AI計算機視覺是人工智能的一個領域，它使用機器學習和深度學習使計算機能夠以與人類相同的方式查看、識別和分析照片和視頻中的事物。計算視覺在自動化 AI 視覺檢測、遠程監(jiān)控和自動化方面正迅速普及，AI機器視覺識別如何在行業(yè)中應用，小編將和大家一起探討。

我們專業(yè)AI視覺識別10年，開發(fā) +V （ivyquyi）電話：15017915479 非項目咨詢勿擾

計算機視覺對各行各業(yè)的公司產生了巨大影響，從零售到安全、醫(yī)療保健、汽車、制造、物流和農業(yè)。

使用Viso Suite構建的計算機視覺應用程

(1) 相機獲取視覺數據，(2) 用于處理圖像的機器學習模型，以及 (3) 條件邏輯來自動化特定應用程序的用例。將人工智能部署到邊緣設備，即所謂的邊緣智能，有助于實現計算機視覺的可擴展、高效、穩(wěn)健、安全和私有的實現。

制造業(yè)中的計算機視覺

在制造業(yè)中，圖像識別應用于人工智能視覺檢測、質量控制、遠程監(jiān)控和系統自動化。

生產力分析

生產力分析跟蹤工作場所變化的影響，員工如何花費時間和資源，并實施各種工具。這些數據可以為時間管理、工作場所協作和員工生產力提供有價值的見解。計算機視覺精益管理策略旨在使用基于相機的視覺系統客觀地量化和評估流程。

工業(yè)制造中的隱私保護計算機視覺

設備外觀檢查

用于視覺檢測的計算機視覺是智能制造的關鍵策略。基于視覺的檢測系統在個人防護設備 (PPE)的自動檢測中也越來越受歡迎，例如面罩檢測或頭盔檢測。計算視覺有助于監(jiān)控建筑工地或智能工廠對安全協議的遵守情況。

質量管理

智能相機應用程序提供了一種可擴展的方法來實現智能工廠中生產過程和裝配線的自動化視覺檢查和質量控制。因此，與費力的人工檢查相比，深度學習使用實時對象檢測來提供更好的結果（檢測精度、速度、客觀性、可靠性）。

與傳統的機器視覺系統相比，人工智能視覺檢測使用的機器學習方法非常穩(wěn)健，不需要昂貴的特殊相機和不靈活的設置。因此，人工智能視覺方法在多個地點和工廠之間具有很強的可擴展性。

技能培訓

視覺系統的另一個應用領域是優(yōu)化工業(yè)生產和人機交互中的裝配線操作。對人類行為的評估可以幫助構建與不同操作步驟相關的標準化行為模型，并評估受過訓練的工人的表現。

通過提高工作績效、提高生產效率（精益優(yōu)化）以及更重要的是發(fā)現危險行為以降低事故率，自動評估工人的行為質量可能是有益的。

癌癥檢測

機器學習被納入醫(yī)療行業(yè)，用于乳腺癌和皮膚癌檢測等目的。例如，圖像識別允許科學家檢測癌性和非癌性圖像之間的細微差異，并診斷來自磁共振成像 (MRI) 掃描和輸入照片的惡性或良性數據。

COVID-19 診斷

計算機視覺可用于冠狀病毒控制。多種深度學習計算機視覺模型可用于基于 X 射線的 COVID-19 診斷。使用數字胸部 X 射線攝影 (CXR) 圖像檢測 COVID-19 病例的最流行的一種稱為COVID-Net，由加拿大達爾文 AI 開發(fā)。

細胞分類

醫(yī)療用例中的機器學習用于對 T 淋巴細胞與結腸癌上皮細胞進行高精度分類。因此，ML 有望顯著加速結腸癌疾病識別過程，并且在創(chuàng)建后幾乎沒有成本。

運動分析

即使沒有醫(yī)生分析，也可以使用深度學習模型和計算機視覺檢測神經和肌肉骨骼疾病，例如即將到來的中風、平衡和步態(tài)問題。分析患者運動的姿勢估計計算機視覺應用程序可幫助醫(yī)生輕松診斷患者并提高準確性。

口罩檢測

蒙面人臉識別用于檢測口罩和防護設備的使用情況，以限制冠狀病毒的傳播。同樣，計算機視覺系統幫助各國實施口罩作為控制冠狀病毒疾病傳播的控制策略。

出于這個原因，優(yōu)步等私營公司已經創(chuàng)建了計算機視覺功能，例如面部檢測，并在其移動應用程序中實施，以檢測乘客是否戴口罩。此類計劃使公共交通在冠狀病毒大流行期間更加安全。

