2022“域见杯”医检人工智能开发者大赛RANK9分享

8.22版本MML里面显示文件服务起状态是configured and disconnected通过DSP FSSTAT检查文件服务器状态是检查NFS情况是正常的检查文件服务器配置正常检查盘符正常

请问谁有《IPC V200R003C00 智能元数据结构设计说明书》？谢谢！

一、方法探索1. Baseline•方法将原图resize到224×224，训练resnet50分类器；•存在问题原图较大，而病变细胞相对原图来说所占面积很小，直接进行resize会导致信息丢失2. 先切片，再分类•方法将原图中的病变细胞以224×224的尺寸抠出，再去训练分类器，测试时将原图以224×224的尺寸均匀切片，依次传入分类器，综合所有切片分类结果得到最终决策；•存在问题由于分类模型泛化能力不足，以及等分切片很难保证将病变细胞完整地包含在小切片中，因此，在测试阶段，同一张图的小切片中会存在大量假阳，严重降低最终决策准确率。3. 先分割，再分类•方法先训练一个分割模型，分割模型只分割病变细胞，不区分病变种类，根据分割mask将置信度较大的区域抠出，然后训练分类器；•存在问题由于测试阶段有时间限制，只能使用轻量分割模型，导致分割准确率较低，会产生较多假阳样本，干扰最终分类，且模型泛化能力弱，测试准确率较低。4. 总结(1) 使用轻量Unet，减少分割时间；(2) 训练阶段进行数据增强；(3) 分类阶段使用多模型；(4) 使用随机森林进行最终决策。二、方法介绍1. 网络结构2. Unet•为避免超时，减少网络通道数；• Unet只分割病变细胞，不区分病变种类，因此输出通道数为1；• Unet输出特征图置信度大于阈值的像素标记为1，其余为0，得到mask；• 计算mask的连通区域，在原图中以每个连通域为中心抠出224×224的patch。3. 生成训练分类器的数据集•对于含有病变细胞的图片：计算IoU1IoU_1和IoU2IoU_2，当两者都大于0的时候，该patch的分类标签对应于人工标注标签，当IoU1>0,IoU2<0IoU_1>0,IoU_2<0时，丢弃该patch，当IoU1<0,IoU1<0时IoU_1<0,IoU_1<0时，该patch的分类标签赋为阴性。• 对于正常细胞图片：输入到训练好的Unet，以同样的方式得到所有满足条件的连通域，并扩展为224×224的patch，分类标签赋为阴性。    •以上两步得到的正负样本数量不均衡，正样本数量远少于负样本数量，因此，再根据人工标签将所有病变细胞抠出加入到数据集中。4. 训练分类器：ResNet50 & ViT•输入： B×3×224×224• 输出：四类细胞的概率值，GT：NILM: 0, ASC-US&LSIL: 1, ASC-H&HSIL: 2, SCC&AdC: 3• 数据增强：自适应直方图均衡、随机旋转90度、转置、RGB平移、垂直翻转、水平翻转、随机饱和度、随机对比度等等。• 训练设置：Pretrained model, Adam(β1 = 0.9, β2 = 0.999, lr=0.0001), lr_scheduler.ReduceLROnPlateau, CrossEntropyLoss, nepoch=(30 for ResNet50, 40 for ViT-small)5. 决策器：Random Forest三、实验结论•在所有数据上训练Unet，用Val的阳性图片来评估分割模型，此处并未使用传统的分割评价指标，而是使用生成Patches的召回率评估模型。•同时考虑准确率和每张图分割的patches数量的平均值（防止分类超时），选择训练最优的分割模型。•Acc-Patch：预测正确的阳性patches数量 / 所有阳性patches数量•Acc-Image：包含一个阳性patch的图片数量 / 阳性图片总数•Patches/Image：预测的patches总数 / 阳性图片总数分类结果

非常感谢！！！金域医学联合华为举办这场《2022“域见杯”医检人工智能开发者大赛》疯狂比赛的那段时光，现在还历历在目，“疯狂”，“废寝忘食”，“彻夜难眠”，用这几个词形容一点都不为过通过比赛即可以在自己的专业方向和高水平的团队巅峰对决，弥补自己再专业方向不足之处，又可以获得一份荣誉和现金奖励作为一个即将毕业的研究生，这是求职很好的敲门砖，为能进更好的企业做铺垫接下来是经验分享，有兴趣的童鞋，可以看看，谢谢捧场!!!竞赛题目：本赛题任务是对DCCL宫颈深部细胞学病变（Deep Cervical Cytological Lesions）图像数据库中的7种细胞分为4个类别（NILM、ASC-US&LSIL、ASC-H&HSIL、SCC&AdC，见“数据说明”部分）进行分类。赛题数据： 数据集包含 8619 张宫颈细胞学图片，图片中总共包含7种细胞，其基本信息如下图所示。同时数据包含多种分辨率:2118*1270、4000*2400等。  当前图像分类模型的研究多针对特征明显的单一尺度数据，此次比赛的数据属于弱特征多尺度数据解题思路： 探索性数据分析：整体方案:传统宫颈深部细胞学病变分类方法多基于手工提取特征进行分类模型构建，本次比赛的数据属于弱特征多尺度数据，手工提取特征困难。本方法采用了基于ConvNeXt和多种数据增强的基本思路，其在免除大规模特征工程的同时具有准确率高、鲁棒性强的特点研究难点(结合具体数据集)1.训练数据特征较弱（抗干扰）;2.AB数据集尺度不同（适应性）;3.模型预测准确有效（准确性）。数据预处理网络设计与训练​​​​​​​数据预处理推理优化​​​​​​​总结​​​​​​​数据预处理数据预处

前言 大家好，我是“彩虹童子”赛队的队长，比赛前期曾用名“为人类医疗做贡献”，然后中期排名掉到后面了自觉我不配😀，于是换了“彩虹童子”的名字，出自最近在看的一本推理小说。 这次也是单人参赛，有幸拿下第一，在此做个简单的分享，我的GitHub主页：https://github.com/fire717， 欢迎多多交流、互相学习。  分享 首先是简单的赛题分析，给出的标签是4分类的类别标签，数据量略偏少。 然后做个简单的EDA，初步感受是第四类数量较少，可能存在数量不平衡的问题，右下角是前期模型计算的混淆矩阵，可以看出反而是前三类比较不好区分（当然跟第四类本身数量少有关系，只是说明数量不平衡没那么严重）。 尺寸整体比较平均，但是也分布在多个不同的尺寸。 接着就是建模了，中期尝试了回归、多标签的方案，其中多标签在a榜也取得了不错的成绩。 Why 回归：四种细胞其实对应了不同的疾病严重程度，单纯的多分类对每个类别是不做区分的，而实际意义上，正常和低级病变的类间距，应该要小于正常到癌变的类间距才是合理的； Why 多标签：这是细胞粒度的分类，但是标签确实图片粒度的，即同一张图上，可能存在正常、低级、高级、癌变四种细胞，但是只取最严重的癌变作为图片的标签，这样也就丢失了信息。 但是最后还是选择了普通的多分类方案，一是标签没有给出那么细的粒度，我尝试自己研究了下各类细胞特征，找了不少文档资料，但是发现还是比较难；二是为了方便优化，可能这就是所谓的大道至简吧。  然后就是一些常见的炼丹操作了。 之前不少比赛项目都尝试过冻结，这还是第一次涨点，我的认知是模型容量、复杂度和任务难度、数据量等都是需要相互匹配的，这个赛题数据量不多，且线上线下有巨大的gap，因此尝试了下冻结前面的conv层，效果还可以。 最后是喜闻乐见的消融实验环节，这里只有后四个是在b榜的真实分数，前面的都是根据a榜的分差换算到b榜的估计分数。 初赛的时候不知道复赛的内容，就在早期跑过一次全量数据，后面一直没用全量数据跑，复赛发现就加了200数据，于是自己换了全量数据训练就上去了。  感想 工作中主要从事智能安防领域，第一次参加医疗AI的项目，收获很多，也深觉这个方向有巨大的意义，感谢广州市科学技术局、金域医学以及华为云提供的这次机会，也希望有一天能看到医疗AI普惠到千万家庭中去。 

