
阿里云机器智能研究领域主要围绕机器学习等前沿技术开展理论与应用研究。《机器智能技术》圈子基于阿里巴巴达摩院的技术沉淀,围绕【研究报告】、【前沿技术】、【应用案例】、【行业新闻】、【传奇人物】多个方向为广大开发者贡献干货内容。
AI(人工智能)和IoT(物联网)的融合为全球企业释放了巨大的潜力。物联网传感器检测到外部信息时,将其替换为人和机器可以区分的信号,而它的AI可以帮助构建智能机器,从这些数据中学习,从而在几乎没有人为干扰的情况下支持决策过程。物联网的使用正在激增,到今年年底,预计将有多达500亿个互联设备。与AI结合,这种新技术浪潮可以带来新的机遇,改变整个行业的运营方式。为了说明其潜力,我们汇总了5个新兴的人工智能物联网应用。自动驾驶自动驾驶总是激发人们的想象力,但它是人工智能和物联网如何协同工作的一个很好的例子。自动驾驶汽车(AV)装有传感器,需要不断收集关于周围环境的海量数据。这些数据使用人工智能模型处理成智能洞察力,使车辆的导航系统能够实时协商环境并执行复杂的路径规划。光学检验基于计算机视觉的质量检测是人工智能最大的应用领域之一。自动光学检测扫描工业机械的质量缺陷,一旦它们被识别,半监督ML算法模型将图像分类为故障类别或预测计划维护。基于AI的物联网解决方案为企业提供预测性维护应用,以提前预测设备故障。网络安全根据Gartner的调查,到2020年将有200亿个IoT设备连接在一起。据Statista预测,到2030年,全球将安装约500亿个IoT设备,从可穿戴设备到火车运行的所有设备都将使用该设备。这种普遍性将使它们成为攻击的诱人目标。作为对策,支持AI的网络安全系统可以检测到网络漏洞,保护有价值的数据并阻止AI系统可以了解正常活动模式的网络攻击,并确定异常活动的发生时间,从而减少发生频率错误警报,并可能显示发生了网络攻击。主动保健随着COVID-19的爆发,物联网和AI(AIIoT)的融合已受到广泛关注,以满足智能健康监控和大流行性管理的需求。可穿戴式物联网传感器可跟踪患者生命体征并将其实时更新给医生和护理人员,以提醒他们任何重大的健康事件。结合机器学习算法的AI可以分析大量数据,从而深入了解人的整体健康状况。这样就无需进行任何人工干预来维护记录,并使医务人员腾出更多精力来应对诸如个人护理之类的重要工作。随着COVID-19的爆发,物联网和AI的融合受到了广泛关注,以满足智能健康监控和大流行管理的需求。能源管理物联网和人工智能可以在降低能耗方面发挥作用。在任何行业中,HVAC系统都占建筑总能耗的很大一部分,并且占总能耗的很大一部分。一般系统占建筑物能源消耗的40%。从过去的效率中学习的机器学习程序已被证明可以减少20%的能源消耗。配备IoT传感器的智能路灯可收集有关行人和行人的数据,使系统节省多达80%的能源支出。AI功能以及机器学习和深度学习算法会解析从IoT传感器生成的数据,以跟踪实时能耗。简而言之,从财富500强到初创企业,各个行业对日益智能化的物联网的需求都将继续增长。利用人工智能增强物联网有可能打开创造新产品的机会。机器学习、自然语言处理(NLP)和其他破坏性技术鼓励企业间的交互加速。人工智能物联网将继续推动数据处理和智能业务的发展,并将在未来几年中继续发挥作用。本文转自51CTO,本文一切观点和机器智能技术圈子无关。原文链接在线免费体验百种AI能力:【点此跳转】
从1956年达特茅斯会议提出AI开始,AI的研究经历几次沉浮。在一次次的高潮和低谷的交替中,不可否认的是,AI无论是在理论还是实践中都取得了长足的进步。尤其是近期以深度学习为代表的AI技术取得了突破性的进展,在计算机视觉、机器学习、自然语言处理、机器人技术方面取得了巨大的进步,深刻改变了我们的生活。1、智慧安防据《2019-2023年智能安防行业深度市场调研及投资策略建议报告》显示,国内的安防市场在急剧增长,从12年的3240亿元增长至2018年的6600亿元,年均复合增长率为12.6%。然而,智能安全已成为中国安防行业的发展趋势,其未来的比例将逐步增加。预计到2020年,中国智能安防市场规模将达到1000亿元以上,预计该行业的发展前景。