中企动力 > 商学院 > 图像识别传感器
  • ?

    iPhone这样做人脸识别:揭秘3D深度传感器

    施沅

    展开

    感知距离和深度,对多数人的双眼来说都是轻松而自然的。但是让智能手机或者汽车上的摄像头也探测到环境深度特征,可并不容易。普通的摄像头无法单独完成这一任务,必须依靠深度传感器。目前市面上 3D 深度传感器大概有几种方案:

    目前市面上 3D 深度传感器大概有几种:

    双目方案(Stereo)结构光方案(Structure Light)飞光时间方案(Time of Flight)其他:毫米波,激光雷达(LiDAR)

    前 3 种都是消费级产品比较常用的方案,也有很多模组公司单独为开发者定制模组;第 4 种毫米波和激光雷达多应用在现在比较火的自动驾驶领域。以下主要介绍前 3 种方案。

    双目方案

    双目方案就是将两个摄像头固定在同一个模块上,并且调整它们的角度、固定它们之间的距离,来形成一个稳定的模块结构。

    普通的单目的摄像头所捕捉的每一帧都只是 2D 画面,每一个像素也都是 RGB 像素,所以不包括深度信息,需要从另外一个维度补充进来。

    双目摄像头其实就是利用了三角测距的算法。如果我们在平面上画一个三角形,左边一个角度、右边一个角度还有中间这两个顶点之间的线段长度已知的话,就可以从这三个信息计算出三角形第三个点的位置信息和三角形另外两条边的长度。

    当我们把两个摄像头同时照向被测量物体的时候,每一个摄像头里都会出现被测量物体的影像。通过捕捉和提取两个摄像头影像里的同一个特征点,就可以知道这个特征点分别位于两个摄像头的哪个位置。

    如果两个摄像头同时捕捉一张画面,左边捕捉一帧、右边捕捉一帧,这个点的像素在两个摄像头的坐标就会有一个距离差值,因为两个摄像头摆放中间是有距离的。

    那么,根据左右两个摄像头摆放的角度和两个摄像头中间的固定距离,就可以用三角测量方法测量出来远处的被测量的物体距离两个摄像头基线的距离。如果加上了红外灯的光照,那么它就能够在黑暗的环境捕捉到深度信息。

    结构光方案

    结构光方案的基本原理跟双目一样,也是三角测量。不过,这个三角形已知的两个点中有一个点被替换成了投影仪,另一个点还是摄像头。

    这个投影仪投射的就是一个结构光图案,也就是说它会投射一个已知的图案到被测量的物体上,然后通过摄像头来获得返回光照反射的图案,再跟已知的图案进行对比。同时已知这个摄像头和刚才的投影仪之间的固定距离,就能通过三角测量的方案比对出深度的信息。

    这种三角测距的传感器都存在这样一个基线大的问题。大家可以想象到,如果两个已知点距离非常窄的话,它们和被测物体的被测点之间所形成的三角形就会非常尖锐,测量出来的误差就会非常大。

    目前,有两个主流可量产的结构光方案:一个是散斑结构光,一个是编码结构光。

    散斑结构光

    顾名思义,散斑结构光是指投影仪投出来的已知信息是一些随机的散斑,但它会在出厂之后做标的校准,记录下来散斑是什么样子。

    散斑结构光是从激光源发射出来一条激光,通过 DOE 元件打成散斑照射到被测物体上。用散斑结构光比较有名的消费级产品包括 iPhoneX 的人脸识别和 OPPO Find X。

    编码结构光

    编码结构光跟散斑结构光的区别是:光束投射出来之后用一个掩膜把光遮挡出来一些图案。

    比如把光打成格子状,再投到物体上,格子和线条就会变形,再返回到摄像头,就能测量出来它的深度。或者通过彩色编码结构光。通过发射的光就知道哪个位置应该是什么颜色,返回的时候就知道这个颜色有多少偏离,从而知道深度信息。

    这种结构光方案的比较出名的应用就是小米手机,它在第 8 代探索版上面应用了这个来做人脸识别。

    飞光时间方案

    飞光时间(Time of Flight, TOF)和前面两个方案的基本原理不太一样,它用的是光在空间中飞行的时间乘以光的速度,得到我们和被测物体之间的距离。

    TOF 传感器上会有一个红外 LED 或 VCSEL 发射光源,高频发射一个亮光源。亮光源打到被测物体之后,先打到的部分就先反射回来,后打到的部分就后反射回来,这样反射回来的光就会形成被测物体表面形成的形状。

    然后 TOF 传感器上面的 CCD(Charge Coupled Device)传感器,就会以极高的频率把变形的亮光源进行切割,每一帧画面都分时地切割。这样我们就会收集到每一帧画面和之前发射面光源的时间差,利用这个时间差就可以计算出每一张画面跟 TOF 传感器之间的距离,从而看出物体的深度信息。

    其实 TOF 这个词包含了很多种传感器,有亮光源的、有光束的,之前提到的毫米波雷达其实也是一种。光就是电磁波,毫米波雷达就是一种电磁波,通过发射返回的时间来计算距离。

    包括现在智能驾驶用比较多的激光雷达也是 TOF 的原理,它的激光发射器 360 度旋转,这样就可以取得 360 度的视野深度信息。

    三种方案特点对比

    双目方案和结构光方案算力需求比较高。因为它们是通过图像一帧一帧分析深度信息,就需要用算法处理大量的图像,处理图像的算力要求很高。

    TOF 之所以抗光性最好,是因为它可以通过增加 TOF 传感器下面光源的强度,来让它与太阳光之间形成很高的对比度,使得每一帧画面都能和阳光区分开。但其他两种深度传感器的光照强度不足,难以获取高对比度图像。

    但是,双目方案或结构光方案在阳光下的光强没办法达到这么高,也不是瞬时的结构光信息,所以没办法在强光下识别。如果用手机摄像头来对准强光,基本上全都过度曝光。

    之前讲到,三角测量原理没办法把模组做小。所以,测量的距离越大,双目和结构光方案的摄像头之间基线就要越大;基线越大,传感器就会越大。

    但是 TOF 不存在这个问题。TOF 的摄像头紧挨着一个光源,形成 TOF 的模组,因为它的测量原理不要求光源和摄像机之间的距离加大。

    大家可以想象一下 TOF 在和光的速度做赛跑,那么它的 CCD 接收图像的速率,即帧率是非常高的。目前最大的 TOF 传感器可量产化的只能做到 VGA 分辨率,目前的生产水平还不能做更大规模的。

  • ?

    2018年趋势,无人驾驶汽车传感器创新技术探秘

    房凝琴

    展开

    让无人驾驶汽车看到路面、阅读交通标志、检测物体、分类、感知速度/轨迹和其他车辆并不容易——更重要的是,将它定位在地图上,以便其确切知道必须去哪里。

    无人驾驶汽车传感器为热门技术,但你又是否知晓?

    2018年造就现代无人驾驶汽车的传感器创新最新技术是什么?仪商网 带你深入解析!