赛题回顾以宫颈癌筛查为主题，提供近1万张辅以病理医生专业标注的宫颈细胞学图片。选手利用这些图片及标注开发人工智能分类算法，判断图片中细胞的病变程度，最后根据分类的准确程度进行排名。 有以下几个比赛要点：宫颈深部细胞学病变图像数据库中的7种细胞分为4个类别（NILM、ASC-US&LSIL、ASC-H&HSIL、SCC&AdC）；以严重程度最高的病变细胞的类别作为该图片的标签；使用图片识别准确率（recognition accuracy）作为评价指标；基于ModelArts提交模型，限制1小时内完成推理；允许对数据进行额外标注（补充条款）。注意到第5条补充条款，主办方给的是分类的数据，但是允许额外标注，比如标注分割或者检测，则标签的粒度会更细，可转换为分割+分类，或者是检测+分类问题，理论上准确率会更高，有部分选手采用此方案，限于本人的非医学背景，放弃该方案。数据分析数据初探上图是官方给出的细胞类别，包括3大类的7种细胞：鳞状上皮内癌前病变细胞、癌症细胞和未见上皮内病变或恶性肿瘤的细胞； 根据病变程度合并相近的种类，最终得到4大类：NILM、ASC-US&LSIL、ASC-H&HSIL、SCC&AdC。观察4个类别图片，容易得出以下简单结论：细胞形态多样化，无法单纯依靠颜色进行区分；非专业人士很难进行检测框标注，额外标注使用目标检测的方案不现实；病变目标占比很小，不易区分。数量分布对训练数据进行统计通过观察数据分布，可以得出以下结论：类别分布不均衡，比例大致为5:9:4:1癌变细胞SCC&AdC数量最少，只有435张可能为长尾问题尺寸分布对于训练图片的大小，有以下结论：数据集中存在多种分辨率图片，且分辨率较大；数据集的图片宽高比集中，约为1.67。数据集特点总结存在多种分辨率的图片，图片比例几乎一致，宽：高=1.67；癌变细胞SCC&AdC数量相对较少，可能存在长尾问题；图片分辨率大，但是病变目标占比小，不易区分；细胞形态比较多，训练集总数只有8千多张；非专业人士无法进行额外标注。方案设计模型选择问题1：什么样的模型精度高且速度快？方案：从ImageNet的benchmark选取几个最优作为候选，实验后选择ConvNeX-T. 同颜色表示同家族模型，圆圈越大表示FLOPS越高，计算量越大；同等计算量下，ConvNeXt精度优于Swin和ViT；在比赛数据集上，相同输入大小和数据增强下，ConvNeXt的确优于Swin和ViT。经验：兼顾速度与精度，ImageNet上的表现依旧值得参考！问题2：更大的模型还是更大的输入？方案：同等计算量下，更大的输入提升更多，选择600x960的输入+ConvNeXt-T模型。 对于同一个模型，在不超时的情况下，输入越大越好！保持输入宽高比在1.67左右。数据增强问题3：如何通过数据增强提高泛化性？方案：RandomGridShuffle、Random Horizontal Flip、 Random Vertical Flip输入宽高比为1.6，近似于3:2，固选择水平方向平均切割3份，竖直方向平均切割2份，随机打乱后重组，概率为0.1；水平翻转，概率为0.5；垂直翻转，概率为0.5。RandomGridShuffle概率不应过大，否则会生成大量不合理的样本，产生副作用！尝试过的其它方案：Resize + RandomCrop，几乎无作用；Random Brightness，几乎无作用；ColorJitter，改变图像对比度，亮度，色彩等，分数下降较多。可能原因：RandomCrop 对数据多样性增加较少；该数据集的分类对颜色比较敏感，过度使用可能会产生不合理样本，导致学习错误特征。损失函数问题4：选用何种损失函数，是否加权解决长尾问题？方案：使用交叉熵（Cross Entropy），不加权。可能原因本数据集的长尾问题并不是非常严重，总体比例为5:9:4:1，没有数量级的差距；线下训练集的数据分布和线上测试集的数据分布不一致，导致加权参数不正确，没有起到作用。训练策略问题5：如何训练保证模型快速收敛且具有更高的精度？方案：经验参数+实验，训练方法很重要！LR：3e-4Warm up: exp for first 3 epochs优化器：AdamWBatch size: 24Scheduler: ConsineAnnealingEpochs: 30尝试过的其它策略：原图分辨率较大，通过将大图分割成小块，分别输入网络学习冻结部分模型参数，使用训练数据fine-tuningBatchMixup、BatchCutMix标签平滑Label Smooth训练框架使用mmclassification进行训练；数据预处理、数据增强、模型、损失函数、优化器等功能完备；配置文件模块化，不用修改训练代码，专注优化策略。线上推理使用对象存储提交模型包推理，提供customize_service.py、model、config.json，流程简单，安装依赖较慢；使用自定义Docker镜像方式，FastAPI封装http接口，提交自定义镜像，无需线上安装依赖，启动速度快。经验总结进行数据分析是一个良好开端，可以提取有用信息指导后续模型选择以及策略开发，做到有的放矢；站在巨人的肩膀上工作，开源数据集上的基准测试对模型选择有很大的参考意义，可以节省时间，快速决策；适合方为好，根据实际数据选择合适的数据增强，才能提高泛化性，一味堆砌只会失去方向，一次添加一种，大胆假设，小心求证；多总结业内通用做法，可以少走弯路，同一模型，采取不同的优化方法差异较大，不合适的训练策略可能让你与好模型失之交臂。展望人工智能与生物医学学科交叉人才稀少，限制了人工智能技术在生物医学领域的应用，本次医检人工智能大赛吸引更多人工智能人才加入医疗领域，推动了医检乃至医疗行业向智慧医疗迈进；金域医学深耕医检领域28年，拥有全国最多的专业病理医生团队，积累了千万级别的宫颈癌筛查数据，在业界有得天独厚的数据优势。希望下一届比赛可以共享更多数量、种类的标注数据，探索更加精准、场景更加广阔的行业应用；华为云的ModelArts是面向开发者的一站式AI开发平台，本次比赛提供了易用的部署推理服务，希望下一次比赛能体验端到端的人工智能模型开发流程，共同推动国产人工智能平台的发展。