完整的智能安防系统主要包括三个部分:门禁,报警和监控。常见的智能安防产品主要包括智能锁,气体传感器,烟雾传感器等,随着安全技术,电子技术和人工智能技术的不断进步,中国的智能安防产品种类越来越丰富。中国政府正在大力推进智慧城市和安全城市的建设。监控数量迅速增长,监控视频容量爆炸式增长,给存储市场带来了巨大挑战。通过智能安全检测,异常情况识别,存储关键信息的提取,可以大大降低监控视频的存储要求,有利于行业的健康发展。随着智能安防行业技术在不断进步,智能产品的造价成本也在降低,以及我国居民安全意识的提高,中国智能安防市场的需求正在快速增长,民用智能安防产品将成为智能安防行业的重要发展方向之一。2、智能化工业据埃森哲公司测算,到2035年,人工智能技术的应用将使制造业总增长值(GVA)增长近4万亿美元,年度增长率达到4.4%。而中国是制造业第一大国,2018 年制造业增加值达 26.5 万亿元,占 GDP 总量的 29.4%。在《新一代人工智能发展规划》中曾提出“到2030年,使中国成为世界主要人工智能创新中心”。人工智能市场前景巨大,预计到2025年人工智能应用市场总值将达1270亿美元。但值得注意的是,虽然人工智能技术刚刚越过曲线高峰处于狂热区,但是制造业真正应用到且效益非常高的场景比较少。除了制造业业务链冗长与复杂之外,AI技术的储存不足也是人工智能+制造业融合裹足不前的原因之一。3、智能医疗信息网络条件下,各种智能终端的普及和传感器的运用产生了大量的数据,为人工智能医学运用提供了源源不断的养分,不仅给医疗领域本身带来了一场新技术革命,更是具备了促进医疗服务模式改变的力量。人工智能在运营、预防、检查、诊断、治疗和康复等健康管理环节,以及药品研发、医疗器械生产等方面都有了不寻常的运用。在医院运营方面,可以利用人工智能检测医疗支出中的浪费、欺诈和滥用行为,计算预约患者的到院率,合理安排医护人员,监测床位使用率,追踪药物和医疗设备状态等,为医院决策者提供更多的决策信息。而在2020年刚开年,新冠肺炎病毒肆意入侵时,人工智能在医疗领域并未起到绝对的作用——复旦大学附属华山医院张文宏说道:“在整个疫情防控中,全部是靠人工,也就是靠传统智慧和城市管理实现的 ”。张文宏认为,尽管现在人工智能已经应用于多个场景,技术还算成熟,但在医疗、流行病防治领域,人工智能的建设还在起点。但并非说AI医疗尚未落地,据统计,目前全球有100多家初创企业在探索用AI 发现药物,传统的大型制药企业更倾向于采用合作的方式,如阿斯利康与Berg,强生与Benevolent AI,默沙东与Atomwise,赛诺菲和葛兰素史克与Exscientia,辉瑞与IBM Watson等。然而,专家认为, AI应用于新药研发与医疗AI落地面临同样的问题,如人才短缺、数据标准化与共享机制、商业模式创新等诸多问题。4、AI机器人随着AI产业的发展,几乎每一家互联网巨头,都已孵化出自己的机器人,并投入到实战应用中,与用户全方位交互。如亚马逊、谷歌、微软、苹果、百度、阿里、小米等公司开发的语音助手,包括Alexa、Google Assistant、小冰、Siri、小度、小爱等产品,正在成为我们重要的“私人助理”。据iiMedia Research(艾媒咨询)数据显示,全球机器人出货量逐年走高,预计2020年全球机器人出货量达到13,2百万个。但值得注意的是,目前的AI技术仍是弱AI阶段,不具备自主推理能力,与市场期待存在一定距离。但在2020年,由于新冠肺炎的影响,AI机器人得到快速的发展,而在这一发展中,针对性机器人成为发展重点。但不可否认的是,一旦新冠肺炎得到全面的控制,这类机器人通常会出现供过于求的现状,未来如何发展,还需企业进行相应的提前布局。5、智能客服由于客服人员招人难、培训成本高、流动性大,不易管理,而客服机器人可以全天24小时工作,还能通过实时数据反馈不断学习,企业有足够的动力用客服机器人取代一部分人工客服。据媒体报道称,中国大约有500万全职客服,以年平均工资6万计算,再加上硬件设备和基础设施,整体规模约4000亿人民币。