腫瘤檢測

腦腫瘤可以在 MRI 掃描中看到，并且經常使用深度神經網絡檢測到。利用深度學習的腫瘤檢測軟件對醫(yī)療行業(yè)至關重要，因為它可以高精度檢測腫瘤以幫助醫(yī)生做出診斷。

疾病進展評分

計算機視覺可用于識別重癥患者以指導醫(yī)療護理（重癥患者篩查）。發(fā)現感染 COVID-19 的人呼吸更快。

帶有深度攝像頭的深度學習可用于識別異常的呼吸模式，以對感染 COVID-19 病毒的人進行準確且不顯眼的大規(guī)模篩查。

醫(yī)療保健和康復

物理治療對于中風幸存者和運動損傷患者的恢復訓練很重要。主要挑戰(zhàn)與醫(yī)療專業(yè)人員、醫(yī)院或機構的監(jiān)督成本有關。

帶有基于視覺的康復應用的家庭訓練是首選，因為它允許人們在私人和經濟的情況下進行運動訓練。在計算機輔助治療或康復中，可以應用人體動作評估來幫助患者在家訓練，指導他們正確執(zhí)行動作，并防止進一步受傷。探索更多運動和健身應用。

醫(yī)療技能培訓

計算機視覺應用程序用于評估自學平臺上專家學習者的技能水平。例如，已經為外科教育開發(fā)了基于模擬的外科培訓平臺。

此外，動作質量評估技術使得開發(fā)自動評估外科學生表現的計算方法成為可能。因此，可以向個人提供有意義的反饋信息，并指導他們提高技能水平。

農業(yè)中的計算機視覺

動物監(jiān)測

利用計算機視覺進行動物監(jiān)測是智能農業(yè)的關鍵策略。機器學習使用攝像頭流來監(jiān)控特定牲畜（例如豬、?；蚣仪?#xff09;的健康狀況。智能視覺系統旨在分析動物行為以提高動物的生產力、健康和福利，從而影響該行業(yè)的產量和經濟效益。

農場自動化

諸如收獲、播種和除草機器人、自動拖拉機和用于監(jiān)控遠程農場的視覺系統等技術，用于視覺檢查的無人機可以在勞動力短缺的情況下最大限度地提高生產力。通過使用 AI 視覺自動化人工檢查、減少生態(tài)足跡和改進決策流程，可以顯著提高盈利能力。

用于動物監(jiān)測的農業(yè)計算機視覺應用

作物監(jiān)測

水稻、小麥等重要農作物的產量和品質決定了糧食安全的穩(wěn)定性。傳統上，作物生長監(jiān)測主要依靠人的主觀判斷，不及時也不準確。計算機視覺應用程序允許持續(xù)且非破壞性地監(jiān)測植物生長和對營養(yǎng)需求的反應。

與人工操作相比，應用計算機視覺技術對作物生長情況進行實時監(jiān)測，可以更早地發(fā)現作物因營養(yǎng)不良引起的細微變化，為及時調控提供可靠、準確的依據。

此外，計算機視覺應用程序可用于測量植物生長指標或確定生長階段。

開花檢測

小麥抽穗期是小麥作物最重要的參數之一?？梢允褂米詣佑嬎銠C視覺觀察系統來確定小麥抽穗期。

計算機視覺技術具有成本低、誤差小、效率高、魯棒性好、可動態(tài)連續(xù)分析等優(yōu)點。

種植園監(jiān)測

在智能農業(yè)中，無人機圖像的圖像處理可用于遠程監(jiān)控棕櫚油種植園。借助地理空間正射影像，可以確定種植園的哪一部分肥沃，可種植農作物。

還可以確定在生長方面不太肥沃的區(qū)域和完全沒有生長的種植園部分。OpenCV是用于此類圖像處理任務的流行工具。

昆蟲檢測

飛蟲的快速準確識別和計數非常重要，特別是對于害蟲防治。然而，傳統的飛行昆蟲的人工識別和計數效率低且勞動強度大。基于視覺的系統允許對飛行昆蟲進行計數和識別（基于You Only Look Once (YOLO)對象檢測和分類）。

