一些方法,SVM,GMM等还在摸索。
目前也是做样本,然后用Caffe学习,这样比较简单,不过做样本很麻烦,干扰一多样本就不够用了,需要经常维护,很麻烦。你有什么办法吗?

要回复文章请先登录注册