按照40-50%的替代比例,并排除场地、设备等基础设施以及甲方预算缩减,大概会有200-300亿规模留给智能客服公司。但值得注意的是,由于AI技术人才成本极高,对于收入和盈利状况都不够理想的客服公司来说,投入巨资搭建AI团队无疑是一项豪赌,赌的是未来,危险的是现在。在整体宏观经济下滑、市场资金短缺的情况下,这样做无疑会增加经营风险。加上市场竞争激烈,AI产品短期内难以快速获得高额回报。而客服机器人公司技术投入更大,加上AI技术本身的高资金和人才投入壁垒,使得创业公司难以和巨头比肩,未来有可能遭遇巨头技术开源或平台化冲击。6、智能家居人工智能如何与智能家居相结合?BroadLinkCEO刘宗儒曾对OFweek维科网编辑说道:“实际智能家居并不需要太过于深入的人工智能系统,‘浅’人工智能即可。”而智能家居现在有明显人工智能特点的,主要体现语言交互上面——在传统的鼠标操作、触屏操作逐渐向语音交互这种更为自然的交互方式演进,语音交互的未来价值在于用户数据挖掘,以及背后内容、服务的打通,以语音作为入口的物联网时代将会产生新的商业模式。这种模式的新奇其实是暂时的,如果真要提高整个家居的智能程度,那么情绪识别、手势识别功能也必须跟着一同进步才可以。目前智能家居仍处于从手机控制向多控制结合的过渡阶段,手机APP仍是智能家居的主要控制方式,但是随着人工智能技术的不断发展,更多的操作方式会被研发出来。7、智慧营销在错综复杂的市场环境下,中小企业营销陷入困境。而随着人工智能(AI)在营销领域的深入应用,掀起了一股前所未有的热潮,改变每一个行业的营销方式。人工智能营销软件已被企业加以重视。据艾瑞的相关数据显示,2019年人工智能在营销方面的产业份额占人工智能赋能实体经济的11.6%,前瞻分析,民企活力将逐步显现,来来的发展趋势,人工智能在营销方面的发展将成为普及趋势。人工智能在营销方面的应用优势在于它具有从广泛的客户、行为、业务和渠道来源,在规模上和实时地、分析数据的内在能力。简单来说,言通智能营销系统的应用,一方面实现企业销售管理自动化,提高销售人工工作效率;另一方面则结合相应的大数据分析,进一步促进企业拓客,并发挥人工智能销售的优势,从而使企业实现更大的经济效益。实际上,言通智能营销系统作为一站式智能营销解决方案服务平台,本质上就是为了最大化激发企业客户信息资源的商业价值,并帮助企业建立智能营销,在智能化转型的过程中抢得先机。8、自动驾驶自从2016 年中国汽车工程协会正式对外发布了自动驾驶领域技术标准——《节能与新能源汽车技术路线图》。路线图中制定了我国自动驾驶汽车未来发展的三个五年阶段需要达成的目标,而2020 年是起步期也是关键期——汽车产业规模需达3000万辆,驾驶辅助或部分自动驾驶车辆市场占有率将达到 50%。2025年高度自动驾驶车辆市场占有率需达到约15%;到2030年,中国将力争实现拥有完全自动驾驶车辆规模3800万辆,市场占有率接近10%。而在2018年12月,工信部印发的《车联网(智能网联汽车)产业发展行动计划》要求:“车联网用户渗透率达到30%以上,新车驾驶辅助系统(L2)搭载率达到30%以上,联网车载信息服务终端的新车装配率达到60%以上”。此外,还提及了一个更高目标:到 2020 年,具备高级别自动驾驶功能的智能网联汽车实现特定场景规模应用”。据智研咨询发布的《2020-2026年中国无人驾驶行业市场经营风险及竞争策略建议分析报告》显示:随着汽车智能化的不断发展,截止2018年,中国智能驾驶市场规模增长至893亿元,同比增长31%,市场渗透率达到47%。根据初步测算2019年中国智能驾驶市场规模将突破千亿,未来4年(2020-2023)年均复合增长率约为20.62%,智能驾驶乘用车的渗透率也将由2016年的20%上升至2020年的61%,且智能驾驶系统的级别会提升,更高智能驾驶水平的汽车占比亦将大幅提升。预测2035年前,全球将有1800万辆汽车拥有部分无人驾驶功能,1200万辆汽车成为完全无人驾驶汽车,中国或将成为最大市场。