    可以说,视觉是自动驾驶汽车中唯一不可或缺的传感器技术。我们看到感知是自动驾驶汽车软件的一个主要领域,而且这里还有很多创新。

    对于高度自动化的汽车来说,它们必须依靠很多传感器,包括摄像头、雷达、超声波、GPS天线和利用光脉冲测距的激光雷达。每种传感器都有其自身的弱点和优势。

    科技公司、一级供应商和OEM厂商一直在忙于抢夺它们没有或无法自主开发的传感器技术。与此同时,仅在过去两年就出现了许多感知传感器创业公司,它们中有许多都在关注尚处于萌芽阶段的自动驾驶汽车市场。

    安装在汽车上的一系列传感器技术

    如何最好地填补传感器固有的缺陷,更为重要的是即制定最好的策略,将不同的数据流结合起来,而不会丢失关键信息。每种传感器以其自身的帧速率传送数据就相当有问题。传感器融合则变得更加复杂——因为一些传感器提供原始数据,而其他传感器则提供它们自己的对象数据答案。

    激光雷达:最热门的领域

    在所有传感器技术中,激光雷达是2017年交易量最大的市场。部分原因是激光雷达在自动驾驶中有相当多的用途。高度自动化的汽车需要一个具有定位资产的基本地图,对此没有任何东西能够取代激光雷达。

    新的激光技术的出现也可以追溯到热门的激光雷达市场。据IHSMarkit的Kona表示,业界正在出现一种新的激光发射器技术——波长大于1400nm。这种新的波长在激光雷达上会有更高的分辨率和更长的射程。

    不同类型激光雷达的比较(来源:IHSMarkit)

    与此同时,供应商通过开发各种光束控制技术,不断提高激光雷达的耐用性、尺寸和成本。这些技术既有机械也有MEMS和全固态。据Magney所述,机械激光雷达(例如Velodyne128通道产品)由于可以产生360度的点云,非常适合地图构建。但是对于量产汽车的部署,基于固态器件(MEMS或OPA(光学相控阵))的激光雷达非常好使。它们也可以在自己的视野内产生一个点云。成本更低Flash器件也在出现。它们中有一些被设计成接近探测器,成本低于100美元,缺点是分辨率有限,无法对物体进行分类。

    毫米波雷达:分辨率越来越高

    当激光雷达大步向前进时,雷达也没有停下脚步。继恩智浦半导体在2016年首次推出CMOS工艺的77GHz微型雷达芯片后,德州仪器去年也进入毫米波雷达市场。该公司现在宣称具有最小尺寸的CMOS传感器产品组合。在雷达市场,竞争的重点在于尺寸和精度。TI现在宣称是“分辨率小于4cm的高精度独立传感”。

    TI的汽车毫米波雷达传感器将射频(RF)和模拟功能与数字控制功能集成到了一个芯片中

    毫米波雷达很热,雷达的分辨率越来越高,现在也可以分类物体,这是以前做不到的。

    然而,更好的分辨率需要更多的通道,这意味着更多的数据需要处理。所以毫米波雷达需要有专门的处理器来处理这些数据,产生物体或者点云。此外,毫米波雷达需要有开发工具来搭建应用。否则,这些数据很难被理解。

    雷达除了能全天候工作外,往往会受到负面评价。传统的汽车雷达看不到摄像头或激光雷达所能看到的物体。更具体地说,雷达看不到遥远的物体,不能辨别它们看到的东西。它们的处理速度不足以达到高速公路的要求。

    模拟波束成形:微秒级速度的扫描

    2017年1月成立的创业公司Metawave,希望通过开发模拟波束成形技术来改变这种状况。

    利用PARC将超材料、雷达和天线商业化的独家授权,Metawave在本月的CES消费电子展上推出了该公司“全套雷达套件”的原型。该公司的超材料是布置在PCB板上的小型软件控制工程结构。据称,这些结构能够以特殊的方式控制电磁波束,这在以前通常只有在体积大得多、更强大和成本更高的军用系统中才能实现。

    Metawave的模拟雷达技术是基于电子可控天线。它使用一根带有两个端口的天线:一个端口连接到Tx或Rx链路,另一个连接到MCU。MCU通过查找表来定义和控制天线波束宽度和方向,从而使Metawave的模拟雷达能够实现微秒级速度的扫描

    Metawave的全套雷达套件是雷达芯片不可知的

    该公司宣称其基于超材料的模拟波束成形技术可以精确控制雷达波束,在不牺牲分辨率的情况下实现更快的工作速度和更好的信噪比。

    面向机器使用的成像数据:AI应用于图像

    尽管Mobileye仍然是汽车视觉领域的领导者,任何人都可以获得相同的成像器,构建适合于图像识别的摄像头。但问题是你需要合适的处理器和紧密集成的算法。

    对此,现在市场可以从几家芯片公司中的任何一家,选择一款高性能视觉处理器,并应用自己的算法。或者,你也可以用CNN(卷积神经网络)来完成这项工作。

    目前,自动驾驶汽车的制造商在摄像头方面有了选择。许多公司会将AI应用于图像来获得结果。

    Chronocam这家总部位于巴黎的创业公司的传感器技术,不是面向人类使用,而是面向机器传感和检测设计;该公司认为,这项技术可以彻底改变当今CMOS图像传感器市场。Chronocam的事件驱动传感器还很新,尚未在任何商用车上使用,但这项技术正受到关注。

    同时,英特尔、Nvidia等GPU/CPU领域的大公司仍在试图找出更准确、更快速处理大量数据的最佳方式。然而,Chronocam专注的是针对机器应用简化和定制的成像数据采集。事件驱动传感器的目标是显著减少数据负载,使汽车几乎可以做出实时决策。

    地图构建:图像和激光雷达数据来改进

    汽车必须确切知道它必须去哪里,以便它可以发展“情境感知”。

    定位使汽车具有“自我意识”的第一步是地图构建,而与汽车在预先制作的地图上看到的内容进行实时匹配。然后,汽车可以对其位置进行三角测量和定位。换句话说,如果希望高度自动化的车辆能准确定位,它们需要激光雷达。它们需要一个具有定位资产的基本地图,对此没有任何东西可以替代激光雷达。

    但是,还有其他方法可以做到这一点。例如,Nvidia的DriveWorksSDK可以实现基于图像的定位。DriveWorks的库包括地图定位、高清地图接口以及自我运动。

    实时动态定位(RTK)是另一种选择,Magney补充说。RTK可增强来自全球导航卫星系统(如GPS、GLONASS、伽利略和北斗)的位置数据的精度。

    与此同时,英特尔/Mobileye正在推广其面向定位的道路体验管理(REM)技术。Mobileye希望通过利用基于摄像头的ADAS系统的涌现,利用人群的力量来准实时地建立和维护一个精确的环境地图。

    初创企业在定位方面也有发挥的空间。据悉,初创公司DeepMap正在为第4/第5级自动驾驶汽车解决高清地图构建和定位以及大数据管理方面的挑战。DeepMap正在通过使用摄像头图像和激光雷达数据来改进当前的数字地图。

    传感器融合:决定自驾汽车的决策和行为

    随着自动驾驶汽车收集到所有的传感数据,最重要的就是传感器融合的质量。传感器融合的结果决定了自动驾驶汽车的决策和行为,也即安全问题。

    自动驾驶汽车仅采用一个传感器不可能实现可靠驾驶,因此必须进行传感器融合。因为你必须同步所有传感器信号,所以融合是很难的。

    关于是融合“对象”数据还是“原始”数据,业界的争论才刚刚开始。目前没有明确的答案。

    与对象数据相比,由于原始数据在转换中没有任何东西丢失,AI的大多数支持者更喜欢融合这种数据。

    与原始数据融合有关的问题包括:你将需要大量的处理;你还需要有GB大小的网络来将这些信号传送到整个车辆中。

    DeepScale公司开发了一种感知技术,可以采集原始数据,而不是对象数据,可以在嵌入式处理器上加速传感器融合。DeepScale正在利用自己的深度神经网络(DNN)白手起家——其不仅使用了图像传感器的原始数据,还使用了雷达和激光雷达的原始数据。

    DeepScale开发用于早期传感器融合的深度神经网络

    而DeepScale在后期融合中遇到了一个固有问题。创建对象时,与其他传感数据相关的原始数据可能会丢失。

  • ?