植物病害檢測

疾病嚴重程度的自動和準確估計對于糧食安全、疾病管理和產量損失預測至關重要。深度學習方法避免了勞動密集型的特征工程和基于閾值的圖像分割。

開發(fā)了使用深度卷積神經網絡 (CNN) 應用程序的基于圖像的自動植物病害嚴重程度估計，例如，用于識別蘋果黑腐病。

自動除草

雜草在農學中被認為是有害植物，因為它們與農作物競爭獲取土壤中的水、礦物質和其他養(yǎng)分。僅在雜草的確切位置噴灑殺蟲劑可大大降低污染農作物、人類、動物和水資源的風險。

智能檢測和清除雜草對農業(yè)發(fā)展至關重要?；谏窠浘W絡的計算機視覺系統可用于識別馬鈴薯植物和三種不同的雜草以進行現場特定噴灑。

自動收獲

傳統農業(yè)依賴機械作業(yè)，以人工收割為主，成本高、效率低。但近年來，隨著計算機視覺技術的不斷應用，基于計算機視覺技術的收割機械、采摘機器人等高端智能農業(yè)收割機在農業(yè)生產中應運而生，在農業(yè)生產中邁出了新的一步。自動收割莊稼。

收獲作業(yè)的主要重點是確保收獲過程中的產品質量，以最大限度地提高市場價值。計算機視覺驅動的應用包括在溫室環(huán)境中自動采摘黃瓜或在自然環(huán)境中自動識別櫻桃。

農產品質量檢測

農產品質量是影響市場價格和顧客滿意度的重要因素之一。與手動檢查相比，計算機視覺提供了一種執(zhí)行外部質量檢查的方法。

AI視覺系統能夠以相對較低的成本和高精度實現高度的靈活性和可重復性。例如，基于機器視覺和計算機視覺的系統被用于快速測試甜檸檬損害或馬鈴薯的無損質量評估。

灌溉管理

基于利用技術通過耕作、施肥或灌溉提高土壤生產力的土壤管理對現代農業(yè)生產具有顯著影響。通過圖像獲取有關園藝作物生長的有用信息，可以準確估算土壤水分平衡，實現精準灌溉規(guī)劃。

計算機視覺應用程序提供有關灌溉管理水平衡的寶貴信息。基于視覺的系統可以處理無人機（UAV）拍攝的多光譜圖像并獲得植被指數（VI），為灌溉管理提供決策支持。

無人機農田監(jiān)測

實時農田信息和對該信息的準確理解在精準農業(yè)中發(fā)揮著基礎性作用。近年來，無人機（UAV）作為一種快速發(fā)展的技術，已經允許獲取具有高分辨率、低成本和快速解決方案的農業(yè)信息。

此外，配備圖像傳感器的無人機平臺可提供有關農業(yè)經濟和作物狀況的詳細信息（例如，連續(xù)作物監(jiān)測）。因此，無人機遙感有助于農業(yè)生產的增加和農業(yè)成本的降低。

產量評估

通過計算機視覺技術的應用，實現了農田土壤管理、成熟度檢測、產量估算等功能。此外，現有技術可以很好地應用于光譜分析和深度學習等方法。

這些方法大多具有精度高、成本低、可移植性好、集成性好、可擴展性好等優(yōu)點，可為管理決策提供可靠支持。一個例子是使用計算機視覺通過水果檢測和計數來估計柑橘類作物的產量。

此外，可以通過處理使用無人機獲得的圖像來預測甘蔗田的產量。

交通運輸中的計算機視覺

車輛分類

用于自動車輛分類的計算機視覺應用具有悠久的歷史。幾十年來，用于車輛計數的自動車輛分類技術一直在發(fā)展。深度學習方法使使用普通、廉價的安全攝像頭實現大規(guī)模交通分析系統成為可能。

借助快速增長的廉價傳感器，例如閉路電視 (CCTV) 攝像機、光探測和測距 (LiDAR)，甚至熱成像設備，可以同時在多個車道上檢測、跟蹤和分類車輛。通過將熱成像、LiDAR 成像等多個傳感器與 RGB 攝像頭（普通監(jiān)控、IP 攝像頭）相結合，可以提高車輛分類的準確性。