图计算作为人工智能领域前沿技术，正悄然成为产业界，乃至学术界的关注重点。财联社《TMT时报》8月28日讯（记者 郭辉），图计算作为人工智能领域前沿技术，正悄然成为产业界，乃至学术界的关注重点。在产业应用方面，华为、蚂蚁、阿里、腾讯、AWS等公有云、数据库等领域的巨头，正在大步推进图计算的商业化与应用场景探索。《科创板日报》记者了解到，蚂蚁集团早在2015年就开始布局图计算技术，设置了专门研发团队，并在此前联合清华大学，高调发布国内业界首个在大规模图上提供实时服务的图计算平台TuGraph。华为则与华中科技大学进行合作，成立数据中心架构创新中心，推出新型高性能图计算平台图引擎EGS。一级市场近年掀起一股图计算的创业与投资热潮。根据CB Insights数据，过去三年时间国内外共有近15家企业获得了超过20笔融资，其中海外知名图数据库企业Neo4j在2021年6月的F轮融资中获得3.25亿美元投资，成为数据库历史上最大的一笔投资。国内来看，则有欧拉认知、Ultipa、创邻科技、欧若数网等多家初创企业，获得招银国际、经纬创投、红点中国等多家知名机构青睐。在学术研究领域，《科创板日报》记者从一位国内Top级高校计算机学院青年学者了解到，围绕图计算技术，学界已经形成AI制药、AI预训练技术等学术热点。图计算是什么？有哪些商业化应用的前景？哪些行业或环节有机会从中受益？目前业界在实践中遇到了哪些痛点？《科创板日报》记者日前参加了一场图计算主题研讨活动，多位来自业界或学界资深人士分享了他们的最新观点。“图计算”中“图”（graph）的概念源自数学中的一门课程“图论”。图计算是研究人类世界的事物和事物之间的关系，对其进行描述、刻画、分析和计算的一门技术，而图数据能够更自然、直观地表述数据间的关联关系，是一种更符合人类思考方式的抽象表达。蚂蚁集团图数据库负责人洪春涛认为，图计算把数据抽象成图，方便复杂关系的还原和可视化处理，更适合海量数据的数字化时代。图计算相当于提供了一种理解世界的新方式，尽管同时也给计算机处理带来了很多技术挑战。据了解，当前主流的关系型数据库较为贴近机器逻辑，能够把数据抽象成规整的二维表，便于机器处理。但对于交易关系、企业关联关系的查询等场景，关系型数据库很难满足多度关联查询的时效性，而图数据库甚至可以以毫秒级的速度给出结果。由此，金融、能源、智能制造、电信和公共医疗等对数据实时处理要求更高的行业，成为图计算商业化应用前景最为明朗的应用场景。蚂蚁集团图数据库负责人洪春涛表示，从他们的实践经验来看，目前图计算已经被应用于风控、社交、内容推荐等场景，并取得了很好的业务效果。Gartner在《2021年十大数据和分析技术趋势》报告中预测，到2025年图技术将应用于80%的数据和分析创新。“人工智能发展的终极目标是实现强人工智能，强人工智能指的是让机器和算法像人类一样具备图的思维方式，而图思维方式的本质就是能 100% 实现映射和还原世界。”Ultipa 联合创始人张建松表示，图计算能够在提供深层计算能力的同时，打破系统间、数据间存在的藩篱，并对多源、多维的数据进行深度下钻、关联、归因分析。在这个意义上，张建松预计随着数据规模的不断扩大、数据复杂性的不断提高，“图”会成为未来数据库技术发展的主流方向之一。“图计算、图算法方面的创新将在第三代人工智能时期广泛出现，且这些特征和算法是白盒化的，因而能够极大推动下一代人工智能技术的发展。”不过，当前图计算在业界应用面临着不小的痛点。有业界人士介绍，当前图计算推广应用仍处于“拿着榔头找钉子”的过程。“工具和需求场景都有了，就差一拍即合，其症结在于双方对场景要点和业务需求的深入理解不足。《科创板日报》记者从一位金融企业技术部门负责人士了解到，以证券行业公司为例，往往业务较为庞杂，如何把图计算、图数据库恰当地应用到每一个业务场景，是他们眼前在技术与业务实现融合方面，最为迫切的问题。

使用RPA机器人实现流程自动分拨功能，需要调用第三方的AI算法（如文本相似度识别），有哪几种方式可用。需要第三方算法做何处理，是否有对应指导文档

摘要：本案例将在ModelBox中使用YOLO v3模型，实现一个简单的口罩检测应用本文分享自华为云社区《ModelBox开发体验Day05开发案例-使用YOLOv3做口罩检测》，作者： 孙小北。本案例将使用YOLO v3模型，实现一个简单的口罩检测应用代码：cid:link_3代码tag：v1.5 mask_det_yolo3，v1.5.1 mask_det_yolo3_camera开发准备开发环境安装和部署，前面环境已完成模型训练，ModelArts训练模型模型转换，代码模型已完成转换应用开发打开VS Code，连接到ModelBox sdk所在目录或者远程开发板，开始进行口罩检测应用开发。（1）创建工程使用create.py创建mask_det_yolo3工程, 将会创建出一个空的ModelBox样例工程。./create.py -t server -n mask_det_yolo3git add .git commit -m 'create mask_det_yolo3'2）创建推理功能单元AI应用的核心是模型推理部分，我们用如下命令创建推理功能单元，该模块将会创建在工程目录的model文件夹下：./create.py -t infer -n mask_infer -p mask_det_yolo3git add .git commit -m 'create mask_infer'将资源包中model/mask_infer文件夹中的模型和配置文件拷贝到口罩检测工程的model/mask_infer目录下。其中yolo3_resnet18_mask_det_288x512-rknpu2.rknn是转换好的rknn模型，mask_infer.toml是该模型的ModelBox功能单元配置文件，其内容如下：# Copyright (c) Huawei Technologies Co., Ltd. 2022. All rights reserved.[base]name = "mask_infer"device = "rknpu"version = "1.0.0"description = "your description"entry = "./yolo3_resnet18_mask_det_288x512-rknpu2.rknn" # model file path, use relative pathtype = "inference"virtual_type = "rknpu2" # inference engine type: rockchip now support rknpu, rknpu2(if exist)group_type = "Inference" # flowunit group attribution, do not changeis_input_contiguous = "false" # rk do not support memory combine, fix, do not change[input][input.input1]name = "data"type = "uint8"device = "rknpu"[output][output.output1]name = "yolo/output1"type = "float"[output.output2]name = "yolo/output2"type = "float"[output.output3]name = "yolo/output3"type = "float"可以看到该模型有3个输出节点，即YOLO v3模型输出的3个feature map，需要从中解码出检测框。