    传感器都有哪些种类(总结篇)

    刘藏今

    展开

    传感器敏感元件的分类:

    物理类,基于力、热、光、电、磁和声等物理效应。

    化学类,基于化学反应的原理。

    生物类,基于酶、抗体、和激素等分子识别功能。

    通常据其基本感知功能可分为热敏元件、光敏元件、气敏元件、力敏元件、磁敏元件、湿敏元件、声敏元件、放射线敏感元件、色敏元件和味敏元件等十大类(还有人曾将敏感元件分46类

    电阻式

    电阻式传感器是将被测量,如位移、形变、力、加速度、湿度、温度等这些物理量转换式成电阻值这样的一种器件。主要有电阻应变式、压阻式、热电阻、热敏、气敏、湿敏等电阻式传感器件。

    变频功率

    变频功率传感器通过对输入的电压、电流信号进行交流采样,再将采样

    值通过电缆、光纤等传输系统与数字量输入二次仪表相连,数字量输入二次仪表对电压、电流的采样值进行运算,可以获取电压有效值、电流有效值、基波电压、基波电流、谐波电压、谐波电流、有功功率、基波功率、谐波功率等参数。

    称重

    称重传感器是一种能够将重力转变为电信号的力→电转换装置,是电子衡器的一个关键部件。

    能够实现力→电转换的传感器有多种,常见的有电阻应变式、电磁力式和电容式等。电磁力式主要用于电子天平,电容式用于部分电子吊秤,而绝大多数衡器产品所用的还是电阻应变式称重传感器。电阻应变式称重传感器结构较简单,准确度高,适用面广,且能够在相对比较差的环境下使用。因此电阻应变式称重传感器在衡器中得到了广泛地运用。

    电阻应变式

    传感器中的电阻应变片具有金属的应变效应,即在外力作用下产生机械形变,从而使电阻值随之发生相应的变化。电阻应变片主要有金属和半导体两类,金属应变片有金属丝式、箔式、薄膜式之分。半导体应变片具有灵敏度高(通常是丝式、箔式的几十倍)、横向效应小等优点。

    压阻式

    压阻式传感器是根据半导体材料的压阻效应在半导体材料的基片上经扩散电阻而制成的器件。其基片可直接作为测量传感元件,扩散电阻在基片内接成电桥形式。当基片受到外力作用而产生形变时,各电阻值将发生变化,电桥就会产生相应的不平衡输出。

    用作压阻式传感器的基片(或称膜片)材料主要为硅片和锗片,硅片为敏感材料而制成的硅压阻传感器越来越受到人们的重视,尤其是以测量压力和速度的固态压阻式传感器应用最为普遍。

    热电阻

    热电阻测温是基于金属导体的电阻值随温度的增加而增加这一特性来进行温度测量的。

    热电阻大都由纯金属材料制成,目前应用最多的是铂和铜,此外,已开始采用镍、锰和铑等材料制造热电阻。

    热电阻传感器主要是利用电阻值随温度变化而变化这一特性来测量温度及与温度有关的参数。在温度检测精度要求比较高的场合,这种传感器比较适用。较为广泛的热电阻材料为铂、铜、镍等,它们具有电阻温度系数大、线性好、性能稳定、使用温度范围宽、加工容易等特点。用于测量-200℃~+500℃范围内的温度。

    热电阻传感器分类:

    1、NTC热电阻传感器:

    该类传感器为负温度系数传感器,即传感器阻值随温度的升高而减小。

    2、PTC热电阻传感器:

    该类传感器为正温度系数传感器,即传感器阻值随温度的升高而增大。

    激光

    利用激光技术进行测量的传感器。

    传感器

    它由激光器、激光检测器和测量电路组成。激光传感器是新型测量仪表,它的优点是能实现无接触远距离测量,速度快,精度高,量程大,抗光、电干扰能力强等。

    激光传感器工作时,先由激光发射二极管对准目标发射激光脉冲。经目标反射后激光向各方向散射。部分散射光返回到传感器接收器,被光学系统接收后成像到雪崩光电二极管上。雪崩光电二极管是一种内部具有放大功能的光学传感器,因此它能检测极其微弱的光信号,并将其转化为相应的电信号。

    利用激光的高方向性、高单色性和高亮度等特点可实现无接触远距离测量。激光传感器常用于长度(ZLS-Px)、距离(LDM4x)、振动(ZLDS10X)、速度(LDM30x)、方位等物理量的测量,还可用于探伤和大气污染物的监测等。

    霍尔

    霍尔传感器是根据霍尔效应制作的一种磁场传感器,

    传感器

    广泛地应用于工业自动化技术、检测技术及信息处理等方面。霍尔效应是研究半导体材料性能的基本方法。通过霍尔效应实验测定的霍尔系数,能够判断半导体材料的导电类型、载流子浓度及载流子迁移率等重要参数。

    霍尔传感器分为线性型霍尔传感器和开关型霍尔传感器两种。

    1、线性型霍尔传感器由霍尔元件、线性放大器和射极跟随器组成,它输出模拟量。

    2、开关型霍尔传感器由稳压器、霍尔元件、差分放大器,斯密特触发器和输出级组成,它输出数字量。

    霍尔电压随磁场强度的变化而变化,磁场越强,电压越高,磁场越弱,电压越低。霍尔电压值很小,通常只有几个毫伏,但经集成电路中的放大器放大,就能使该电压放大到足以输出较强的信号。若使霍尔集成电路起传感作用,需要用机械的方法来改变磁场强度。下图所示的方法是用一个转动的叶轮作为控制磁通量的开关,当叶轮叶片处于磁铁和霍尔集成电路之间的气隙中时,磁场偏离集成片,霍尔电压消失。这样,霍尔集成电路的输出电压的变化,就能表示出叶轮驱动轴的某一位置,利用这一工作原理,可将霍尔集成电路片用作用点火正时传感器。霍尔效应传感器属于被动型传感器,它要有外加电源才能工作,这一特点使它能检测转速低的运转情况。

    温度

    1、室温管温传感器:室温传感器用于测量室内和室外的环境温度,

    传感器

    管温传感器用于测量蒸发器和冷凝器的管壁温度。室温传感器和管温传感器的形状不同,但温度特性基本一致。按温度特性划分,美的使用的室温管温传感器有二种类型:1.常数B值为4100K±3%,基准电阻为25℃对应电阻10KΩ±3%。在0℃和55℃对应电阻公差约为±7%;而0℃以下及55℃以上,对于不同的供应商,电阻公差会有一定的差别。温度越高,阻值越小;温度越低,阻值越大。离25℃越远,对应电阻公差范围越大。

    2、排气温度传感器:排气温度传感器用于测量压缩机顶部的排气温度,常数B值为3950K±3%,基准电阻为90℃对应电阻5KΩ±3%。

    3、模块温度传感器:模块温度传感器用于测量变频模块(IGBT或IPM)的温度,用的感温头的型号是602F-3500F,基准电阻为25℃对应电阻6KΩ±1%。几个典型温度的对应阻值分别是:-10℃→(25.897~28.623)KΩ;0℃→(16.3248~17.7164)KΩ;50℃→(2.3262~2.5153)KΩ;90℃→(0.6671~0.7565)KΩ。

    温度传感器的种类很多,经常使用的有热电阻:PT100、PT1000、Cu50、Cu100;热电偶:B、E、J、K、S等。温度传感器不但种类繁多,而且组合形式多样,应根据不同的场所选用合适的产品。

    测温原理:根据电阻阻值、热电偶的电势随温度不同发生有规律的变化的原理,我们可以得到所需要测量的温度值。

    无线温度

    无线温度传感器将控制对象的温度参数变成电信号,并对接收终端发送无线信号,对系统实行检测、调节和控制。可直接安装在一般工业热电阻、热电偶的接线盒内,与现场传感元件构成一体化结构。通常和无线中继、接收终端、通信串口、电子计算机等配套使用,这样不仅节省了补偿导线和电缆,而且减少了信号传递失真和干扰,从而获的了高精度的测量结果。

    无线温度传感器广泛应用于化工、冶金、石油、电力、水处理、制药、食品等自动化行业。例如:高压电缆上的温度采集;水下等恶劣环境的温度采集;运动物体上的温度采集;不易连线通过的空间传输传感器数据;单纯为降低布线成本选用的数据采集方案;没有交流电源的工作场合的数据测量;便携式非固定场所数据测量。

    智能

    智能传感器的功能是通过模拟人的感官和大脑的协调动作,

    传感器

    结合长期以来测试技术的研究和实际经验而提出来的。是一个相对独立的智能单元,它的出现对原来硬件性能苛刻要求有所减轻,而靠软件帮助可以使传感器的性能大幅度提高。

    1、信息存储和传输——随着全智能集散控制系统(SmartDistributedSystem)的飞速发展,对智能单元要求具备通信功能,用通信网络以数字形式进行双向通信,这也是智能传感器关键标志之一。智能传感器通过测试数据传输或接收指令来实现各项功能。如增益的设置、补偿参数的设置、内检参数设置、测试数据输出等。