9、AI数据服务中国AI数据服务行业从2010年的野蛮生长期到现如今的规范化发展阶段,伴随着需求升级,技术更硬核、效率度极高的专业AI数据服务企业将成为主流趋势。据国务院印发的《新一代人工智能发展规划》提出,到2020年人工智能总体技术和应用与世界先进水平同步,核心产业规模超过1500亿元,到2025年人工智能核心产业规模超过4000亿元,到2030年人工智能理论、技术与应用总体达到世界领先水平,核心产业规模超过1万亿元。随着政策的进一步推动以及技术的进步成熟,人工智能产业落地速度将明显提速,中国AI数据服务行业也将迎来巨大的发展浪潮。10、图像搜索图像搜索是近几年用户需求日益旺盛的信息检索类应用,分为基于文本的和基于内容的两类搜索方式。传统的图像搜索只识别图像本身的颜色、纹理等要素,基于深度学习的图像搜索还会计入人脸、姿态、地理位置和字符等语义特征,针对海量数据进行多维度的分析与匹配。该技术的应用与发展,不仅是为了满足当下用户利用图像匹配搜索以顺利查找到相同或相似目标物的需求,更是为了通过分析用户的需求与行为,如搜索同款、相似物比对等,确保企业的产品迭代和服务升级在后续工作中更加聚焦。本文转自51CTO,本文一切观点和机器智能技术圈子无关。原文链接在线免费体验百种AI能力:【点此跳转】
随着人工智能浪潮席卷现代社会,不少人对于机器学习、深度学习、计算机视觉、自然语言处理等名词已经耳熟能详。可以预见的是,在未来的几年里,无论是在业界还是学界,拥有深度学习和机器学习能力的企业都将扮演重要角色。 假设你对人工智能领域的基础知识比较感兴趣,你就会发现很多人工智能技术中常见的两个概念:机器学习和深度学习。如何理解两者间的区别非常重要,本文将对此做简要的解析。 深度学习:一种实现机器学习的技术 所谓深度学习,简单来说是机器学习的一个子集,用于建立、模拟人脑进行数据处理和分析学习的神经网络,因此也可以被称作是深度神经网络。其基本特点是模仿大脑的神经元之间传递和处理信息的模式。 深度学习的优势在于: 不需要手动设计特征,其自动学习的功能对于当前的任务来说最佳; 任务自动获得对抗数据自然变化的鲁棒性; 很强的泛化性,相同的深度学习方法可以用于不同的应用程序和不同的数据类型; 使用多GPU可以执行巨大的并行计算。当数据量很大时,会产生更好的输出结果; 其体系结构有可扩展性,具备适应新问题的潜能。 机器学习:一种实现人工智能的方法 所谓机器学习,通俗来说是一种实现人工智能的方法,它赋予系统从经验中自动学习和发展的能力。与传统的为解决特定任务、硬编码的软件程序不同,研究人员会用大量的数据和各种算法来“训练”机器,让机器学习如何执行并完成任务。 机器学习的优势在于: 解决垃圾邮件检测的问题; 在制造领域优化设备功能,改善生产效率; 简化营销手段,协助预测销售量; 提升预测性维护功能; 提高安全性和网络性能 未来的可能性 许多企业利用机器学习和深度学习从大量数据中获取洞见,实现智能自动化、商业智能、优化运营,达成最小化问题和最大化利润。通常来说,深度学习从大量的非结构化数据(文本、视频、图像、传感器数据)中获取知识,用于解决更复杂的任务。它驱动了计算机视觉、语音解读、自然语言处理等领域机器学习方法的发展。如果您的组织正持续不断地生成海量数据流,那么使用深度学习就非常值得考虑。 迄今而至,深度学习和机器学习都已经发展了一段时间。为了创造更多的收入,不少行业开始采用深度学习和机器学习算法,同时培训员工学习这种能力,为企业做出贡献。很多公司正在推出创新的深度学习技术,以解决复杂的挑战。未来,人工智能的边界仍将随着人类想象力和技术的延展迎来更多的可能。 原文:UNDERSTANDING DEEP LEARNING VS MACHINE LEARNING 本文转自51CTO,本文一切观点和机器智能技术圈子无关。原文链接在线免费体验百种AI能力:【点此跳转】