（3）创建后处理功能单元后处理功能单元负责从模型推理结果中解码出检测框，我们用如下命令创建该功能单元，其将会创建在工程目录的etc/flowunit文件夹下：./create.py -t python -n yolo3_post -p mask_det_yolo3将common资源包中etc/flowunit/yolo3_post文件夹中的代码和配置文件拷贝到口罩检测工程的同名目录下，解码过程的核心逻辑在yolo3_utils.py文件中，可以查阅YOLO v3模型细节阅读代码。（4）创建画图功能单元得到检测框后可以画在原图上进行输出展示，我们用如下命令创建画图功能单元：./create.py -t python -n draw_mask_bbox -p mask_det_yolo3将common资源包中etc/flowunit/draw_mask_bbox文件夹中的代码和配置文件拷贝到口罩检测工程的同名目录下，画图的核心逻辑在draw_mask_bbox.py文件的draw_mask_info函数中：def draw_mask_info(self, image, bboxes): '''在图中画出口罩佩戴信息''' thickness = 2 font_scale = 1 text_font = cv2.FONT_HERSHEY_SIMPLEX for bbox in bboxes: label_index = int(bbox[5]) if self.labels[label_index] != 'head': continue x_min, y_min, x_max, y_max = bbox[0], bbox[1], bbox[2], bbox[3] face_bbox = self.find_max_cover_bbox( bbox, bboxes, 'face', self.face_cover_ratio) if not face_bbox: cv2.rectangle(image, (x_min, y_min), (x_max, y_max), (255, 255, 0), thickness) cv2.putText(image, 'unknown', (x_min, y_min-20), text_font, font_scale, (255, 255, 0), thickness) continue mask_bbox = self.find_max_cover_bbox( face_bbox, bboxes, 'mask', self.mask_cover_ratio) if not mask_bbox: cv2.putText(image, 'no mask', (x_min, y_min-20), text_font, font_scale, (255, 0, 0), thickness) cv2.rectangle(image, (x_min, y_min), (x_max, y_max), (255, 0, 0), thickness) else: cv2.putText(image, 'has mask', (x_min, y_min-20), text_font, font_scale, (0, 255, 0), thickness) cv2.rectangle(image, (x_min, y_min), (x_max, y_max), (0, 255, 0), thickness) cv2.rectangle(image, (mask_bbox[0], mask_bbox[1]), (mask_bbox[2], mask_bbox[3]), (0, 255, 255), thickness) return image针对每个人，该模型会尝试检测出head（头肩部）、face和mask三个检测框。如果face检测框与mask检测框的重合度大于某个阈值，就判为佩戴口罩；否则，就判为没有佩戴口罩；如果没有检测到face检测框，就会显示Unknown，表示未知。（5）修改流程图模型推理和配套的功能单元准备好后，我们就可以串联出流程图进行测试了，口罩检测工程默认在graph目录下生成了mask_det_yolo3.toml，我们参考资源包中的graph/mask_det_yolo3.toml将其修改为：# Copyright (c) Huawei Technologies Co., Ltd. 2022. All rights reserved.[driver]dir = ["${HILENS_APP_ROOT}/etc/flowunit","${HILENS_APP_ROOT}/etc/flowunit/cpp","${HILENS_APP_ROOT}/model","${HILENS_MB_SDK_PATH}/flowunit"]skip-default = true[profile]profile=falsetrace=falsedir=""[graph]format = "graphviz"graphconf = """digraph mask_det_yolo3 { node [shape=Mrecord]; queue_size = 4 batch_size = 1 input1[type=input,flowunit=input,device=cpu,deviceid=0] data_source_parser[type=flowunit, flowunit=data_source_parser, device=cpu, deviceid=0] video_demuxer[type=flowunit, flowunit=video_demuxer, device=cpu, deviceid=0] video_decoder[type=flowunit, flowunit=video_decoder, device=rknpu, deviceid=0, pix_fmt=bgr] image_resize[type=flowunit, flowunit=resize, device=rknpu, deviceid=0, width=512, height=288] mask_detection[type=flowunit, flowunit=mask_infer, device=rknpu, deviceid=0] yolo3_post[type=flowunit, flowunit=yolo3_post, device=cpu, deviceid=0] draw_mask_bbox[type=flowunit, flowunit=draw_mask_bbox, device=cpu, deviceid=0] video_out[type=flowunit, flowunit=video_out, device=rknpu, deviceid=0] input1:input -> data_source_parser:in_data data_source_parser:out_video_url -> video_demuxer:in_video_url video_demuxer:out_video_packet -> video_decoder:in_video_packet video_decoder:out_video_frame -> image_resize:in_image image_resize:out_image -> mask_detection:data mask_detection:"yolo/output1" -> yolo3_post:in_feat1 mask_detection:"yolo/output2" -> yolo3_post:in_feat2 mask_detection:"yolo/output3" -> yolo3_post:in_feat3 video_decoder:out_video_frame -> draw_mask_bbox:in_image yolo3_post:out_data -> draw_mask_bbox:in_bbox draw_mask_bbox:out_image -> video_out:in_video_frame}"""[flow]desc = "mask_det_yolo3 run in modelbox-rk-aarch64"该流程图对于某个视频流，经过视频解码、图像缩放、口罩检测推理、检测框后处理、画图等一系列操作后，将结果保存下来。然后，参考common资源包中mock_task.toml，将口罩检测工程的任务配置文件bin/mock_task.toml中输入输出部分修改为：# 任务输入,mock模拟目前仅支持一路rtsp或者本地url# rtsp摄像头，type = "rtsp", url里面写入rtsp地址# 其它用"url"，比如可以是本地文件地址, 或者httpserver的地址，(摄像头 url = "0")[input]type = "url"url = "../data/mask_test.mp4"# 任务输出,目前仅支持"webhook", 和本地输出"local"(输出到屏幕,url="0", 输出到rtsp，填写rtsp地址)# (local 还可以输出到本地文件，这个时候注意，文件可以是相对路径，是相对这个mock_task.toml文件本身)[output]type = "local"url = "../hilens_data_dir/mask_test_result.mp4"将common资源包中的data/mask_test.mp4测试视频拷贝到口罩检测工程的data目录下，该流程图使用这一视频进行口罩检测，检测结果绘制后保存为hilens_data_dir/mask_test_result.mp4文件。（6）运行应用在mask_det_yolo3工程路径下执行build_project.sh进行工程构建：cd workspace/mask_det_yolo3./build_project.sh执行bin/main.sh运行应用（如果运行报错请切换到root账号再运行，本应用需要事先使用pip安装好OpenCV和NumPy），运行结束后在hilens_data_dir目录下生成了mask_test_result.mp4文件，可以下载到PC端查看。bin/main.shgit add .git commit -m 'run mask_det_yolo3'git pushgit tag -a v1.5 -m 'mask_det_yolo3'git push origin --tags（7）实时摄像头# 用于本地mock文件读取任务，脚本中已经配置了IVA_SVC_CONFIG环境变量, 添加了此文件路径########### 请确定使用linux的路径类型，比如在windows上要用 D:/xxx/xxx 不能用D:\xxx\xxx ############ 任务的参数为一个压缩并转义后的json字符串# 直接写需要转义双引号， 也可以用 content_file 添加一个json文件，如果content和content_file都存在content会被覆盖# content_file支持绝对路径或者相对路径，不支持解析环境变量(包括${HILENS_APP_ROOT}、${HILENS_DATA_DIR}等)[common]content = "{\"param_str\":\"string param\",\"param_int\":10,\"param_float\":10.5}"# 任务输入,mock模拟目前仅支持一路rtsp或者本地url# rtsp摄像头，type = "rtsp", url里面写入rtsp地址# 其它用"url"，比如可以是本地文件地址, 或者httpserver的地址，(摄像头 url = "0")[input]type = "url"# url = "../data/mask_test.mp4" url = "0"# 任务输出,目前仅支持"webhook", 和本地输出"local"(输出到屏幕,url="0", 输出到rtsp，填写rtsp地址)# (local 还可以输出到本地文件，这个时候注意，文件可以是相对路径，是相对这个mock_task.toml文件本身)[output]type = "local"# url = "../hilens_data_dir/mask_test_result.mp4" url = "rtsp://192.168.3.3:8554/outstream"运行测试bin/main.sh camera小结本次案例实践口罩识别，通过本次案例的实践对于开发板的使用有了进一步了解，同时也体会到了这个开发板的便捷开发模式，非常值得推荐，希望后续可以体验更多案例，真正落地实践。参考文献：cid:link_1https://modelbox-ai.com/modelbox-book/cid:link_2