    2、自补偿和计算功能——多年来从事传感器研制的工程技术人员一直为传感器的温度漂移和输出非线性作大量的补偿工作,但都没有从根本上解决问题。而智能传感器的自补偿和计算功能为传感器的温度漂移和非线性补偿开辟了新的道路。这样,放宽传感器加工精密度要求,只要能保证传感器的重复性好,利用微处理器对测试的信号通过软件计算,采用多次拟合和差值计算方法对漂移和非线性进行补偿,从而能获得较精确的测量结果压力传感器。

    3、自检、自校、自诊断功能——普通传感器需要定期检验和标定,以保证它在正常使用时足够的准确度,这些工作一般要求将传感器从使用现场拆卸送到实验室或检验部门进行。对于在线测量传感器出现异常则不能及时诊断。采用智能传感器情况则大有改观,首先自诊断功能在电源接通时进行自检,诊断测试以确定组件有无故障。其次根据使用时间可以在线进行校正,微处理器利用存在EPROM内的计量特性数据进行对比校对。

    4、复合敏感功能——观察周围的自然现象,常见的信号有声、光、电、热、力、化学等。敏感元件测量一般通过两种方式:直接和间接的测量。而智能传感器具有复合功能,能够同时测量多种物理量和化学量,给出能够较全面反映物质运动规律的信息。

    光敏

    光敏传感器是最常见的传感器之一,它的种类繁多,主要有:光电管、光电倍增管、光敏电阻、光敏三极管、太阳能电池、红外线传感器、紫外线传感器、光纤式光电传感器、色彩传感器、CCD和CMOS图像传感器等。它的敏感波长在可见光波长附近,包括红外线波长和紫外线波长。光传感器不只局限于对光的探测,它还可以作为探测元件组成其他传感器,对许多非电量进行检测,只要将这些非电量转换为光信号的变化即可。光传感器是目前产量最多、应用最广的传感器之一,它在自动控制和非电量电测技术引中占有非常重要的地位。最简单的光敏传感器 是光敏电阻,当光子冲击接合处就会产生电流。

    生物

    生物传感器的概念

    传感器

    生物传感器是用生物活性材料(酶、蛋白质、DNA、抗体、抗原、生物膜等)与物理化学换能器有机结合的一门交叉学科,是发展生物技术必不可少的一种先进的检测方法与监控方法,也是物质分子水平的快速、微量分析方法。各种生物传感器有以下共同的结构:包括一种或数种相关生物活性材料(生物膜)及能把生物活性表达的信号转换为电信号的物理或化学换能器(传感器),二者组合在一起,用现代微电子和自动化仪表技术进行生物信号的再加工,构成各种可以使用的生物传感器分析装置、仪器和系统。

    生物传感器的原理

    待测物质经扩散作用进入生物活性材料,经分子识别,发生生物学反应,产生的信息继而被相应的物理或化学换能器转变成可定量和可处理的电信号,再经二次仪表放大并输出,便可知道待测物浓度。

    生物传感器的分类

    按照其感受器中所采用的生命物质分类,可分为:微生物传感器、免疫传感器、组织传感器、细胞传感器、酶传感器、DNA传感器等等。

    按照传感器器件检测的原理分类,可分为:热敏生物传感器、场效应管生物传感器、压电生物传感器、光学生物传感器、声波道生物传感器、酶电极生物传感器、介体生物传感器等。

    按照生物敏感物质相互作用的类型分类,可分为亲和型和代谢型两种。

    视觉

    工作原理:

    视觉传感器是指:具有从一整幅图像捕获光线的数发千计像素的能力,图像的清晰和细腻程度常用分辨率来衡量,以像素数量表示。

    视觉传感器具有从一整幅图像捕获光线的数以千计的像素。图像的清晰和细腻程度通常用分辨率来衡量,以像素数量表示。

    在捕获图像之后,视觉传感器将其与内存中存储的基准图像进行比较,以做出分析。例如,若视觉传感器被设定为辨别正确地插有八颗螺栓的机器部件,则传感器知道应该拒收只有七颗螺栓的部件,或者螺栓未对准的部件。此外,无论该机器部件位于视场中的哪个位置,无论该部件是否在360度范围内旋转,视觉传感器都能做出判断。

    应用领域:

    视觉传感器的低成本和易用性已吸引机器设计师和工艺工程师将其集成å...

  • ?

    相机传感器和摄影的关键构图技术

    青筠

    展开

    相机传感器通常分为两类; 裁剪传感器和全帧传感器。在胶片时代,大多数相机的标准胶片尺寸为35mm。当摄影进入数字时代时,术语“全帧”应用于较新的数字传感器,以符合原始的35mm胶片相机。在大多数数码单反相机上,传感器尺寸明显小于35毫米。仅在2002年,才形成了第一个相当于35毫米胶片尺寸的传感器。虽然关于哪种传感器尺寸更好有很多争论,但事实是“全帧”并非真正“满”,它是35mm等效物,而“作物传感器”通常被称为“APS-” C尺寸的传感器“。与使用全帧传感器的所有内容一样,优点和缺点也是如此。

    好处:更好地应对弱光情况:数字成像传感器具有微小的光传感器,可记录光线并产生像素。由于传感器较大,它具有更好的捕获弱光的能力,并且与使用作物传感器相比,使用更高ISO时也会减少。取景器亮度:由于全画幅相机使用较大的镜头,因此可以产生更明亮的取景器图像。景深: 传感器尺寸影响景深。由于35mm等效(全帧)传感器较大,与APS-C尺寸(裁剪传感器)相机相比,它可以实现更浅的景深。首选相机机身: 相机品牌不会使很多裁剪传感器相机与全机身相媲美,这就是为什么它们现在是相机的行业偏好。

    缺点:价格: 成像传感器由称为晶圆的大片昂贵芯片切割而成。由于传感器尺寸较大并且它们是摄影师的相机选择,因此它们比作物传感器模型花费更多。重量: 必须为全画幅相机购买特定镜头,它们往往体积更大,更重,因此增加了您的套件的重量。镜头兼容性:虽然全画幅镜头可以在裁剪框架数码单反相机上正常工作,但对于全画幅相机却不能说相反。因此,作物传感器DSLR相机具有更多种类的镜头类型。挑选数码单反相机时需要考虑传感器尺寸,但需要根据需要选择正确的型号。

    使用两种版本的传感器的相机捕获了令人惊叹的图像。因此,作为决策制定过程的一部分,无需担心图像质量损失,因为如果相机在正确的手中,一天结束时,图像将看起来最好。拍摄图像是拍摄时的重要一步,对于成功拍摄至关重要。糟糕的成分会导致出色的主题变得暗淡或扭曲。在视觉领域中,存在用于在框架的特定区域中放置主题以使其对观看者更具吸引力的方法。虽然遵循这些规则是有益的,但一旦掌握了它们,它们也可以被打破,为您自己的工作提供更独特的外观和风格。三分法 - 通过在相机显示屏上启用网格,您可以将三分法应用于图像。

    理论上说,如果您将主题中的兴趣点放置在网格上的交叉线上,则图像会变得更加平衡,并允许图像的查看者更自然地与其交互。人眼自然地看到交叉线,因此观察者不必在图像周围搜索以识别对象的焦点。黄金比例 - 这是比三分法更高级的构图比率。简单地说,黄金比例约为1.618比1.这个比例创造了一种协调感和平衡感,几乎可以在所有艺术和自然形式中看到,它是一个美学上令人愉悦的数学方程式。在摄影中,指南是一个类似贝壳的形状,具有矩形的细分,而不是可以无限分割。一旦图像在这个形状内尽可能均匀地下降,它看起来更有吸引力和吸引力。

    取景 -这是通过完全遮挡图像的其他区域或欺骗观察者暂时忽略它们来引起对图像主体的注意的技巧。通过使用场景中的对象,帧可以是自然发生的,或者它们可以是人工的并且稍后在后期制作中添加。取景可以为您的图像提供背景,还可以增加图像深度和纹理感。在构建您的投资组合或图像存档时,您会发现自己正在拍摄主题的混合物。在你的镜头中你应该有一些以下的构图技巧; 简洁,形状,线条,重复和负空间等等。一旦您将上面列出的构图安排应用于图像的形式,您一定会吸引观众,让他们了解您的摄影体。

  • ?

