隨著新冠疫情的爆發，數字化轉型似乎一夜之間被多個行業採納。人工智慧和智慧工業自動化領域的加速應用將持續到2021年。計算機視覺驅動的影片分析徹底改變了風險緩解和管理、自動監控和安全，並幫助實現了工業環境中的運營效率。計算機視覺與其他技術的融合或進步將是主導2021年的主要技術趨勢。

1. 安全:確保公眾及工作環境安全

世界各地的工作場所都面臨著新冠肺炎帶來的挑戰，培養安全的組織文化比以往更重要。各地紛紛引入新的安全協議和日常程式，以更好的方法來實現安全計劃。技術在促進變革方面發揮著關鍵作用，視覺智慧已經被世界各地許多行業用於實施安全解決方案。影片異常探測器是有效的自動監控、分析、發現異常的手段；毫無疑問，採用這種人工智慧和計算機視覺解決方案將在2021年加強。

2. 質量檢驗:異常檢測自動化

生產質量是至關重要的，在快節奏的工業操作條件下，故障在所難免。與傳統的人類檢測方法相比，基於計算機視覺的檢測解決方案已經顯示出明顯的優勢。食品飲料、汽車和鋼鐵等行業也在利用計算機視覺實現自動化和最佳化視覺檢測。隨著今年勞動力的減少和利潤率的下降，再加上人工智慧和計算機視覺檢測技術帶來的準確性、靈活性和低成本，2021年會有更多行業領袖尋求利用該技術來實現精良的質量管理。

3.無損檢測:熱成像分析

熱感照相機最初作為監視的夜視工具，是為軍事目的所開發，但如今隨著價格的下降，它正被應用到更廣泛的領域。其中一個應用就是增強無損檢測計算機視覺。該解決方案透過使用NDT技術拍攝的放射學影象來檢測缺陷並標記感興趣的區域，該區域很可能出現已定義的缺陷或異常。例如基於自動視覺的檢測拓寬了“可見”光譜，並可以檢測到金屬表面肉眼不可見的缺陷(例如焊接缺陷)。

熱成像資料的另一個有趣的應用是瞭解秘魯安第斯山脈冰川的表面覆蓋物是如何影響融化速率。在過去幾十年中，這些冰川的表面覆蓋物萎縮了約30%。它對生活在秘魯安卡什地區的人們的水供應構成了嚴重的威脅。愛丁堡大學的研究員利用配備了熱成像攝像機的無人機獲取資料，繪製了南美一些最高冰川的表面圖。未來幾年，計算機視覺和深度學習技術將有助於此類分析、研究和實驗。

4. 實時視覺:邊緣計算的興起

邊緣計算是指附加在物理機器上的技術，它允許在收集資料的地方對資料進行處理和分析，而不是在雲端或資料中心進行。這對於可能出現網路故障的行業非常有用。邊緣計算的進步解決了網路可訪問性和延遲問題。對於計算機視覺，這有助於更好地實時響應，並將相關的見解轉移到雲上進行進一步分析。2021年，邊緣端的影片分析軟體將為業務需求提供一個可行的選擇，以實現更快的計算速度、高資料安全性和實時洞察力。

5. 視覺與協助之手: 利用感測器資料進行三角測量

透過直觀的控制介面、強大的邊緣計算和高效的閉環資訊交換，新的技術進步改善了感測器和視覺資料的整合。例如，影片分析為軍事和國防領域的自動監控開闢了新的領域。先進的周界監測系統從多個接觸點收集各種形式的資料(感測器資料、影片和無人機影象)，並對它們進行三角定位，以提供實時的洞察。該整合提供多層次的安全系統，具有入侵檢測、不明物體檢測、車輛檢測和使用者訪問控制等功能。

6. 視覺本身:閉環解決方案

由於模型的準確性和可靠性等問題，在基於計算機視覺的系統上實現閉環一直具有挑戰性。在過去的十年裡，我們看到了基於視覺的閉環解決方案的巨大發展。一個簡單的例子是透過面部識別進行自動使用者訪問控制。視覺控制技術的成熟可以在自主汽車和無人駕駛汽車的發展中實現。當傳統的精確位置或方向資料來源（如GPS/IMU）不可用時，視覺系統僅使用視覺反饋即可實時控制車輛運動。到2021年，我們將看到許多為工業用例開發的閉環視覺系統。

7.自動標註與訓練

隨著人工智慧技術的進步，新的計算機視覺平臺正在開發中，它可以幫助人工智慧團隊進行自動化資料標記。人工智慧有助於減少錯誤，確保更快的資料吞吐量。2021年，我們將見證影象和影片註釋的端到端自動解決方案。數十家公司使用人工智慧來檢測汽車、製藥產品包裝、石油鑽井平臺、管道的損壞及異常或監控工作場所的安全等。此類自動化工具和培訓工作流程將提高質量，並無縫地為資料管道提供燃料，以更快地啟用計算機視覺應用程式。

8. SAAS影片分析解決方案

實現全行業影片分析解決方案的瓶頸通常是硬體升級，這在傳統監控系統中成本非常高。我們正在見證影片分析軟體的崛起，這些軟體可以與現有的基礎設施無縫整合，並可以在執行中隨時隨地提供見解。軟體接受超過300種不同引數的訓練，以實現靈敏的跟蹤，並將誤報率降至最低，而無需大量的硬體費用。軟體還可以定製、易於擴充套件、節省成本和時間。到2021年，我們將看到基於計算機視覺的軟體的進步，可以隨時動態地改變任何相機到AI模型的對映。

9.人工智慧的可解釋性

從簡單的目標檢測到事件跟蹤，計算機視覺模型有著廣泛的應用。模型的準確性已經上升到95%-99%，這給大多數企業負責人留下了深刻印象。然而，在評估模型中的信任時，理解檢測或操作背後的原因同樣重要。在華盛頓大學的學生們進行的一項實驗中，他們訓練了一個基於計算機視覺的神經網路，用特定的資料集來區分狗和狼。令人驚訝的是，這個模型沒有發現狼和狗之間的區別，為了滿足這一要求，出現瞭解釋影象分類或分割的新型人工智慧模型。這些計算機視覺和機器學習模型提供了預測背後的推理，而無需對其進行人類解釋。在接下來的幾年裡，我們將看到更多的研究人員提出工具和框架來理解和解釋計算機視覺模型的行為和效能。

結論

據Gartner稱，2019年全球計算機視覺市場規模為106億美元，預計2020年至2027年複合年增長率為7.6%。視覺智慧將在後冠狀病毒時代的工業世界中發揮關鍵作用。隨著過去9個月數字化轉型適應的激增，製造業對先進自動化的迫切需求，對視覺導向質量檢驗系統的需求激增，以及政府對工人安全的有利舉措不斷增加，我們預計市場將呈指數級增長。