文/山世光 中國科學(xué)院計算技術(shù)研究所

所謂計算機(jī)視覺，是希望利用科學(xué)技術(shù)實現(xiàn)能夠類像人的視覺一般敏銳的、讓機(jī)器能夠像人一樣去“看”、去理解這個世界的視覺效果。計算機(jī)視覺包括“看”人、“看”環(huán)境等內(nèi)容，主要目的是幫助人做出更好的決策。在很多時候，我們希望AI能夠去幫助人類做一些人類不希望做、做起來比較困難的事，比如農(nóng)作物的病蟲害的自動識別監(jiān)測任務(wù)。

人具有非常強(qiáng)的視覺能力，我們可以非常容易地感覺，不費(fèi)吹灰之力就可以看清楚這個世界、理解這個世界，但其實我們大腦在接受視覺信號后是經(jīng)過非常復(fù)雜處理的，目前，我們希望讓機(jī)器也能夠完成這一復(fù)雜的處理過程，實現(xiàn)視覺智能。計算機(jī)視覺的輸入是攝像頭，攝像頭捕捉光的反射，特別是在可見光的波段里面來采樣物體對光的反射。當(dāng)然，廣義的計算機(jī)視覺不只是在可見光波段，而是更寬的光的范圍采樣。在捕捉光的反射后，向計算機(jī)系統(tǒng)的輸入是一張照片，這張照片不是我們平時看的照片，而是存儲在計算機(jī)里面的一個個的數(shù)值，每一個數(shù)值是一個象素，這些數(shù)值輸出的就是標(biāo)簽。計算機(jī)視覺的建模是輸入紅綠藍(lán)數(shù)值，輸出我們希望看到的結(jié)果。其中，淺層視覺模型，人為分成幾個步驟：一是光的預(yù)處理，二是特征設(shè)計與提取，三是特征匯聚或變換；深層級抽象視覺模型，則是在深度學(xué)習(xí)后，通過數(shù)據(jù)把任意復(fù)雜的非線性函數(shù)擬合出來，可以說是能力非凡，容量足夠大。簡而言之，計算機(jī)視覺在大數(shù)據(jù)、在深度學(xué)習(xí)的算法、在進(jìn)行大的算率的結(jié)合之下，使我們在很多領(lǐng)域?qū)崿F(xiàn)從過去靠人看到變成靠攝象頭來看的轉(zhuǎn)變。

當(dāng)前視覺智能應(yīng)用

視覺智能的應(yīng)用領(lǐng)域有以下幾個例子：

左上：場景中的文字檢測與識別技術(shù)

左下：地面目標(biāo)檢測與跟蹤技術(shù)：檢測率90%以上

右下：刷臉考勤或臉控閘機(jī) (中科視拓SeetaFace系統(tǒng))

一是人臉識別，目前已經(jīng)廣泛應(yīng)用，不管是手機(jī)的登錄、付款，還是高鐵、安防領(lǐng)域，比如一個單位幾千人，就可以做到不用刷卡而是“刷”臉通過閘機(jī)、進(jìn)門。我認(rèn)為，在接下來的兩到三年時間里，會有越來越多的園區(qū)、樓宇用人臉識別來代替刷卡。

二是無人機(jī)地面目標(biāo)監(jiān)測，可以監(jiān)測地面上的車輛以及畫面中的文字等。

三是在電力行業(yè)還可以做輸電塔、輸電線上的故障識別，照片上顯示的是種植的莊稼，實際上是通過無人機(jī)飛行在檢測莊稼地里面的輸電樁。

除了以上幾點，當(dāng)前，計算機(jī)視覺還可以進(jìn)行操作規(guī)程檢查包括安全帽、雙人搬梯、無人扶梯等等。

在農(nóng)牧領(lǐng)域，計算機(jī)視覺可能應(yīng)用到動植物分類與識別、農(nóng)牧魚病害識別或產(chǎn)品品質(zhì)分類、農(nóng)作物病蟲害識別與分類等方面。我們舉辦過機(jī)器識別農(nóng)作物病害的競賽，即對圖像中的農(nóng)作物葉子進(jìn)行檢測，識別出物種、病害等等數(shù)據(jù)。此次需要處理數(shù)據(jù)集一共有61種分類，按照“物種-病害-程度”劃分，有10個物種、10類健康類別，有27種病害（共51類），其中24個病害分一般和嚴(yán)重兩種程度，共48種，3種病害未分程度。這61種不同的類別可測試樣率非常不均衡，它的識別的精度就會有非常大的差異，從人類視覺的角度來看，比如蘋果的黑星病，一般還是嚴(yán)重就不好區(qū)分。這次競賽第一名準(zhǔn)確率為90%?？梢哉f，視覺智能在農(nóng)牧領(lǐng)域大有可為。

視覺智能未來的發(fā)展

我認(rèn)為，在未來數(shù)年里面，過去主要是靠人看來處理的任務(wù)或者做決策的事，只要是人不愿意做或者沒有足夠人力去做的事情，都可以實現(xiàn)用AI來完成。