    全球首款滑动式掌静脉识别传感器:宽仅8毫米

    埃尔斯费莱特

    展开

    导读

    昨日,富士通实验室有限公司宣布开发世界上首款滑动式掌静脉识别传感器。该传感器的光学单元足够小,宽度仅8毫米,便于集成到小型移动设备中,未来应用潜力无限。

    掌静脉识别技术

    (图片来源于:富士通)

    掌静脉识别技术,一般是指采用近红外线感应器,获取手掌静脉的分布图像,并将图像样板存储,建立基于每个人的独特的手掌静脉数据库,然后通过再次读取的掌静脉图像,和数据库中存储的手掌静脉图像数据进行比较,从而达到生物识别,验证个人身份的目的。

    掌静脉识别技术具有不易伪造(掌静脉属于非肉眼可见的生物特征,而指纹和人脸属于人体外部生物特征,容易被复制伪造)、高识别率、识别速度较快、非接触特性等优点,已经广泛应用于电信、公安、物流等多个领域。

    前几年,富士通就发布了多款基于掌静脉识别技术的传感器和设备。富士通称这项技术为“PalmSecure ”,同时还为使用 PalmSecure 传感器的客户,提供有效支持解决方案,或者项目开发的软件开发工具(SDK)。

    (图片来源于:富士通)

    背景

    近些年来,随着人们生产生活方式的变化,平板电脑、智能手机等移动设备已广泛应用于人们生产生活的方方面面。基于便携性和易用性的考虑,这些设备呈现出尺寸小型化的趋势。

    另外,人们对于安全性方面的要求越来越高,传统的密码技术越来越多的被生物识别技术例如指纹识别、人脸识别等取代。

    所以,掌静脉识别技术和小型便携式移动电子设备相结合,引起了业界的广泛兴趣。

    难题

    但是,掌静脉识别技术和智能手机之类的小型移动设备相结合,前提是要将光学单元做的足够小。这目前这是一个业界公认的难题,也是之前的掌静脉识别传感器所无法应对的问题。

    掌静脉识别技术,利用了具有对人体安全的近红外波段的光线,照射手掌获取图像。掌静脉识别设备,由光学单元组成包括:一个照明元件、一个图像捕捉元件。为了均匀地照射整个手掌,照明元件(光学单元最宽的一部分),被安放在图像捕捉元件的周围。

    所以,问题就来了:如何让元件变得更小?更进一步地说,如果图像捕捉元件变得更小,掌静脉上可以读取的面积就会更窄。所以每张图像读取掌静脉的区域,在注册或者验证时,就会变得显著不同,导致认证变得更加困难。

    所以,开发一种新技术,既可以让光学单元变小,又可以达到高准确性,十分具有挑战性。

    突破

    昨日,富士通实验室有限公司宣布了开发世界上首款滑动式手掌静脉识别传感器。这款传感器的开发,体现了富士通公司在突破业界难题方面,所进行的努力和探索。

    富士通实验室,成功地开发了一种小型化照明元件,使用单个LED,以统一的光线强度照亮一个矩形区域。该光学单元仅有8毫米宽,十分便于集成到小型移动设备中。

    核心技术

    富士通将光学单元的宽度缩小到只有8毫米,这样很容易匹配移动设备的触摸板。用户只需在触摸板上方,滑动手指,即可完成认证过程。这项突破的核心技术如下:

    均匀照亮矩形区域的光学设计技术

    为此,富士通实验室特别开发了一种复合光学元件,它利用了光的衍射现象。光在传播路径中,遇到不透明或透明的障碍物或者小孔(窄缝),会绕过障碍物,产生偏离直线传播的现象,这称为光的衍射。弗朗西斯科·格里马第(Francesco Grimaldi)于1665年发现此现象并描述道:

    “光不仅会沿直线传播、折射和反射,还能够以第四种方式传播,即通过衍射的形式传播。”

    LED 发出的光线会发生衍射,会呈斜对角地照亮上方,从而让光线可以均匀地照亮比照明元件更宽的矩形区域。通过以均匀的强度向矩形区域衍射光线的方式捕捉图像,LED的数量可以显著减少。

    更进一步说,富士通实验室创建了一种让照明元件和图像捕捉元件处于同一排的结构,将光学单元的尺寸变得足够小,以满足移动设备狭窄的宽度要求。

    图: P光学单元原型(左:虚线包围的区域是元件;右:原理图)

    (图片来源于:富士通实验室)

    滑动式手掌静脉图像采集和认证算法

    用户可以在移动设备触摸板上滑动手指,当用户手掌通过光学单元时,光学单元可以连续地捕捉用户手掌图像。同时,其位于触摸板上的坐标数据,也会被连续地记录。

    光学单元尺寸变小,从而导致了捕捉区域变小,手掌通过光学单元时,手掌静脉图像是被分割成小片读取的,然后再组成整个手掌静脉图像,用于认证识别。

    更进一步地说,富士通实验室开发了一种新型算法用于识别分割的手掌静脉图像,算法在验证数据时用到了例如图像选择的功能(认假率只有0.001%,而一次重试的拒识率只有0.01%)。

    新技术的使用方式和处理信息的流程。

    (图片来源于:富士通实验室)

    所以,富士通新开发的这项技术结合了滑动式掌静脉识别的算法,使得该传感器的光学单元仍然具有高度可靠性。

    未来

    富士通实验室,计划继续改善光学单元和认证算法,在2017年财年达到滑动式掌静脉识别技术实际应用的目标。公司希望借助例如复合光学元件等核心技术,进一步扩大掌静脉认证技术的应用范围。

    参考资料

    【1】http://fujitsu/cn/solutions/business-technology/security/palmsecure/ffts/sensor/

    【2】http://fujitsu/global/about/resources/news/press-releases/2017/0110-01.html

  • ?

    解析iPhone X神器Face ID中的传感器

    裘羿

    展开

    据麦姆斯咨询报道,最新发布的iPhone X彻底放弃了触摸式指纹解锁Touch ID,而是开创先河,采用3D人脸识别——Face ID。

    市场研究机构Yole的成像与传感器负责人Pierre Cambou表示:苹果正在颠覆整个“果粉”用户的使用体验。

    在使用Face ID时,用户只需与iPhone X进行“目光接触”,就可以解锁了。iPhone X还可以把用户表情转变为动画表情包或动物表情包(Animoji)。传感器可以捕获和分析超过50种不同的面部肌肉运动,用户能够改变表情特征,如熊猫、鸡或独角兽。iPhone X提供了一系列屏幕上的面具,通过增强现实(AR)技术将用户变成个性化的自我。

    总之,iPhone X的很多传感器是为了实现Face ID功能而部署,但也可以用于其它应用程序,包括Animoji和AR。Cambou认为这样“一箭多雕”的设计乃是苹果的天才之处,因为苹果很了解他们的用户。

    iPhone X神器Face ID中的传感器

    正如下图所示,许多传感器集成到iPhone X屏幕顶部的一个小空间里:红外摄像头、泛光照明灯、接近传感器、环境光传感器、前置摄像头、点阵投影仪、扬声器和麦克风。

    iPhone X中的大量传感器

    Cambou承认他很惊讶地看到最终发布的解决方案“比最初设想的更复杂”。iPhone X中为原深感摄像头设计的模组,包括结构光发射器、结构光接收器和ToF接近传感器。Cambou说:“苹果很善于管理运用如此多的技术以及这些技术的掌握者,与整个供应链一起创造出令人印象非常深刻的作品!”

