使用案例
安全和保安
政府和企業使用計算機視覺來提高資產、站點和設施的安全性。例如，攝影機和感應器可監控公共空間、工業用地和高安全性的環境。如果發生異常事情，例如未經授權的個人進入限制區域，他們會發送自動警報。
同樣，計算機視覺可以提高家庭和工作場所的個人安全。例如，辨識技術可以監控各種安全相關問題。其中包括家中偵測寵物的即時串流，或偵測訪客或快遞的即時前門攝影機。在工作場所，這類監控包括工人佩戴適當的個人防護裝備、通知警告系統或產生報告。
營運效率
計算機視覺可以分析圖像並提取中繼資料以進行商業智能，從而創造新的收入機會和營運效率。例如，它可以：
-
在產品出廠前，自動識別品質瑕疵
-
偵測機器維護和安全問題
-
分析社交媒體影像，以探索客戶行為的趨勢和模式
-
使用自動臉部辨識來驗證員工的身分
自動駕駛汽車
自動駕駛汽車技術使用計算機視覺識別實時圖像，並從裝置於自動運輸的多個攝像頭構建 3D 地圖。它可以分析圖像並識別其他道路使用者，道路標誌，行人或障礙物。
在半自動駕駛車輛中，計算機視覺使用機器學習（ML）來監控駕駛員行為。例如，它會根據駕駛員的頭部位置、眼動追蹤和上半身運動來尋找分心、疲勞和嗜眠的跡象。如果該技術接收某些警告標誌，它會警告駕駛員，並減少發生駕駛事故的機會。
農業
從提高生產力到通過智能自動化降低成本，計算機視覺應用程序可以增強農業部門的整體功能。衛星成像和無人機影像資料，有助於分析大片土地及改善農業實務。電腦視覺應用程式可自動執行監控農地狀況、識別作物疾病、檢查土壤濕度，以及預測天氣和作物產量等任務。使用計算機視覺監控動物是智能農業的另一個關鍵策略。
醫療保健
醫療保健是應用計算機視覺技術的領先行業之一。顯然，醫學影像分析可以建立器官和組織的視覺化，以幫助醫療專業人員快速準確地做出診斷，從而實現更好的治療結果及延長預期壽命。例如：
-
透過分析痣和皮膚病變進行腫瘤偵測
-
自動 X 射線分析
-
從 MRI 掃描中探索病徵
電腦視覺如何運作？
計算機視覺系統使用人工智能（AI）技術來模仿負責對象識別和對象分類的人腦的能力。電腦科學家透過輸入大量資訊來訓練電腦辨識視覺資料。機器學習 (ML) 演算法可識別這些影像或影片中的常見模式，並運用這些知識來準確識別未知影像。例如，若電腦要處理數百萬張汽車影像，它們將開始建置可準確偵測影像中車輛的身分模式。計算機視覺使用以下所述技術。
深度學習
深度學習是一種使用神經網絡的 ML 類型。深度學習神經網路包含了許多稱為人工神經元的軟體模組層，其可在電腦內部協同運作。他們使用數學計算來自動處理影像資料的不同方面，並逐漸發展出對影像的綜合理解。
卷積神經網路
迴旋式神經網絡（CNN）利用標籤系統來分類視覺數據並理解整個圖像。它們以像素為單位分析影像，並為每個像素提供一個標籤值。輸入值以執行卷積這一數學運算，並對影像進行預測。就像試圖遠距辨識物件的人類一樣，CNN 會先識別輪廓和簡單形狀，然後再填入顏色、內部形狀和紋理等其他細節。最後，它會在幾次反覆運作中重複預測流程，以提高準確性。
遞歸神經網路
遞歸神經網路 (RNN) 與 CNN 類似，但可以處理一系列影像以查找它們之間的連結。雖然 CNN 可用於單一影像分析，但 RNN 可以分析影片以及了解影像之間的關係。
電腦視覺和影像處理有何區別？
影像處理使用演算法來改變影像，包括銳化、平滑、篩選或增強影像。電腦視覺則與此不同，因為它不會變更影像，而是理解它看到的內容，然後執行任務，例如標記。在某些情況下，您可以使用影像處理來修改影像，以便電腦視覺系統能夠更好地理解影像。在其他情況下，您可以使用電腦視覺識別影像或影像的部分，然後使用影像處理進一步修改影像。
電腦視覺可以執行哪些常見任務？
影像分類
影像分類可讓電腦檢視影像，並準確地將影像進行分類。電腦視覺可了解分類並將其進行標記，例如樹、飛機或建築物。一個範例是，攝影機可以辨識相片中的臉部並在其上聚焦。
物件偵測
物件偵測是一項用於偵測和本地化影像的電腦視覺任務。它可使用分類來識別、排序和組織影像。物件偵測可在工業和製造流程中使用，以控制自治應用程式及監控生產線。連網家庭攝影機製造商和服務供應商也仰賴物件偵測來處理攝影機的即時影片串流，以便即時偵測人員和物件並向最終使用者提供可行的提醒。
物件追蹤
物件追蹤使用深度學習模型來識別和追蹤屬於類別的項目。它在多個產業中具有多種實際應用。物件追蹤的第一個元素是物件偵測；物件周圍建立了一個週框方塊，會指定物件 ID，而且可以透過畫面追蹤。例如，物件追蹤可用於城市環境中的交通監控、人體監控和醫學成像。
區隔
區隔是一種電腦視覺演算法，可根據看到的像素，將物件的影像分割至不同的區域，進而識別物件。區隔還可以簡化影像，例如放置項目的形狀或輪廓，以判斷它是什麼。如此一來，區隔也可辨識影像或畫面中是否有多個物件。
例如，如果影像中有貓和狗，則可以使用區隔來識別這兩種動物。與在物件周圍建立方塊的物件偵測不同，區隔會追蹤像素，以判斷物件的形狀，進而能夠更輕鬆地進行分析和標記。
AWS 如何協助您處理電腦視覺任務？
AWS 針對各專業層級客戶提供最廣泛、最完整的人工智慧和機器學習 (AI/ML) 服務組合，這些服務可連線至全方位資料來源。
對於建立架構並管理自己的基礎架構的客戶，我們優化了最受歡迎的深度學習框架的版本，包括 PyTorch ，MXNet 和 Ten sorFlow。 AWS 提供廣泛且深入的運算、網路和儲存基礎架構 ML 服務產品組合，並提供多種處理器和加速器選擇，以滿足獨特的效能和預算需求。
對於希望在整個業務中建立標準電腦視覺解決方案的客戶，Amazon SageMaker 可以透過完全受管理的基礎架構、工具和工作流程，包括商業分析師的無程式碼產品，輕鬆準備資料，以及針對任何使用案例建置、訓練和部署 ML 模型。
針對缺乏 ML 技能、需要加速上市，或想要為現有程序或應用程式新增智慧的客戶，AWS 提供一系列以 ML 為基礎的電腦視覺服務。這些服務可讓您透過預先訓練的 API 輕鬆將智慧新增至 AI 應用程式。 Amazon Rekognition 使用 ML 自動化您的圖像和視頻分析，並在幾秒鐘內分析數百萬個圖像、直播和存儲的視頻。
立即建立免費 AWS 帳戶，開始使用電腦視覺。