人工标记和数据标记是人工智能功能的重要方面，因为这有助于识别原始数据，并将其转换为更有意义的形式，以供人工智能和机器学习学习。人工智能需要处理数据以得出结论。人工智能技术的发展速度如今比以往任何时候都快，这主要归功于人工处理的数据。人工智能极大地改变了人们工作的方式。甚至，人工智能通过增强人类的能力产生更大的影响。《哈佛商业评论》的一项研究发现，机器和人类之间的互动显著地提高了企业的绩效。人机之间的成功协作可以增强彼此的优势，其中包括团队合作、领导力、创造力、速度、可扩展性和定量能力。人类如何与机器协作？为了机器与人类之间的成功协作，人类需要发挥三个关键作用：·训练机器执行特定任务。·解释这些任务的结果。·保持机器的负责任使用。小手帕或者足够足够多的纸巾人工标记和数据标记是人工智能功能的重要方面，因为这有助于识别原始数据，并将其转换为更有意义的形式，以供人工智能和机器学习学习。人工智能需要处理数据以得出结论。人工智能还需要持续的过程监控，以确保其错误被跟踪，并提高效率。例如，尽管自动驾驶汽车可以独立驾驶，但它可能无法像驾驶员那样记录周围环境。因此，如果车辆对人类或建筑物构成危险，则需要安全工程师跟踪这些汽车的运动和警报系统。越来越多的企业正在采用人工智能和其他机器学习技术将他们的决策过程实现自动化，并捕捉新商机。然而，使用人工智能来自动化业务流程并不容易。企业可以使用数据标签，使人工智能系统能够准确地了解现实世界中的环境和条件。人们可以通过人类标签参与人工智能。这项艰巨的任务需要投入精力以帮助人工智能正确识别对象，其中包括数据数字化、自然语言处理、数据标记、视频注释和图像处理。人工智能如何影响数据质量？1.消除人为错误许多人认为人工智能将取代人类智能，将这与事实相去甚远。人工智能有可能通过承担与大量数据的分析、钻探和剖析相关的任务责任来消除人为错误。​在人工智能时代，数据质量至关重要。数据的质量包括广泛的因素，其中包括准确性、完整性、一致性和真实性。然而，分析异构数据然后将其解释为一种或多种结构一直具有挑战性，其中最大的挑战仍然是及早发现未知的数据问题。在人工智能出现之前，输入数据需要人为因素。因此会出现大量错误，无法实现特定的数据质量。幸运的是，人工智能消除了人为因素，从而显著提高了数据质量。2.更快更好的学习尽管人工智能的主要目标是提高数据质量，但并非收集的所有数据都是高质量的。人工智能使用的算法可以筛选和处理大型数据集。但即使有了这些技术，系统偏见也是不可避免的。因此，需要对数据质量进行算法测试和训练。​​3.增强对数据趋势的识别以帮助决策人工智能和机器学习确保识别数据趋势。人工智能可以解释用于商业决策的数据模式，还负责识别意外的数据模式，以避免丢失合法数据。此外，将确保无效数据不会影响结果。​​4.人工智能和机器学习增强数据存储当数据存储设备丢失时，其信息和数据就会丢失。然而，人工智能仍在不断发展，随着时间的推移，它将帮助收集和存储有用的信息。5.数据类型质量评估虽然可以使用不同的指标来确定数据质量，但准确性是主要关注点，因为它很容易针对不同的数据集和决策者的关注点进行更改。数据质量在人工智能和自动化决策中至关重要。评估数据的准确性需要识别数据类型以确定其准确性，这需要识别、解释和记录数据源。​总结许多企业正在进行数字化转型，并正在加入人工智能和机器学习的行列。这导致了更大、更复杂的数据流，并对数据质量提出了挑战。企业致力投资人工智能和机器学习技术，因为它们提供数据安全、保护和收集工具。然而，向人工智能和机器学习的转变将需要人工智能算法编程中受过训练的人为因素的参与。人工智能将面向不同领域，包括机器人、自动调度和学习、通用智能和计算机视觉等。为了使这些领域发展成熟，将需要生成和访问大量数据。收集到的数据必须分解为人工智能系统易于识别的格式。随着人工智能增强任务实现自动化，大数据将继续增长。如果企业还没有投资人工智能和机器学习，那么现在是时候了。但是，这个过程需要协同工作以确保数据质量的专家。责任编辑：庞桂玉  来源： 智能物联网大会

AI凭借规模更大、多样性更强的数据集，自动分析并选择股票、债券、交易基金及其他投资品，帮助散户们在金融市场上获得一战之力。AI凭借规模更大、多样性更强的数据集，自动分析并选择股票、债券、交易基金及其他投资品，帮助散户们在金融市场上获得一战之力。凭借着更低的手续费和更松散的投资组合，数字投资组合已经在与基金经理的比拼中占据上风。无论大家有没有切身感受，我们每天都在跟AI打交道。从向Siri询问天气到车载辅助驾驶功能，AI几乎已经渗透进我们生活的方方面面——投资领域当然也不例外，AI在投资组合的设计能力上甚至隐隐有胜过传统基金经理之势。专业基金经理的局限每一天，专业基金经理都会花大量时间查看股票数据、投资模型和其他关键信息，借此确定某种股票或其他投资品是否适合被纳入基金组合。这种方法只适合主动管理型的投资基金，其运作方式与指数基金有所本质区别。而且尽管华尔街的基金经理们每周要工作60个小时以上，但仍然无法突破人类能力的极限。人需要睡觉，而且不可能在新闻和数据公布的同时，马上掌握其中的内容和模式。人类能记住和处理的信息就这么多，工作速度基本没有进一步提升的空间。诚然，人类在很多工作上做得确实比计算机更好。但随着AI和机器学习的进步，这些优势恐怕会一一消失。至少在设计股票投资组合方面，AI已经比人类能够达成的最佳水平还要高好几个层次。AI做得更好AI之所以能做得更好，是因为专业基金经理只能通过当前可用的信息来剖析市场，但AI却可以利用大数据和互联网资讯建立高度复杂的模型，精确预测未来的市场走势。具体来说，AI投资组合依靠的是“集群模型”，也就是通过资产配置建模预见未来将要发生的事件。这些模型会采集大量股票数据，再根据投资组合中相对风险的绝对值创建散点图，再将这些散点图按层次结构排列。当然，这还只是资产管理中常用的AI模型之一，其他模型设计思路还有很多。这些散点图构成的模型将反映出未来态势，而且能够超越大多数基金经理所关注的股票间线性关联，融入一系列非线性关系。这不仅能够降低投资风险，同时也有望带来开拓市场的新机会。AI为什么这么强？可访问性更好散户投资者往往不敢参与主动型投资基金，因为这类基金的收费远高于流行的低成本指数型基金。AI投资组合能够降低手续费、提供更松散的投资选项，让散户也能进入以往只属于金融精英的这片新世界。降低成本与准入门槛主动管理型投资基金一般会向投资者收取多种费用。最基础的就是固定年费，手头阔绰的对冲基金投资者往往会根据实际投资规模，支付相当于20%利润的年费。通常，AI投资组合的成本要远低于由基金经理负责的同类产品。另外，AI基金对投资额的要求也更低，年费更是平易近人。目前比较受欢迎的共同基金起投额至少要5000美元，但AI基金大大降低了这道门槛。更安全基金经理只能在事后对市场动态做出反应，属于典型的“过去决定当下”。但AI却能为市场波动提供双重风险预防措施，准确评估未来投资风险。AI投资组合可以自动根据潜在风险重新分配资金，以远超基金经理的反应速度保护投资者的权益。超越人类有时候，散户投资者和基金经理对市场态势的判断可能有所冲突。AI能够分析股票市场交易和金融数据馈送，以近实时方式调整投资组合，甚至分析来自新闻摘要和论坛帖子的情绪数据。相信大家都清楚，自动交易中几秒钟的优势也往往会产生巨大的影响。AI投资组合特性汇总当然，肯定有朋友担心把投资交给完全虚拟的系统听起来不靠谱。下在来看选择AI投资组合时需要注意的事项：金融证券多样化：AI投资组合应该有能力梳理市场，关注多样化的股票、债券、交易基金和其他证券。更加多元的投资组合能够更好地适应风险投资环境。数据输入质量：数据有多好，AI模型就有多好。所以，必须认真为AI投资模型选择高质量的数据源。透明的投资组合绩效：投资基金必须满足报告要求，并在基础之外尽可能提升信息透明度。优质的AI投资组合应该能帮助用户了解投资表现如何，并将结果与各主要市场基准指标做出比较。费用与准入门槛：AI投资组合的月费/年费，或者其他形式的最低使用费，应该低于传统投资服务。总结凭借更为多样的股票、更低的使用成本和更快的响应速度，AI投资组合已经开始超越传统人类基金经理。而随之而来的更低准入门槛，也许意味着散户为王的金融普惠时代正缓缓拉开帷幕。责任编辑：姜华   来源： 至顶网

