2019/4/10

• 工厂安全管理究竟该如何自处？
• 3月21日14时许，江苏盐城市响水县的陈家港镇化工园区内江苏天嘉宜化工有限公司发生大型爆炸事故。截至目前，搜救工作已基本结束，事故已造成78人死亡，共有住院治疗伤员566人，其中危重伤员13人、重症伤员66人，另有部分群众不同程度轻伤。 据危化监管司近年发布的全国化工事故分析报告显示，2016年至2018年3年间，全国共发生620起化工事故，造成728人死亡。 公开信息显示，涉事企业江苏天嘉宜化工有限公司自2016年起2年内，就已陆续因违反固体废物管理制度、环境影响评价制度、大气污染防治管理制度等受到来自当地环保局的7次处罚。罚款金额从5w到53w不等。 “真假整改” 和 “阴奉阳违” 事实上，最近一次的查处中，从“无巡检制度”“重大危险源区无紧急保护”到“监控室违规设置”“安全措施无确认人”“警示标识不足/模糊”“可燃气体无现场光报警”等——天嘉宜从危险源管理，到生产作业、安全措施防控，几乎处处是漏洞。 甚至其中的警示标志问题，早在2015年就已被通报整改过，3年后却仍然存在。 相关报道称，据119接线员透露，此次发生爆炸的是厂内一处生产装置，爆炸物质为苯，事故具体原因仍在调查。但不可轻视的是，对于化工生产企业而言，任何“带病工作”都可能导致无可挽回的生命事故，和安全防线的全面崩溃。 企业本身缺乏安全意识，内部监管人员失察，对官方督查整改“阳奉阴违”。本次事故远无法轻飘的只用一句“整改不力”带过。 事实上，在生命安全面前，造成如今许多工厂安全管理困局的许多并不是“管不管”的是非题，而是在有限投入的前提下，“如何管”——怎样迅速确认全厂多点位生产装置的安全状态？ 谁来补齐人为看管的漏洞？ 如何简化多层级的复杂管理流程？ 怎样保证监管人员的客观值守？ ……利用摄像头与AI技术实现全厂人&物互联，打造有能力实现「自我纠察+自动应急处理」的工厂有机体，让一切违规事故有源可溯，将潜在危险扼杀在萌芽状态。这正是如今我们利用AI技术建立「智慧工厂」的核心目的。 在实际操作中，依据不同场景需求，搭载不同AI应用功能的摄像头，能自动识别如安全帽佩戴，危险区域翻越，反光衣/长袖工作服正确穿着，气体管道高温异常，异常火焰等等行为状态。 一系列工厂事故频发背后，除了“安全意识不足”与“整改不力”之外，更是进一步暴露出了我们漏洞频出的安防制度，不透明的监督执行问题等等。科学化、自动化的厂区安全建设迫在眉睫。在生命安全的大前提下，安全监管的红线不可越过一寸。

2019/3/27

• “智慧工地”是什么
• 2017年《关于促进建筑业持续健康发展的意见》，提出推进建筑产业现代化，用科技手段促进建筑产业发展，深度融合建成“智慧工地”。 据智研咨询发布的报告，2018年我国智慧工地行业市场规模达到99.1亿元，同比增长24.03%。 建筑行业是我国国民经济的重要部门和支柱产业同时建筑业也是一个安全事故多发的高危行业全国建筑业共发生安全事故1732起、死亡1752人如何加强施工现场安全管理、降低事故频率、是所有企业与政府部门亟待解决的问题

2019/3/10

• 什么是AI思维？
• 什么是AI思维？ 通俗来讲，"AI"思维就是借助AI的知识去引导自己的做事方法以及工作模式的一种能力。比如这种思维会指导我们怎么排事情的优先级、怎么定义策略、怎么迭代产品等等。打个比方，AI思维里一个很重要的点是“迭代”思维，也就是做事情要遵循小步快跑。没有人一开始就可以做到十全十美，而且这个时代已经不像之前，外部的变化极其快。所以我们需要通过小步快跑的方式，在吸取反馈的情况下迅速迭代以及完善产品，同时要最小化试错成本。如果对AI比较熟，应该都知道这种思维模式跟bandit算法或者增强学习比较相似。 2019年必定是全民AI的元年 任何新技术的发展都会经历几个阶段，比如迅速发展到泡沫，泡沫破裂到理性。过去两三年是很多人在了解AI的阶段，这里包括大批观望的人。只有少数有觉悟的人，才会用行动去抓住这个风口红利来迅速提升自己。2019年必将是全民AI的元年，也就说会有大批的人会开始试图用AI知识来武装自己。如果还没有加入到这个行列，过1-2年估计就真的晚了。

2019/3/6

• 计算机视觉的简单介绍
• 计算机视觉是最强大和引人注目的AI之一，你几乎肯定会以各种方式体验过它，当时却不知道。 今天我们来好好研究一下它，包括它的工作原理以及它如此出色的原因（而且只会变得越来越好）。 计算机视觉属于计算机科学领域，其重点是复制一部分人类视觉系统的复杂性，并使计算机能够以与人类相同的方式识别和处理图像和视频中的对象。 直到目前，计算机视觉仍然以有限的能力发挥着作用。得益于人工智能的进步以及深度学习和神经网络的创新，该领域近年来取得了长足的飞跃，并且在与检测和标记物体有关的某些任务中已经超越人类。 计算机视觉增长背后的驱动因素之一是我们今天生成的数据量，这些数据随后被用来训练和改善计算机视觉。伴随着大量的可视数据（每天在线共享30亿张图像），现在可以访问分析数据所需的计算能力。 随着计算机视觉领域的发展、新硬件和算法的进步，物体识别的准确率也随之提高。 在不到十年的时间里，当今的系统已从50％的精度达到了99％的精度，使它们在对视觉输入做出快速反应时比人类更准确。 早期的计算机视觉实验始于1950年代，到1970年代首次在商业上用于区分打字文本和手写文本，如今计算机视觉的应用呈指数增长。到2022年，计算机视觉和硬件市场预计将达到486亿美元。