    模组中每个独立器件有一定的相关性,在最终组装前需要积极调试以确保能准确运作。Cambou坦言:“苹果能完成如此复杂的配置,实在是做得太好了!”

    Cambou怀疑:“iPhone X的红外摄像头和接近传感器是由意法半导体(STM)提供,而前置摄像头和点阵投影仪则从艾迈斯(ams)采购。虽然iPhone X没有如我所料,从STM采购SPAD作为3D成像的元器件。但最终的结果,不得不让人钦佩!”

    众多传感器是如何工作的?

    iPhone X的3D感知功能始于ToF传感器,ToF传感器说得通俗些就是探测物体存在与否的传感器。Cambou解释说ToF传感器一旦检测到运动,就开启其它传感器。接下来是通过结构光法来计算场景中物体的深度和表面信息。

    那么点阵投影仪的作用是什么呢?Cambou解释点阵投影仪为结构光发射器透射出红外光点,所以来自STM的红外摄像头则可以拾取这个物体的投影点阵。

    但问及泛光照明灯的作用时,Cambou表示不是很确定。他认为这可能“和闪光灯一样简单”,为场景增加亮度才能“让普通相机在暗光条件下看到面孔”。

    使用原深感摄像头,iPhone X可把你的表情用Animoji表达出来

    准确度和安全性如何?

    分析师的共识是,相对于三星Galaxy S8采用“单个摄像头+虹膜扫描”的方案,苹果的Face ID采用的方案更加复杂和先进,因为苹果通过一组不同的传感器来实现3D感知。

    之前三星Galaxy S8用户吐槽,用一些质量一般的照片就可以解锁。而据报道,苹果先进的人脸识别完全能识别出一张真实的脸和照片之间的差异。

    为了证明苹果在人脸识别的投入是非常严谨的,苹果高级副总裁Phil Schiller表示,“Face ID会学习你的脸”,并可以识别用户面容随时间的变化。

    Schiller说道:“iPhone X的原深感摄像系统集成了多个传感器,映射到面部的30000多个不可见的光点描绘出一张人脸。这些信息创建iPhone X的神经系统,创建出用户的人脸模型。”

    为了防止盗刷,苹果甚至与好莱坞模型团队进行了人脸模型对比验证,以保证Face ID所识别的人脸不能被任何仿制品所替代。Schiller称Touch ID的错误率为五万分之一,而Face ID的错误率则低至一百万分之一。当然,如果面对一对长相极为相似的双胞胎,Face ID也可能无能为力!

    苹果还强调,用户的生物识别数据——指纹或面孔,不会离开他或她的设备。它以加密的形式存储在手机的“安全隔离区”中,在那里,操作系统或任何在手机上运行的应用程序都无法访问它。

    未来的展望

    显然,苹果经过深思熟虑,已经开发出了具有3D传感技术的iPhone X,但“在未来可能还有一定的提升空间,”Cambou说到,“还有什么呢?未来需要处理阳光…还有舞台灯光的干扰。”

    延伸阅读:

    《3D成像和传感-2017版》

    《CMOS图像传感器产业现状-2017版》

    《英特尔RealSense 3D摄像头与意法半导体红外激光发射器》

    《联想Phab 2 Pro三维飞行时间(ToF)摄像头》

    《苹果iPhone 7 Plus后置双摄像头模组》

  • ?

    谷歌、人工智能和超级传感器的崛起

    邹炳

    展开

    来源:美国保险商实验室概要:还记得物联网涉及无数传感器的时候吗?原来我们可能只需要一个。原作者:Mike Elgan译者:彭婷

    本周谷歌用一个名为谷歌镜头的新功能令开发者耳目一新。

    谷歌镜头的首次露面是在谷歌助手和谷歌照片上,它专门使用人工智能来识别在智能手机摄像头框架里的东西。

    在谷歌的演示里,谷歌镜头不仅可以识别花,而且还可以识别花的种类。该演示还展示了当谷歌镜头对准路由器条形码时会自动登录到无线路由器。最后,谷歌镜头展示了通过图像识别企业,并显示出每个企业的谷歌地图卡。

    谷歌镜头闪亮而且有趣。但从产生媒体评论而言,很显然,总的来说它失去了真正的内涵。

    常见的反应是:“噢,看!我手机上的又一个玩具!人工智能好神奇啊!”实际上,谷歌让我们窥视到了未来通用传感器的发展。多亏了机器学习,使得现在有可能仅用一个真正的传感器—摄像头,就可以创造出一百万个不同的软件里的传感器。

    在谷歌的演示中,显然照相机的功能就相当于一个“超级传感器”。不仅仅是一个花的识别传感器、条码阅读器和零售业务标识符,谷歌眼镜是一个基于软件的通用的超级传感器,由虚拟传感器驱动的人工智能要么建在在本地软件里要么建在云端软件里。

    还记得“万亿传感器世界”吗?

    谈到四年前的物联网(IOT),“万亿传感器世界”这个说法成为了IT界的时尚。未来主义者依稀想象有着一万亿根天线和一万亿个电池(不得不一年更换一万亿次)的一万亿个微小设备。

    将来,我们将佩戴可穿戴式传感器。所有的商品和机器会被贴上RFID芯片,而这种芯片可以提醒扫描传感器它们的位置。特殊用途的传感器会遍及我们的家庭,办公室和工作场所。

    我们那时是如此的天真--大多是关于未来无处不在的人工智能和机器学习。

    在过去四年里,另一个革命打乱了预期的“万亿传感器世界”革命,即人工智能云端的兴起,它改变了一切。不是将不同的,用途单一的传感器安装在所有的车,人,墙,机器和道路上,我们将会有通用的超级传感器,而他们的数据将被用在基于软件的虚拟传感器上。

    为什么“综合传感器”比真实传感器更好?

    在卡内基梅隆大学(CMU)的研究人员上周公布了他们的“超级传感器”技术,他们也称之为“综合传感器”。

    上图:卡内基梅隆大学的研究人员本月公布了他们的超级传感器技术,这个技术仅可以检测到任何发生在一个工厂地板上的事情。

    尽管有这样的名字,但里面包含真正的传感器。研究人员已经开发出一个包含一堆传感器的开发板,常用于企业和商业环境。该封装板的功能就像一个单一的插入墙壁或USB电源,并通过Wi-Fi连接的黑盒传感器。

    换言之,一个小设备的功能就像一个你可以插入和部署任何传感应用的通用超级传感器。这些传感器可以检测到声音,振动,光,电磁活动和温度。这种板子不包括普通的摄像头,主要是为了解决用户或是员工对隐私的顾虑。你也可以想象一个更强大的,包括一个摄像头的版本。

    当事件发生在传感插板附近,数据就以特定的,唯一识别的模式生成,这是由机器学习算法处理的,而这种算法用软件的方法生成一个“综合传感器”。

    下面是这样一个传感器如何在一个仓库背景下运作的简化版本。你插入一个或几个超级传感器。然后有人使用叉车。超级传感器检测到的由此产生的振动,声音,热量和运动就形成了被送入系统的数据模式。你可以把它看成是“操作中的叉车”。(进一步的调整不能仅仅取决于叉车何时使用,而是取决于它的位置,它移动的速度有多快,它所承载的重量和其他的数据。)

    然后,当叉车移动的时候,你可以进入下一级的应用程序,当发现计算叉车设备的磨损或检测到未经授权的叉车的操作时提出警告。

    来自这些“综合传感器”的输出可以被开发人员根据需要来创建任何应用程序,并可以应用到语义系统来监测任何东西。

    最棒的是,你可以深入利用这些数据创造另一个“综合传感器”,10个或者100个,在没有任何额外的传感器的情况下检测所有的运动、活动、库存、风险和其他的东西。

    一个由卡内基梅隆大学研究人员制作的录像展示了在工厂,办公室,家和浴室里的应用。例如,在浴室里,它可以通过纸张分配器发出的声音来记录使用的纸张数量。它还可以监测这里使用的水的总量。

    再一次说明,这里的革命不是监控一切的能力。这个革命是一旦安装了一个超级传感器,后面未来所有的传感(和基于那个传感的行动)会是一个软件解决方案,而这个软件解决方案不会涉及新设备,这样就改变了电池或任何其他僵化的,想象着“万亿传感器世界”的解决方案。

    想象一下,能够买便宜的插在墙上的硬件,然后从那一刻起,所有设备的监测,安全,库存,人员等等都完全是通过软件实现的。展望未来,后面将不再需要升级传感器或者是物联网设备。

    看看这个:卡内基梅隆大学的研究大多是由谷歌资助的!