此外，還有多個專業(yè)；例如，用于工程車輛檢測的基于深度學習的計算機視覺解決方案已被用于安全監(jiān)控、生產力評估和管理決策等目的。

使用對象檢測和分類的車輛檢測和計數

移動違規(guī)檢測

執(zhí)法機構和市政當局正在增加基于攝像頭的道路監(jiān)控系統的部署，以減少不安全的駕駛行為?？赡茏铌P鍵的應用是在危險區(qū)域檢測停止的車輛。

此外，在智慧城市中越來越多地使用計算機視覺技術，這些技術涉及自動檢測違規(guī)行為，例如超速、闖紅燈或停車標志、錯誤駕駛和非法轉彎。

流量分析

交通流分析已被廣泛研究用于智能交通系統 (ITS)，使用侵入性方法（標簽、路面下線圈等）和非侵入性方法（如攝像頭）。

隨著計算機視覺和人工智能的興起，視頻分析現在可以應用于無處不在的交通攝像頭，這可以在 ITS 和智慧城市中產生巨大的影響?？梢允褂糜嬎銠C視覺手段觀察交通流量，并測量交通工程師所需的一些變量。

停車占用檢測

視覺停車位監(jiān)控用于停車場占用檢測。特別是在智慧城市中，計算機視覺應用為基于深度卷積神經網絡 (CNN) 的視覺停車場占用檢測提供分散且高效的解決方案。

存在多個用于停車場檢測的數據集，例如PKLot 和 CNRPark-EXT。此外，基于視頻的停車管理系統已經使用立體成像 (3D) 或熱像儀實施?；跀z像頭的停車場檢測的優(yōu)勢在于大規(guī)模使用的可擴展性、廉價的維護和安裝，特別是因為可以重復使用安全攝像頭。

基于視覺的停車場占用檢測

自動車牌識別 (ALPR)

許多現代交通和公共安全系統依賴于從靜止圖像或視頻中識別和提取車牌信息。自動車牌識別 (ALPR)在許多方面改變了公共安全和交通行業(yè)。

這種車牌識別系統可實現現代收費道路解決方案，通過自動化節(jié)省大量運營成本，甚至在市場上啟用全新的功能（例如警用巡洋艦安裝的車牌讀取裝置）。

OpenALPR是一個流行的自動車牌識別庫，基于對車輛牌照的圖像或視頻輸入的光學字符識別 (OCR)。

車輛重新識別

隨著人員重新識別的改進，智能交通和監(jiān)控系統旨在為使用基于視覺的車輛重新識別的車輛復制這種方法。提供唯一車輛 ID 的傳統方法通常是侵入式的（車載標簽、蜂窩電話或 GPS）。

對于收費站等受控環(huán)境，自動車牌識別 (ANPR)可能是準確識別單個車輛的最合適技術。但是，車牌可能會更改和偽造，并且 ALPR 不能反映車輛的顯著特征，例如標記或凹痕。

基于圖像的識別等非侵入式方法具有很大的潛力和需求，但在實際應用中還遠未成熟。大多數現有的基于視覺的車輛重新識別技術都是基于車輛外觀，例如顏色、紋理和形狀。

今天，識別汽車品牌或年份型號等細微的、獨特的特征仍然是一個未解決的挑戰(zhàn)。

行人檢測

行人的檢測對于智能交通系統 (ITS) 至關重要。用例范圍從自動駕駛到基礎設施監(jiān)控、交通管理、交通安全和效率以及執(zhí)法。

行人檢測涉及多種類型的傳感器，例如傳統的閉路電視或 IP 攝像頭、熱成像設備、近紅外成像設備和車載 RGB 攝像頭。人檢測算法或人檢測器可以基于紅外簽名、形狀特征、梯度特征、機器學習或運動特征。

依靠深度卷積神經網絡 ( CNN ) 的行人檢測取得了重大進展，即使是在檢測嚴重遮擋的行人時也是如此。

基于深度學習進行行人檢測

交通標志檢測

計算機視覺應用程序用于交通標志檢測和識別。視覺技術用于從不同的交通場景中分割交通標志（使用圖像分割），并采用深度學習算法來識別和分類交通標志。

防撞系統

車輛檢測和車道檢測是最先進的駕駛員輔助系統 (ADAS) 不可或缺的一部分。深度神經網絡最近被用于研究深度學習及其在自主防撞系統中的應用。

路況監(jiān)測

開發(fā)了基于計算機視覺的缺陷檢測和狀況評估來監(jiān)控混凝土和瀝青土木基礎設施。路面狀況評估提供了信息，以使有關路面網絡管理的更具成本效益和一致的決策。

通常，路面遇險檢查是使用復雜的數據收集車輛和/或地面測量進行的。開發(fā)了一種用于開發(fā)瀝青路面狀況指數的深度機器學習方法，以通過計算機視覺提供一種獨立于人類、廉價、高效和安全的自動路面故障檢測方法。