AI技术还将在脑机接口、深度学习、人机接口、机器学习以及其他智能模拟场景下发挥作用。这些概念业已存在数十年，早期医学AI系统曾严重依赖医学专家提供的临床知识与逻辑规则，但如今经过训练的超级计算机已经完全可以自行完成这些任务。2020年，COVID-19商情全面爆发的元年，美国药监局仅批准了53种新药。而同一年，全球制药行业的总体药物研发投入高达近2000亿美元。这意味着2020年内获批的每种药品，平均成本接近38亿美元。当年发表的一项研究则给出了相对保守的新药成本估算，认为虽然新药成本在过去十年间急剧增长，但具体区间仍介于3.14亿美元至28亿美元之间。研究还发现，一种新药推向市场所投入的研发总开销，中位数接近10亿美元，而平均值估计在13亿美元左右。另外，新药的上市周期平均在10到15年，其中约一半时间和投资用于临床试验阶段，其余的半数成本则用于支撑临床前化合物发现、测试和监管。至于为什么每种新药花费甚巨、周期漫长，理由则包括缺乏临床疗效、缺乏商业利益和战略规划不当。总之，这一切复杂因素已经令制药行业的效能变成一种玄学，不少人甚至在高昂的新药上市成本之下成为怀疑论者，质疑既然技术水平和管理能力都在显著进步，制药行业为什么还会深陷当前的困境无法自拔。这些人就是所谓“倒摩尔定律”的支持者，即尽管技术有所改进，但在过去几十年间，新药的开发成本仍呈指数级增长。倒摩尔定律认为，在抛开通胀影响的前提下，一种新药的开发成本大约每九年翻一番。这种观察提出的是一种类似收益递减的定律，按照经济学的概念来解释，如果增加某种商品生产环节中的某一项投入、而其他所有投入均保持不变，则整体态势最终将达到一个临界点——之后继续增加投入，则对应的产量反而开始逐渐减少。“倒摩尔定律”一词，由Jack Scannell博士及其同事于2012年在《自然·评论·药物发现》中提出。倒摩尔定律，指向的自然就是大名鼎鼎的摩尔定律。这个来自1960年代的概念观察发现，大规模集成电路上的晶体管数理每两年左右就增加一倍。摩尔定律得名自英特尔公司联合创始人戈登·摩尔，是他对历史趋势的一种观察和总结。Scannell博士强调，引发当前困境的主要是四个原因。首先，监管机构对疗法的标准要求越来越高；监管机构承受风险的能力越来越低，于是相应拉升了研发成本和难度；砸钱心态，这种想靠资源漫灌硬推项目的作法，很容易造成项目超支；再就是暴力破解基础研究，即高估了用粗暴试错突破基础研究难题的可能性。尽管面对种种困难因素，我们也终有一天将击破倒摩尔定律的挑战，而决定战局的一大有力武器正是AI。好消息是，已经有人迈出了探索这条道路的第一步。Scannell博士和他的合作科学家们，呼吁制药企业任命一名首席死药官，专门负责在研发过程的各个阶段内总结引发失败的原因，并将结果发表在科学期刊上。当前，制药企业甚至很少公布失败的实验或临床结果，而且多数还没想过要任命专职高管来处理失败案例中的有价值信息。但Scannell博士强调，要想打破倒摩尔定律，企业就必须先改变研发流程。协同和信息共享当然是个很好的起点，不过在制药行业内，能够真正打破倒摩尔定律的方法只有一个——AI。过去几年来，人们已经多次尝试用AI来打破倒摩尔定律。如今，Exscientia和Insilico Medicine等多家机构正在为此全力冲刺。总部位于牛津的Exscientia是一家全球制药科技企业，他们以患者为本，通过AI技术加快药物发现速度。去年，这家公司宣布首例由AI设计的免疫肿瘤分子已经进入人体临床试验阶段。在项目中，Exsientia与Evotec合作，使用前者的Centaur Chemist药物发现平台为患有晚期实体将为的成年患者开发A2a受体拮抗剂。这已经不是Exscientia做出的首次尝试，该公司在2020年就曾公布一种由AI驱动软件设计的强迫症治疗药物，且已经进入I期临床试验。此外还有Schrodinger，他们开发出了制药行业最先进的化学模拟软件。Schrodinger最近已获药监局批准，可以在早期试验中研究其由计算机设计出的非霍奇金淋巴瘤治疗方法。该公司的平台基于机器学习技术，在10个月内对82亿种潜在化合物进行了分类，并最终确定了78种能顺利通过临床前实验合成与筛选的化合物。现在，该公司已经计划启动I期临床研究，并开始招募复发或难治性非霍奇金淋巴瘤患者。与此同时，来自犹他州的Recursion Pharmaceuticals也在使用AI技术为现有药物寻找新的用途。去年，罗氏和Genetech同Recursion立项合作，共同探索细胞生物学的新领域，并尝试在神经科学和肿瘤学适应症领域开发新疗法。通过合作，两家公司将利用Recursion的AI药物发现平台对新型药物靶点开展全面筛选，借此加快小分子药物的开发。在Insilico，一种领先的抗纤维化候选药也成功完成0期临床研究，正式步入I期临床阶段。而这款候选药的新靶点，正是由Pharma.AI平台所发现。从靶点发现到项目第一阶段启动，总时长甚至不足30个月，已经创下制药行业新药开发速度的新纪录。别忘了，AI技术还将在脑机接口、深度学习、人机接口、机器学习以及其他智能模拟场景下发挥作用。这些概念业已存在数十年，早期医学AI系统曾严重依赖医学专家提供的临床知识与逻辑规则，但如今经过训练的超级计算机已经完全可以自行完成这些任务。为了打破倒摩尔定律，数据科学家和医学科学家们必须共同规划可实现的用例，将AI技术应用于各类临床试验，同时把AI技术与将要替代/补充的现有技术加以对照。通过这种方式，AI有望顺利进入临床试验生态系统，在快速改善行业药物发现及开发流程的同时，有效降低研发失败率和成本。如今，几乎所有大型制药企业都在使用内部原研算法、与AI厂商合作或者直接收购AI厂商/技术，借此充实自己的产品组合与药物发现管道。海量融资与多家制药企业的合作伙伴声明也告诉我们，行业对AI工具在药物研发流程中的应用抱有极高期待。这一领域已经出现了不少变化，希望在未来几年中，企业能够将更好的投资策略同先进的AI技术结合起来，一举粉碎倒摩尔定律这道“魔咒”。责任编辑：姜华  来源： 至顶网