    人工智能的真正力量

    谷歌镜头和谷歌赞助的卡内基梅隆大学的“综合传感器”这两个项目代表着人工智能的应用可以同时做到用更少的物理传感器达到更好的感知。

    人工智能一直是让机器复制或是模拟人的大脑能力。但事实是人工智能的能力已经超过一些地区的工人。

    想想一个传统的办公楼大厅。你有一个在服务台上看杂志的保安。他听到旋转门的转动后,便抬头看见一个朝服务台走过来的男人。保安认不出这个男人。因此,他请访客签到,然后才让他进入电梯。

    现在,让我们想想有人工智能的情况。旋转门的声音表明有另外一个人进入了大楼(系统正在精确地计算里面有多少人)。当这个人走进的时候,摄像头会扫描他的面部和步态,这样就可以明确地识别他,还不需要老式的签到。麦克风还可以处理他走路时发出的各种细微的声音。这个再结合热,化学和其他传感器就可以得出结论:他手无寸铁,不需要再让他通过一个金属探测器。他到门口的时候,人工智能会发送指令来解锁开门,让他进入大楼。他的访问记录不是用墨水写在纸上,而是写在可搜索的电子表格上。

    最好的部分是,无论多少新应用都可以被写入来检测不同的东西,这一切都不会改变物理传感器。大厅里相同的传感器可以取代照明控制,烟雾探测器和恒温控制。他们可以在窗户需要清洗或者是要倾倒垃圾的时候提醒维护。

    很容易想到将这种通用的传感器和人工智能系统应用于像会议室,办公室,工厂,仓库和运输系统这些大厅以外的地方。甚至随着人工智能云端的快速学习和他们自我能力的提升,公司将可以在对它们的需求上升时创建自定义的虚拟传感器。

    摄像头可以部署在适合的地方,比如大厅。而其他的无摄像头的传感器可以部署在不适合装摄像头的地方,像大楼的卫生间。

    最重要的是,超级传感器革命将会遍布各地。物理传感器十分廉价,而且人工智能作为一种服务,可以通过云端被我们使用。但它的使用不仅仅是通过谷歌,而是通过范围更广的供应商。

    作为一种服务,基于云端的人工智能现在已经兴起好几年了。但是这个月,我们看到了这场革命即将迎来的最深刻的变化之一。有了一些廉价的摄像头,麦克风和其他的传感器,我们将可以用低成本创造软件里的任何传感器。

    “万亿传感器”物联网的旧模式将被人工智能和超级传感器的崛起扼杀殆尽。

  • ?

    美利用人工智能进行卫星图像识别

    建辉

    展开

    美国密苏里大学研究人员在新近的《应用遥感》杂志刊文,展示了一种用于遥感卫星图片识别的深度学习模型,据称能够从海量卫星图片中识别并标记出军事装备设施。研究人员还将识别出的原始图像转换为训练样本,供深度学习模型持续开展数据训练,以提升目标识别的精准度。

    长期以来,情报机构主要依赖情报分析人员从卫星遥感图像中识别诸如核设施或秘密军事据点等目标,但人工识别面临效率低下、无法应对海量数据等问题。随着以深度学习为代表的人工智能技术日益成熟,将其引入遥感卫星目标识别成为发展趋势。2017年7月,美国情报高级研究计划局启动“世界功能地图挑战赛”,寻求人工智能解决方案,更好地从海量卫星图像中挖掘高价值信息,力求将情报分析人员工作量减少75%。“数字地球”公司还开发了 “地理空间大数据”平台,寻求利用深度学习算法自动探测和识别高价值目标。

    目前,利用人工智能开展卫星图像识别仍面临不少挑战。一方面,遥感卫星图像构成更加复杂,易受到天气、成像角度、传感器类型、伪装隐蔽手段等因素的影响。另一方面,深度学习算法依赖大量卫星图片数据,但通常很难获取这些数据来准确识别卫星图像的特征。

    版权声明:图片来源于网络,图文无关。如涉及版权问题,请作者持权属证明与本网联系

    来源:解放军报

  • ?

    深度解析视觉传感器,推动视频识别技术新突破

    窦青曼

    展开

    一、视觉传感器定义

    视觉传感器是指:利用光学元件和成像装置获取外部环境图像信息的仪器,通常用图像分辨率来描述视觉传感器的性能。视觉传感器的精度不仅与分辨率有关,而且同被测物体的检测距离相关。被测物体距离越远,其绝对的位置精度越差。视觉传感器是整个机器视觉系统信息的直接来源,主要由一个或者两个图形传感器组成,有时还要配以光投射器及其他辅助设备。视觉传感器的主要功能是获取足够的机器视觉系统要处理的最原始图像。图像传感器可以使用激光扫描器、线阵和面阵CCD摄像机或者TV摄像机,也可以是最新出现的数字摄像机等。

    二、视觉传感的基本原理

    视觉传感器具有从一整幅图像捕获光线的数以千计的像素。图像的清晰和细腻程度通常用分辨率来衡量,以像素数量表示。Banner 工程公司提供的部分视觉传感器能够捕获 130 万像素。因此,无论距离目标数米或数厘米远,传感器都能“看到”十分细腻的目标图像。

    在捕获图像之后,视觉传感器将其与内存中存储的基准图像进行比较,以做出分析。例如,若视觉传感器被设定为辨别正确地插有八颗螺栓的机器部件,则传感器知道应该拒收只有七颗螺栓的部件,或者螺栓未对准的部件。此外,无论该机器部件位于视场中的哪个位置,无论该部件是否在 360 度范围内旋转,视觉传感器都能做出判断

    三、视觉传感器的应用领域

    视觉传感器的低成本和易用性已吸引机器设计师和工艺工程师将其集成入各类曾经依赖人工、多个光电传感器,或根本不检验的应用。视觉传感器的工业应用包括检验、计量、测量、定向、瑕疵检测和分拣。以下只是一些应用范例:

    在汽车组装厂,检验由机器人涂抹到车门边框的胶珠是否连续,是否有正确的宽度。 在瓶装厂,校验瓶盖是否正确密封、装灌液位是否正确,以及在封盖之前没有异物掉入瓶中。在包装生产线,确保在正确的位置粘贴正确的包装标签。在药品包装生产线,检验阿司匹林药片的泡罩式包装中是否有破损或缺失的药片。在金属冲压公司,以每分钟逾150片的速度检验冲压部件,比人工检验快13倍以上。

    四、正确理解视觉传感器动态范围

    五、视觉传感器的交互作用决定取舍

  • ?

    图像识别技术:究竟能在商业世界掀起多大波澜?

    万声

    展开

    编者按:本文由「图普科技」编译自Image Recognition: Its revolutionary role in the business world

    无论怎样,我们不得不承认,在我们所处的当今时代,技术发展对现代生活有着决定性的影响。

    但令人喜忧参半的是,科技变化如此之快,我们几乎无法跟上它的脚步,更不用说预测未来了。 其中发展最快速,影响力最大和最吸引人的技术进步之一就是图像识别。

    什么是图像识别?