計算機視覺的另一個應用是對道路進行視覺檢查，以檢測道路坑洼并分配道路維護，以減少相關車輛事故的數量。

基礎設施狀況評估

為確保民用基礎設施的安全性和可用性，目視檢查和評估其物理和功能狀況至關重要。基于計算機視覺的民用基礎設施檢查和監(jiān)控系統自動將圖像和視頻數據轉換為可操作的信息。

計算機視覺檢測應用程序用于識別結構部件、表征局部和全局可見損傷，并檢測參考圖像的變化。這種監(jiān)測應用包括應變和位移的靜態(tài)測量以及模態(tài)分析的位移動態(tài)測量。

駕駛員注意力檢測

分心駕駛檢測——例如做白日夢、使用手機和看車外的東西——占全球道路交通死亡人數的很大一部分。人工智能用于了解駕駛行為，找到減輕道路交通事故的解決方案。

道路監(jiān)控技術用于觀察乘客車廂違規(guī)行為，例如，在道路監(jiān)控中基于深度學習的安全帶檢測中。車載駕駛員監(jiān)控技術側重于視覺傳感、分析和反饋。

駕駛員行為既可以直接從面向駕駛員的內部攝像頭推斷，也可以從外部面向場景的攝像頭或傳感器間接推斷?；诿嫦蝰{駛員的視頻分析技術通過凝視方向、頭部姿勢估計和面部表情監(jiān)測算法來檢測面部和眼睛。

人臉檢測算法已經能夠檢測出注意力集中和注意力不集中的面孔。深度學習算法可以檢測聚焦和不聚焦的眼睛之間的差異，以及在影響下駕駛的跡象。

用于實時分心駕駛員姿勢分類的多個基于視覺的應用程序與多種深度學習方法（RNN 和 CNN）用于實時分心檢測。

用于車輛計數的計算機視覺應用

零售業(yè)的計算機視覺

客戶跟蹤

深度學習算法可以實時處理視頻流，以分析零售店的客流量?；跀z像頭的方法允許重復使用普通、廉價的安全監(jiān)控攝像頭的視頻流。機器學習算法以匿名和非接觸方式檢測人員，以分析在不同區(qū)域花費的時間、等待時間、排隊時間，并評估服務質量。

客戶行為分析有助于改善零售店布局、提高客戶滿意度并客觀量化多個地點的關鍵指標。

計算機視覺生成熱圖來分析客戶行為和人

人數統計

計算機視覺算法使用數據示例進行訓練，以檢測人類并在檢測到人類時對其進行計數。這種人數統計技術對于商店收集有關其商店成功的數據很有用，也可以應用于有關 COVID-19 的情況，即一次允許有限數量的人進入商店。

盜竊檢測

零售商可以使用自動分析場景的計算機視覺算法檢測可疑行為，例如游蕩或進入禁區(qū)。

等待時間分析

為了防止不耐煩的顧客和無休止的等候隊伍，零售商正在實施排隊檢測技術。隊列檢測使用攝像頭來跟蹤和統計排隊的購物者人數。一旦達到客戶的門檻，系統就會發(fā)出警報，要求店員打開新的結賬。

社交隔離

為了確保遵守安全預防措施，公司正在使用距離探測器。攝像頭跟蹤員工或客戶的移動，并使用深度傳感器來評估他們之間的距離。然后，根據他們的位置，系統會在人周圍畫一個紅色或綠色的圓圈。通過深度學習了解更多關于社交距離監(jiān)控的信息。

使用計算機視覺進行社交距離檢測

運動中的計算機視覺

玩家姿勢追蹤

AI 視覺可以識別視頻片段或實時視頻流中的多幀人體運動和姿勢之間的模式。例如，人體姿勢估計已應用于游泳者的真實世界視頻，其中單個固定攝像機在水面上方和下方拍攝。這些視頻記錄可用于定量評估運動員的表現，而無需手動注釋每個視頻幀中的身體部位。因此，卷積神經網絡用于自動推斷所需的姿勢信息并檢測運動員的游泳方式。

無標記動作捕捉

相機使用深度學習的姿勢估計來跟蹤人體骨骼的運動，而無需使用傳統的光學標記和專用相機。這在運動捕捉中至關重要，在這種情況下，玩家不會被額外的表演捕捉服裝或設備所累。

在醫(yī)療保健應用中使用深度學習進行姿勢

績效評估

運動特定動作的自動檢測和識別克服了與手動性能分析方法相關的限制（主觀性、量化、可重復性）。計算機視覺數據輸入可與穿戴式傳感器和可穿戴設備的數據結合使用。流行的用例是游泳分析、高爾夫揮桿分析、地面跑步分析、高山滑雪以及板球保齡球的檢測和評估。