從學(xué)術(shù)前沿來講，我們通過過去大量的數(shù)據(jù)解決了很多問題，但是，深度學(xué)習(xí)使得我們陷入另外兩個泥潭。一是過去主要依靠人設(shè)計特征和函數(shù)識別做出決策，現(xiàn)在轉(zhuǎn)變成靠數(shù)據(jù)分析做出決策，數(shù)據(jù)驅(qū)動還是需要靠大量的人工進(jìn)行完成實現(xiàn)，而我們希望機(jī)器能夠?qū)崿F(xiàn)自動地學(xué)習(xí)選擇；二是過去大量靠專家支持，現(xiàn)在靠大數(shù)據(jù)，相比人的話，現(xiàn)在進(jìn)行大數(shù)據(jù)的智能與人類智能還存在著非常大的差距。所以，我們所謂的人工智能2.0，從計算機(jī)視覺角度來講，我們希望增加可解釋性。我們現(xiàn)在的分類系統(tǒng)可以把病蟲害分出來，但是分出來的深層次原因不得而知，同時，計算機(jī)視覺也容易受到影響，比如拍照的角度都會影響內(nèi)容的結(jié)果。

上：輸電設(shè)備與缺陷檢測

下：大田中輸電樁檢測

從方法論的角度，我們希望突破現(xiàn)在需要大規(guī)模的數(shù)據(jù)驅(qū)動AI算法和設(shè)計方法，到一種可以像人類智能一樣，去依靠知識和相對消費(fèi)者的數(shù)據(jù)來實現(xiàn)智能，這種我們稱為類人智能。從內(nèi)容角度來講，人類智能之所以能夠做到這些，是因為我們有非常強(qiáng)的觸類旁通的能力，有舉一反三的能力，吃一塹長一智的能力，以及我們可以想象等等，而計算機(jī)在這些方面的能力還是非常弱的。

當(dāng)然，目前也有一些前沿的探索，比如人工設(shè)計模型，可以自動的通過大規(guī)模的GPU卡，做長時間訓(xùn)練；可以做內(nèi)容監(jiān)督學(xué)習(xí)或者弱監(jiān)督；也可以做遷移學(xué)習(xí)，比如從一種數(shù)據(jù)類型遷移到另外一種數(shù)據(jù)類型，甚至可以描述病蟲害長什么樣子。也可以進(jìn)行零樣本學(xué)習(xí)（H. Jiang, et al.ECCV2018），以斑馬為例，我們沒見過斑馬，但是可以通過對它的語義描述，從動物園里面找到斑馬。

類腦(Brain-like)非常難，卷積神經(jīng)網(wǎng)絡(luò)是受腦神經(jīng)科學(xué)啟發(fā)而設(shè)計的（MCP neuron模型，Perceptron…，Neurocognitron, Fukushima, 1980 CNN），但多數(shù)在功能層面，結(jié)構(gòu)層面的類腦進(jìn)展不明，更多腦和神經(jīng)機(jī)制不清楚，更難形成計算模型。我們現(xiàn)在發(fā)現(xiàn)不一定非要做類腦，像飛機(jī)有翅膀，但是不一定非要像鳥類一樣扇動翅膀。我們甚至認(rèn)為機(jī)器智能在很多方面一定超過人，比如之前提到的人臉識別。我們利用基于視覺的情感感知（從智商到情商）這個人的情感，他的情緒，以及他的意圖，或者感知學(xué)生在學(xué)習(xí)過程中的狀態(tài)。還可以做手勢識別，通過手勢控制機(jī)器。

總體來說，視覺智能它有非常多的需求，但是這個需求的解決其實也是五花八門的，它的不同的任務(wù)需要不同的模型設(shè)計，所以導(dǎo)致不同的任務(wù)它的解決程度也是很不一樣的，特別需要解決幾個問題，包括成本、規(guī)?；瘑栴}。從基礎(chǔ)設(shè)施來看，農(nóng)業(yè)領(lǐng)域需要從軟件基礎(chǔ)設(shè)施、智件基礎(chǔ)設(shè)施（知識識別）、硬件基礎(chǔ)設(shè)施來考慮（AI云超算服務(wù)）。

總而言之，從計算機(jī)視覺角度來講，強(qiáng)監(jiān)督、大規(guī)模數(shù)據(jù)條件下的AI任務(wù)多數(shù)都是可以解決得非常好的，而弱監(jiān)督、消費(fèi)者數(shù)據(jù)條件下的AI任務(wù)還在路上，解決程度各異。從農(nóng)業(yè)落地角度來講，要想把現(xiàn)在成熟的視覺智能應(yīng)用好，關(guān)鍵在于如何解決數(shù)據(jù)收集模式，優(yōu)質(zhì)數(shù)據(jù)收集和標(biāo)注的業(yè)務(wù)模式非常重要，數(shù)據(jù)匱乏任務(wù)的解決尚需時日。