    图像识别是计算机视觉的机制之一,而计算机视觉是人工智能的一个分支。

    正如我们在AI、机器学习与深度学习的区别一文中提到的那样,人工智能(也称AI)是一种能够模仿人类特征并胜任通常需要人类智能才能完成的任务的计算机系统。

    为了让AI更有说服力,我们需要所谓的“计算机视觉”。根据Venture Beat的说法,计算机视觉是“计算机获取,处理和分析主要来自视觉提示或热传感器,超声波等类似来源的数据。

    简而言之,计算机视觉使得机器能够“看”事物——甚至包括人类无法看到的事物。例如,位于匹兹堡(美国)的卡内基梅隆大学实际上正致力于研究名为“呼吸凸轮”的计算机视觉应用。该应用配备了四个云连接摄像头,可以让用户监控和记录空气污染,甚至可以追溯到污染的源头。是的,它“看到”了空气质量。

    然而,要想让机器做到人类无法做到的事情,我们必须首先使机器能够做到人类可以做的事情:看到并标记物体和生物。这是图像识别的主要功能。

    Tensorflow是一个由Google开发人员创建的开源软件库,它将图像识别定义为计算机将图像或视频分解为像素,识别形状,以便“看到”这些图像的内容,并对它们进行分类的过程。

    人脸识别中的图像识别 | Sebastian Anthony

    例如,股票网站每天都有数百万张图片上传和数十亿的搜索量。通常,网站建设者必须为他们上传的每张照片添加标签和说明,以便与用户的搜索词匹配。通过安装图像识别应用,一旦图像传输到服务器,机器就可以自动识别图像中的人物或物体。然后,它可以自动对图像进行描述,比人类的描述更加具体,从而优化搜索引擎并改善用户体验。

    如何实现图像识别?

    目前,深度学习是最有可能让机器实现“看”的能力的技术。简单地说,深度学习就是一种机器学习框架,通过模仿人类的神经元系统,为计算机提供自主学习能力。因此,计算机可以准确识别图片中的内容,而无需根据指令安装手动编码的软件——但它需要大量数据才能完成识别。

    因此,全世界都在致力于开发大量数据,其中最典型的例子就是ImageNet和PASCAL数据集。经过多年的努力,这些庞大且免费的数据集包含数百万张图像,每张图像都标记有图像内容相关的关键字

    1. ImageNet:由普林斯顿大学的研究人员于2009年创建,这个可视化数据集拥有从Flickr等搜索引擎收集的超过1400万个URL图像。在数据集创建过程中,工作人员和志愿者对提交的图片进行了详细地注释,并将其分类为约1000个对象类。

    2. PASCAL:PASCAL由欧盟国家各大学联合创建,与ImageNet数据集相比,PASCAL相形见绌 —— 仅有20个对象类,共20,000个训练图像。

    正如您可能已经从两者在类数量上的巨大差异中猜到的那样,PASCAL的分类更具通用性。相反,ImageNet注重图像识别技术发展一个关键特征:类间差异性——机器能够识别两张包含同一物种或物体的不同类型的图像,因此图像被分在不同的类别中。例如,虽然同一图片在PASCAL中仅属于“狗”这一类别,但它在ImageNet中可能被分类为“柯基犬”,“牧羊犬”或“哈巴狗”等类。

    分类方法PASCAL vs. ImageNet | Savvycom Team

    为什么要投资图像学习?

    看起来每个人都在这样做,不是吗?因为他们确实在这样做。

    2012年,Qualcomm Connected Experiences公司首次推出Vuforia软件平台。该平台利用图像识别技术提供大量的AR和VR相关功能,使得移动应用程序开发人员能够随意扩展视野。

    虚拟现实用户| Flickr

    Facebook于2016年开始帮助盲人“看”照片和图像。通过使用图像识别,Facebook IOS应用程序将为每张照片生成描述,并为用户大声朗读。

    在今年早些时候,谷歌 - 世界上最值得关注的人工智能公司之一 推出了Cloud AutoML--一种旨在简化AI在企业运营中的应用的工具。 Cloud AutoML首先启动了图像识别功能,允许Google用户拖入图像并教会用户系统在Google云上识别图像。迪士尼和Urban Outfitters等公司已将其应用于网站搜索,使结果更符合用户需求。

    谷歌 CloudAuto ML | Google

    然而,人工智能应用并非大公司的特权。根据彭博首席经济学家McDonough的分析,自2015年中期以来,提及“AI”或“AI公司”的企业财报电话会议越来越多。事实上,80%的受访公司表示在生产中应用了AI应用程序。

    为什么有数十亿美元投入到这项技术? 我们的猜测是图像识别潜力巨大。

    图像识别是一个非常抽象的领域。但是,当应用于具体情境时,其改变企业的潜力是无可辩驳的。让我们看看各个行业和企业流程中图像识别的几种潜在应用:

    1. 医疗保健:图像识别最突出的能力之一是协助创建增强现实(AR)——一种“将计算机生成的图像叠加在用户对现实世界的视角之上”的技术。如果给人工智能提供AR技术和包含疾病视觉提示的数据集,你将有一个永生难忘的医疗助理。 有了它,医生就可以在检查期间获得患者伤口的的实时详细诊断建议或医疗文件。

    2. 教育:图像识别可以让有学习困难或身体残疾的学生以他们能够感知的形式获得所需的教育。计算机视觉支持的应用程序可以提供文本到语音和图像到语音功能,帮助视力受损或有阅读障碍的学生“阅读”所提供的内容。

    3. 食品和饮料:通过使用图像识别,智能手机上的简单应用可以获得Instagram和Facebook上图像的视觉提示,分析它们并提供实时数据。 例如,根据这些照片,该应用程序可以告诉你新加坡的某家咖啡馆是您家人和朋友经常去的地方,还是一个举办疯狂聚会的场所。通过这种方式,用户可以一目了然地获得本地定制方案,而餐厅也可以有效地接触到目标受众。

    4. 电子商务:想象一个用户在街上看到他们想买的东西,但他们找不到人问在哪里可以买到它,因此他拍了一张照片。然后,该用户将其上传到配备图像识别技术的电子商务网站。算法本身可以“看”图片,扫描数百万个可选项,并推荐一个看起来与客户所寻求的相同,至少是最接近的选项。这正是Savvycom在2018年3月创建新AI Lab时的初衷。现在,我们的工程师正在研发人工智能视觉搜索工具,以利用拥有数千种产品的大型电子商务数据集,扩大电商体验。

    5. 企业流程管理:先进的图像识别系统还可以在企业经营时协助识别。例如,机器可以进行面部识别,这将取代传统身份证,来确定某人是否被授予执行某项任务的权利:如访问文件存储系统,参加会议或检查工作。然而,我们不得不承认,由于个人情感、化妆等因素的影响,“看”和“识别”人脸比识别物体要复杂得多。因此,Savvycom的目标是尽快在即将开展的项目中解决这个问题。

    图像识别技术发展面临哪些障碍?

    图像识别并非一个新领域,但放眼全局,它仍处于早期阶段。就像任何一个典型的成长中少年一样,在适应现实世界时也存在问题。

    还记得“80%的组织表示他们在生产中应用了AI应用程序”吗?在这些应用了人工智能技术的公司中,约有33%的公司表示采用人工智能技术的最大障碍是不稳定性 - 不成熟且未经证实。34%认为很难招聘到合格的工程师,40%表示信息技术基础设施建设阻碍了人工智能技术的引进,且很容易对公司的财务造成不利影响。

    资金也是一个重要影响因素。由于用于数据流编程的开源软件库越来越多,如Microsoft CNTK和Accord.Net,机器学习爱好者能够以极低的成本进行研究和学习。然而,并非所有问题都能得到解决,因为并非一切都是已知的。为了实现产品创意,要平衡预算,公司仍有很长的路要走。

    有一种解决方案可以解决许多上述问题:外包。IT外包公司专注于技能和专业知识,能以可预测的管理成本提供高端工具和最佳实践操作。简而言之,他们知道自己在做什么。那是他们的工作。

    总而言之,图像识别是计算机视觉时代到来的早期征兆。无论它将如何应用或将应用于哪些行业,图像识别技术永远不可能孤立发展。只有通过访问更多图片,实时数据,花费更多的时间和精力才能使其更加强大。只有认识到这一点,并充分利用这些联系的企业才可能在未来取得成功。

所有视频需要登录后,才能观看

请先登录您的帐号,即可完整播放,如果您尚未注册帐号,请先点击注册。