作者：Drew Robb在利用人工智能实现更高水平的自动化方面处于领先地位，其目标是用更少的人做更多的事。以下是人工智能自动化的一些主要趋势。劳动力短缺一直是困扰很多企业的问题。大量初级职位空缺，大多数零售商店都在招聘，当然平均薪酬也在随之上升。像日本这样的国家早就出现了这种情况，在利用人工智能实现更高水平的自动化方面处于领先地位，其目标是用更少的人做更多的事。以下是人工智能自动化的一些主要趋势：1. 人工智能训练和数据质量Great Expectations开放数据质量平台的高级开发倡导者Ruben Orduz表示，从事人工智能培训的数据工程师正在认真对待数据质量流程。面临的一个问题是，现实世界的数据并不整洁或不可预测。它可能会遭受诸如丢失、截断或无效数据、意外重复和异常等质量问题。他说，“当使用杂乱的数据来训练算法时，其结果可能是灾难性的。依赖于根据输入数据进行推断和调整的机器学习和人工智能算法特别容易受到不良数据条件的影响。”例如，如果企业发送和交付货物，会收到来自供应商的一组订单，其中包括名称、地址和要交付的货物。人工智能系统接收这些数据，并使用它来学习和规划交付路线。如果交付货物的数量通常为1～30个，但数据在“包数”中突然显示有数千个包裹，那么说明这需要雇佣更多的送货司机，这表明这个模型也有偏差。这就是为什么数据工程师正在努力了解其数据的质量，并使用数据质量平台来识别异常值和受影响的数据的原因。现在做这件事比以往任何时候都容易。工程师可以发现，在数据流进入时运行管道测试，并在进入人工智能训练过程之前捕获异常值。2. 人工智能自动化和网络思科、Juniper Networks、Gluware和Splunk等许多公司正在投资于人工智能功能的自动化，以将其应用于网络故障排除和性能诊断。网络运营传统上需要高度参与的人力资源。人工智能和数据可以使很多工作实现自动化。网络毕竟是一个复杂的系统，包含了大量的技术、架构和覆盖，导致许多操作点出现故障和性能问题。网络的人工操作方面同样具有挑战性。尽管一些努力将操作集中到网络控制器，但网络管理在很大程度上仍然是人工管理的，并且需要管理人员具备大量专业知识。此外，这项工作主要是探索性的，管理人员试图在没有提前洞察或数据的情况下人工得出问题的根源。因此，以传统方式运行网络的成本很高，无论是在服务停机时间或降级方面，还是在实现解决方案的人力方面。Gluware公司人工智能副总裁Stanislav Miskovic说，“利用人工智能自动化进行分析是一个巨大的机会，我们正在构建一个平台，该平台将利用和统一整个网络堆栈中的真实数据。人工智能自动化可以通过多种方式帮助企业降低与网络相关的运营成本：执行根本原因分析和本地化有问题的站点、设备和协议;将基础设施作为整体及其所有组件进行自主基线化;对已经识别问题的相关性进行排序;例如识别支持证据并向网络工程师规定补救措施。但在网络世界中，这些功能中的大多数仍处于起步阶段。”3. 网络安全中的人工智能正如网络通常需要通过更多人工智能实现自动化一样，网络安全也是如此。随着威胁变得越来越复杂，企业网络的边界变得越来越模糊，特别是随着向云平台的过渡，需要分析的数据量远远超出了人工检查的能力。Miskovic说，“人工智能和分析是增强安全性的关键推动因素。如今，安全需要覆盖更广泛的范围，如果没有人工智能自动化的帮助，这是无法实现的。如果攻击面太大，数据量太大，那么无法在没有人工智能帮助的情况下进行检查。”这促进了用户和实体行为分析的发展，这是一个纯粹的人工智能驱动的安全领域。另一种人工智能驱动的安全方法是检测零日攻击或未知事件，如果没有人工智能自动化基线分析和异常检测，这是无法实现的。最后，人工智能自动化通过对安全警报进行排序、减少警报疲劳和建议纠正措施来帮助安全响应团队。4. 流程自动化即使有所有有助于监控、管理、操作和保护企业基础设施的产品，它们产生的警报数量以及工程师为解决这些问题需要采取的步骤数量也变得难以处理。出于这个原因，人工智能驱动的流程自动化正在成为网络运营、安全运营和票证管理不可或缺的一部分。Miskovic说，“许多人工智能驱动的解决方案已经开发，在发出警报和解决问题任务的各个方面实现自动化。这些人工智能自动化解决方案提供了可定制的剧本，可以在没有人工干预的情况下执行许多后勤或补救任务。该系统可以通过识别工程师为解决类似问题所做的模式来自主学习解决问题所需的许多剧本步骤。这些剧本也可以由工程师进行定制。”5. 人工智能即服务人工智能引擎和平台很复杂。因此，其他人不可避免地会承担繁重的工作，并提供人工智能即服务作为人工智能作为平台的替代品。DataProphet公司联合创始人、首席执行官Frans Cronje表示：“随着企业及其数据科学团队已经通过人工智能平台发挥自身优势，开始通过构建专业团队以实现人工智能的附加价值，需要以人工智能即服务的形式提供深入知识的人工智能系统将会加速发展。”责任编辑：赵宁宁   来源： 企业网D1Net

作者：佚名人工智能和物联网正在改变生活，也开始改变我们的城市。今天，我们看看这项技术使城市变得智能的三种方式。由于物联网(IoT)的巨大发展，以及运行和监控城市中心产生的巨大数据集的人工智能处理，城市正变得越来越智能。《科技杂志》(Technology Magazine)对其中三种有望改变城市生活以及为之服务的企业和政府的智能技术进行了深入分析。用人工智能优化智慧城市的能源人工智能可用于​智慧城市，以分析和跟踪企业和居民如何使用能源，从而生成数据，进而帮助决策应在何处使用可再生能源。这也可以向城市规划者展示能源被浪费的地方以及如何节省能源。美国机械工程师协会​(ASME) 高级编辑John Kosowatz解释说，智能物联网解决方案应用于优化基础设施，让公民参与服务管理。传感器、网络和应用接收有关能源使用、交通和污染水平的数据。然后对这些进行分析并用于纠正和预测使用情况和模式。通过开放存取系统让每个人都可以使用这些数据，公民和企业可以自己利用这些信息。迪拜美国大学电气与计算机工程系主任兼副教授Vinod Pangracious介绍了基于区块链的点对点能源交易框架的概念，用于在互联社会中交易分散的清洁能源 。智能能源交易模型旨在以自动化方式尽可能多地处理，包括使用可再生能源生产、消耗和分配清洁能源。 人工智能和物联网：改善智慧城市的交通如今，技术人员正在利用计算机视觉和机器学习技术来改造城市交通基础设施。 在这一领域处于领先地位的公司是Hayden AI，它开发了世界上第一个自主交通管理平台。该公司使复杂的流程自动化并改善了公共服务。 该技术可支持多种不同的公共服务车辆，包括公共汽车、街道清扫车、机场安检车和警车。随着在智慧城市中使用人工智能，公共交通已经出现了创新。这项技术允许公共交通用户接收和访问实时更新，从而提高了客户满意度的时间和细节。还计划在城市内使用自动公交车，这些可以减少排放，改善路线并增加频率。使用车牌识别技术，停车场能够检测到停留时间超过应有时间的汽车，还可以强制执行付款和罚单。其他技术包括根据汽车推荐空间的能力。智慧城市中的人工智能与安全尽管通常会在报告犯罪时审查安全摄像机镜头，但这并不能阻止犯罪本身。使用人工智能的安全摄像机能够实时分析镜头并检测犯罪行为，然后可以立即报告和处理。 这些摄像头还可以从他们的衣服中检测到人，从而使该技术能够比以往更快地找到嫌疑人。 智慧城市还可以使用人工智能来查看它们对当地环境、全球变暖以及污染水平的影响。 使用人工智能和机器学习进行污染控制和能源消耗，使市政机构和城市能够做出最有利于环境的明智决策。智慧城市还使用人工智能来检测二氧化碳，然后可以做出交通决策。另一项值得关注的创新是预计将出现在未来智慧城市中的实时响应中心 (RTRC)。RTRC 接收来自各种来源的数据，并在大屏幕视频显示器上显示聚合情报，以及来自摄像机、交通传感器和枪声探测器的实时信息。“在智慧城市的执法办公室，RTRC 是保护公众的中心枢纽，” Insight​数字创新 SLED 营销负责人Sandeep Sinha​说。Sinha 解释说，包括 Insight、Genetec、英特尔和微软在内的公司正在共同努力，以建立现有的公共安全 IT 基础设施并开发基于云的解决方案。责任编辑：华轩  来源： 千家网