2019/2/27

• 计算机视觉如何工作？
• 计算机视觉如何工作？ 神经科学和机器学习中的主要开放问题之一是：我们的大脑究竟如何工作，如何用我们自己的算法更加接近它？ 现实情况是，目前缺少全面有效的大脑计算理论。 因此，尽管事实上神经网络应该“模仿大脑的运作方式”，但没人能确定这是否真的成立。同样的悖论在计算机视觉中也适用。由于我们尚未决定大脑和眼睛如何处理图像，因此很难说生产中使用的算法能很好地逼近我们内部的心理过程。 在某种程度上，计算机视觉与模式识别有关。因此，训练计算机如何理解视觉数据的一种方法是，将大量的图像-成千上万个图像（如果可能的话）、已标记的图像馈送给它，然后使它们经受各种允许计算机追踪的软件技术或算法，找到与这些标签相关的所有元素中的图案。 因此，如果你向计算机喂入一百万张猫的图像，它将使它们全部受算法影响，从而使它们能够分析照片中的颜色，形状，形状之间的距离，物体彼此相邻的位置等等，以便可以识别“猫”的含义。完成后，如果再投放其他未标记的图像来查找属于猫的图像，则计算机（理论上）将能够利用其经验。 一幅图像需要大量内存，而算法要迭代需要很多像素。但是，要以有意义的精度训练模型，尤其是在你谈论深度学习时，通常需要成千上万张图像，并且更多。

2019/2/19

• 人工智能视觉的演变
• 人工智能视觉的演变 在深度学习出现之前，计算机视觉可以执行的任务非常有限，并且需要开发人员和人工操作人员进行大量的手工编码和工作。例如，如果要执行面部识别，则必须执行以下步骤： 创建数据库：你必须以特定格式捕获要跟踪的所有主题的单个图像。 注释图像：然后，对于每个单独的图像，你都必须输入几个关键数据点，例如眼睛之间的距离，鼻梁的宽度，上唇和鼻子之间的距离以及数十种定义独特特征的其他度量每个人。 捕获新图像：接下来，你必须捕获新图像，无论是照片还是视频内容。然后，你必须再次执行测量过程，在图像上标记关键点。你还必须考虑拍摄图像的角度。 经过所有这些手动工作，应用程序最终将能够将新图像中的测量结果与数据库中存储的测量结果进行比较，并告诉你它是否与它正在跟踪的任何配置文件相对应。实际上，涉及的自动化很少，大部分工作都是手动完成的。而且误差幅度仍然很大。 机器学习提供了解决计算机视觉问题的另一种方法。通过机器学习，开发人员不再需要将每个规则手动编码到他们的视觉应用程序中。相反，他们编写了“功能”，这些较小的应用程序可以检测图像中的特定图案。然后，他们使用统计学习算法（例如线性回归，逻辑回归，决策树或支持向量机（SVM））来检测模式，对图像进行分类并检测其中的对象。 机器学习帮助解决了许多传统软件开发工具和方法历来具有挑战性的问题。例如，几年前，机器学习工程师能够创建一种可以比人类专家更好地预测乳腺癌生存期的软件。但是，构建软件的功能需要数十名工程师和乳腺癌专家的努力，并且花费了大量的时间进行开发。 深度学习为进行机器学习提供了根本不同的方法。深度学习依赖于神经网络，这是一种通用功能，可以解决通过示例表示的任何问题。当你为神经网络提供特定类型数据的许多带标签的示例时，它将能够提取这些示例之间的常见模式并将其转换为数学方程式，从而有助于对将来的信息进行分类。 例如，使用深度学习创建面部识别应用程序只需要你开发或选择一种预先构建的算法，然后使用必须检测的人脸示例对其进行训练。给定足够的示例（大量示例），神经网络将能够检测面部，而无需进一步说明特征或测量。 深度学习是进行计算机视觉的一种非常有效的方法。在大多数情况下，创建良好的深度学习算法归结为收集大量带标签的训练数据并调整参数，例如神经网络和训练时期的类型和层数。与以前的机器学习类型相比，深度学习的开发和部署既简单又快速。 当前大多数计算机视觉应用程序（例如癌症检测，自动驾驶汽车和面部识别）都利用深度学习。由于可用性以及硬件和云计算资源的进步，深度学习和深度神经网络已从概念领域转变为实际应用。

2019/2/13

• 通常智能视觉解密图像需要多长时间
• 通常智能视觉解密图像需要耗费的时间不多。这就是为什么计算机视觉如此令人兴奋的关键：在过去，即使是超级计算机也可能需要数天、数周甚至数月的时间才能完成所有所需的计算，而当今的超高速芯片和相关硬件以及快速可靠的互联网和云网络，使计算过程如闪电般快速。许多从事AI研究的大公司愿意共享他们的工作，比如Google，IBM和Microsoft，特别是通过开源一些他们的机器学习。 这样一来，其他人就可以继续工作，而不是从头开始。因此人工智能行业正在不断发展，不久前进行的实验需要花费数周的时间才能运行，而今天的实验可能需要15分钟。对于计算机视觉的许多实际应用，此过程都在几微秒内连续发生，因此当今的计算机能够成为科学家所谓的“情境感知”。