详情

三个例子来阐明光电技术与人工智能融合后，使用户能够更快速、更可靠的达到目标。

查看、识别、分配–并尽可能无误地实时执行。许多基于视觉图像识别的目标任务听起来可能就这么简单——无论是质量检查、样品评估，还是许可证和权利的分配，例如访问检查。

如果加入人工智能，目标任务处理速度增加，在理想的情况下，检测率也能有很好的提升。具体的识别和评估取决于您的业务需求，因为图像处理系统（几乎）没有限制，*。

为什么光电学会影响许多人工智能的应用？

它们使人工智能能够首先被“看到”，从而进行分析。在高灵敏度传感器和摄像系统的帮助下，初看不见的东西在复杂的测试序列中变得可见。成像技术提供高分辨率和高对比度的图像。结合深度学习算法，可以从图像中提取更多的信息。这导致在很多应用领域，如科学研究、工业制造、医疗保健和公共部门等，产生了大量的意想不到的研究结果。

实例1-通过人工智能，医学上对样品的分析更加可靠

近年来，人工智能在医疗领域的应用越来越有前景。然而，与其他行业相比，有些限制旨在以尽可能好的方式保护患者。因此，美国食品和药物管理局（FDA）于2018年成立了一个专家团队，负责审查和批准将深度学习算法用于医疗技术，这对医疗行业来说是重要的一步。但是人工智能对医疗保健有什么好处呢？

想象一下，在你面前有一台显微镜，显微镜上放着一张有医学样本的载玻片。样本进行成像后，到医生的屏幕上，样本的图像拥有难以置信的1500万像素——大量的像素确保了高质量的图像。正是在这大量的像素中，你正在寻找，例如，一个明显但微小的偏差，一种所谓的微恶性肿瘤，这些可以作为一种肿瘤疾病的指示。通常它们的大小只有300 x 80微米，即只有0.3 x 0.08毫米。相比之下，正常人的头发厚度不到100微米。

听起来像是一项具有挑战性的诊断任务，但它却是病理学家日常工作中的一项重要的核心技能。平均来说，病理学家在传统的专业显微镜下分析样本大约需要两分钟。而这正是人工智能可以提供帮助和提高工作效率的地方。

Jenoptik和一家搜索引擎公司一起开发了一种显微镜摄像头，使临床医生能够更准确、更高效地工作。对重点区域进行标记，病理学家能够更容易地发现重点样本区域，并有针对性的进行仔细检查。Jenoptik的显微镜摄像头，通过人工智能软件得到功能增强。它可以突出显示样本上对疾病检测有高度相关性的特定区域。这是因为系统已经从先前样本的测定中学习到到每一种微恶性肿瘤具有的*病理特征，并且在图像上实时显示这些特征。

同时，通过深度学习算法，医学样本在显微镜下的测试时间可以从120秒减半到61秒。此外，研究表明，淋巴结癌等疾病可以被检出的概率提升至91%。相比之下，免疫组织化学等传统方法对淋巴结癌的检出率仅为83%。

实例2-人工智能能确保批量生产出的产品的质量合格

在生产过程中，影响效率和附加值质量的一个决定性因素是使废品的数量尽可能少，以使无差错生产零件的比例、成品率接近100%。例如，在许多生产区域使用高速和在线检测摄像机来检测生产过程中产品表面或形状的缺陷。高分辨率相机系统不仅能够检测产品缺陷，还能够提供准确的、高对比度的图像。在这里，视觉图像处理和人工智能的结合也提高了错误检测的质量。此外，错误不仅可以更可靠地检测到，而且可以更准确地分类，使得后期的调整和应对更具有参考性。

例如-焊接头和螺钉头

焊缝的质量控制非常复杂。这是因为即使*看上去不错的焊接点也显示出差异，这就是为什么产品缺陷通常很难识别。例如，在螺丝头的质量上也是相似的。此外，只有极少量的零件有缺陷。生产过程中的变形、污垢也给成像检查程序带来了额外的挑战。

在神经网络和深度学习算法的帮助下，摄像机可以快速而明确地识别出生产零件是否符合规定的质量要求。这种分析系统是用*零件的大数据库训练而成的。通过这种方式，系统学会了如何检测小的偏差，并在生产过程中分离出“好的和坏的部分”。在光电解决方案的帮助下，该算法基于高分辨率图像。结合深度学习算法，这些算法在图像分析中提供了更准确的结果。如果新零件被生产出来，并且也经过检查，算法会自动识别出是否存在异常，并继续进行自我学习训练。通过对生产过程中的错误进行及时和系统化的识别，可以迅速地做出正确的决策。

实例3——有了人工智能，即使在困难的条件下也能正确读取车牌号

人工智能的使用在道路安全领域也提供了显著的优势，例如在自动车牌识别系统中，这些系统用于通行权和速度控制。

挑战在于，即使在恶劣的天气、黑暗或弱光照等恶劣条件下，也要正确识别车牌。人工智能系统通过识别图案和重复出现的元素，例如，它“理解”车牌所传达的车辆原产国信息，从而提高了读取率的准确性。原则上，该软件还可以将车辆进行分类：汽车、卡车、公共汽车或摩托车。

人工智能软件直接集成到交通摄像头中，因此不需要额外的设备或安装。例如，在英国，将自动车牌识别系统整合到全国交通信息和搜索系统，终简化了工作，同时道路和社区更加安全。

目前，英国各地有数百台基于人工智能的ANPR摄像机正在与*门合作。由于其高准确度的读取率，它们有助于保持社区和道路的安全，因为它们能够可靠地、快速地识别感兴趣的车辆，从而允许*门进行适当的干预。

交通摄像头不仅可以增强安全性，还具有可持续性。它们的使用改善了交通流，从而使速度均匀。这反过来又对环境产生了积极影响，因为燃油消耗量降低了。

以上这些例子表明，自学习系统因为其快速性、可靠性，正在全面地进入日常生活。然而，在可预见的将来，机器将不会取代人类。人工智能仍然是由人类创造的，它取决于训练它的样本数据的质量。