足球計算機視覺球和運動中的球員檢測

多人姿勢跟蹤

使用計算機視覺算法，可以從單目（單攝像頭鏡頭）和多視角（多個攝像頭鏡頭）運動視頻數據集計算多個團隊成員的人體姿勢和身體運動。估計運動中多名運動員的 2D 或 3D 姿勢的潛在用途是廣泛的，包括性能分析、動作捕捉以及廣播和沉浸式媒體中的新應用。

中風識別

計算機視覺應用程序能夠檢測和分類擊球（例如， 乒乓球中的擊球分類）。運動識別或分類涉及對已識別實例的進一步解釋和標記預測（例如，將網球擊球區(qū)分為正手或反手）。

中風識別旨在為教師、教練員和運動員提供工具來分析乒乓球比賽并更有效地提高運動技能。

基于深度學習的姿勢估計進行玩家跟蹤

實時輔導

基于計算機視覺的體育視頻分析有助于提高資源效率并減少時間限制任務的反饋時間。參與時間密集型符號任務的教練和運動員，包括游泳賽后分析，可以在賽事計劃的下一場比賽之前從快速、客觀的反饋中受益。

運動鍛煉的自我訓練系統是最近出現的一個類似的計算機視覺研究課題。雖然自我訓練在體育鍛煉中必不可少，但練習者可能在沒有教練指導的情況下取得有限的進步。

例如，一個瑜伽自我訓練應用程序旨在指導練習者正確執(zhí)行瑜伽姿勢，幫助糾正不良姿勢并防止受傷。此外，基于視覺的自我訓練系統可用于指導如何調整身體姿勢。

運動隊分析

專業(yè)團隊運動的分析師定期進行分析，以獲得對球員和團隊行為的戰(zhàn)略和戰(zhàn)術洞察力（識別弱點、評估表現和提高潛力）。然而，手動視頻分析通常很耗時，分析師需要記住和注釋場景。

計算機視覺技術可用于從視頻材料中提取軌跡數據，并應用運動分析技術為區(qū)域、團隊形成、事件和球員分析（例如，在足球團隊運動分析中）得出相關的團隊運動分析措施。

球追蹤

實時對象跟蹤用于檢測和捕獲對象的運動模式。球的軌跡數據是評估球員表現和分析比賽策略的最基本和最有用的信息之一。因此，球運動的跟蹤是深度學習和機器學習的一種應用，用于檢測并跟蹤視頻幀中的球。

例如，球跟蹤在大范圍運動（例如足球）中很重要，可以幫助新聞播音員和分析師更快地解釋和分析體育比賽和戰(zhàn)術。

球門線技術

基于攝像頭的系統可用于確定是否進球，以支持裁判的決策。與傳感器不同，基于 AI 視覺的方法是非侵入性的，不需要對典型的足球設備進行更改。

這種球門線技術系統基于高速攝像機，其圖像用于對球的位置進行三角測量。一種球檢測算法，它分析候選球區(qū)域以識別球圖案。

運動中的事件檢測

深度學習可用于檢測非結構化視頻中的復雜事件，例如在足球比賽中進球、未遂事件或比賽中其他不得分的激動人心的部分。該技術可用于體育轉播中的實時事件檢測，適用于廣泛的野外運動。

亮點生成

制作體育賽事集錦是一項勞動密集型工作，需要一定程度的專業(yè)化，尤其是在具有一套復雜規(guī)則且需要長時間比賽的體育項目中（例如，板球）。一個應用示例是使用事件驅動和基于興奮的功能自動生成板球比賽亮點，以識別和剪輯板球比賽中的重要事件。

另一個應用是使用具有計算機視覺的多模型興奮功能自動管理高爾夫亮點。

體育活動評分

深度學習方法可用于體育活動評分，以評估運動員的動作質量（Deep Features for Sports Activity Scoring）。例如，自動體育活動評分可用于跳水、花樣滑冰或跳馬（ScoringNet是用于體育活動評分的 3D CNN 網絡應用程序）。

例如，潛水評分應用程序通過評估運動員潛水表現的質量得分來工作：在整個潛水過程中，運動員的雙腳是否并攏以及腳趾是否筆直都很重要。

總結

以上是生活随笔為你收集整理的AI 机器视觉/计算机视觉系统在行业中的应用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。