根据调研机构IDC公司最近发布的一份《全球人工智能支出指南》,预计全球人工智能预算将在未来四年翻一番,到2024年将达到1100亿美元。 IDC公司人工智能计划副总裁Ritu Jyoti指出:“越来越多的组织将采用人工智能,而且必须这样做。人工智能是可以帮助组织进行业务敏捷转型、创新和扩展的技术。” 数字业务咨询机构AHEAD公司现场首席技术官Josh Perkins说:“去年发生的疫情证明了人工智能技术的强大力量,人们的问题从‘人工智能技术在我们公司中能做什么?'转变为‘哪些领域还不适合人工智能?’” Perkins表示,当使用智能工具和功能解决特定于行业的问题时,人工智能将提供巨大的价值。医疗、银行、保险、零售和制造业的组织中正在出现创造性的应用程序。Perkins说:“这在很大程度上是因为组织希望更好地将数据资产实现货币化,并利用新的数据流来发掘见解。” 人工智能工具帮助应对数字化转型挑战的5个领域 当技术领导者将在现实世界中启用人工智能的数字计划时,了解最大价值所在将会提供帮助。某些主题在各个行业组织不断出现。以下研究一下人工智能领域中功能最强大的一些用例:从机器学习(ML)和自然语言处理(NLP)到边缘人工智能和AIOps。 1. 对话式人工智能:改善客户服务体验 将丰富的客户行为数据、自然语言处理(NLP)和聊天机器人结合起来时会得到什么?通常无需人工干预即可改变客户联系和支持的潜力。 Perkins说:“对自然语言处理(NLP)的大幅改进使每天的客户体验变得更加丰富和活跃。这项技术正在促进机器人与客户之间的对话的深度和自然流畅性。” 当这种方法能够快速访问后端系统时,增强了客户自助服务,组织希望能够更快地为客户解决问题。Perkins预测,在未来几年内,客户将更难辨别他们是在与机器人交谈,还是在与人工客服交谈。 事实上,根据2020年全球各地组织的支出情况,部署自动化客服是最主要的人工智能用例。Perkins说:“目前有许多用例应用于零售和电子商务垂直领域,主要集中在客户服务上。例如在医疗保健领域,会话人工智能被用来协助患者支持和预约安排。” 2. 边缘人工智能:解决带宽、延迟和隐私问题的方法 人工智能曾经只应用在数据中心领域。但是,随着人工智能应用在网络的边缘,它开始为组织解决大量的分布式数据和分析问题。边缘人工智能是在数据来源点嵌入智能功能,无论是物联网终端、智能手机还是自动驾驶汽车。Red Hat公司首席技术战略家G.Nadhan解释说,“换句话说,边缘计算使数据和计算最接近交互点。” 边缘人工智能正在得到广泛应用,其应用范围从智能音箱到街头的摄像头。 边缘处理器制造商Hailo公司首席执行官Orr Danon表示:“直到最近,边缘的人工智能基本上还是理论上的。在2021年,我们可能会看到,由于技术的进步,边缘人工智能的产品将出现增长,这些技术更容易获得,价格也更低廉。边缘人工智能对于管理不断增长的数据量和减轻业务网络日益增长的压力至关重要。在边缘处理数据而无需将数据传输到云端,使设备更强大、更通用、更灵敏、更安全,并有助于合规性。” 一些零售商也将在边缘部署人工智能,以最快的速度和最小的延迟在本地处理本地视频,这在某些情况下为非接触式且无需收银人员的购物打下了基础。商店可以使用摄像头和边缘人工智能来检测远处的物体,并快速处理相关信息。这些数据有助于优化客户等待时间、库存货架和店内体验。 3. 机器和深度学习:网络安全中的较量 不良行为者已经利用人工智能发动网络钓鱼攻击和其他恶意的网络攻击,并利用智能自动化提高网络攻击的速度、数量和种类。调研机构Forrester公司预测,网络罪犯采用Deepfake技术在2021年将使组织损失超过2.5亿美元,他们利用人工智能创造令人信服的音频和视频,并在用户的电子邮件泄露攻击中欺骗用户。 传统的网络缓解技术无法与这种复杂的方法相提并论。因此,人工智能在网络安全和攻击中的使用是Gartner公司在2020年预测的九大安全趋势之一,并指出必须加强人工智能来增强网络安全防御。 在网络安全和威胁情报中有大量的人工智能网络安全应用程序。最常见的用例包括面部和语音识别、垃圾邮件或网络钓鱼识别以及恶意软件检测。机器学习方法可用于检测电子邮件中的异常,模式识别技术可识别需要保护的受监管个人数据,无监督机器学习可对网站进行分类并识别高风险网站,无监督机器学习可在网络钓鱼和垃圾邮件尝试中发现近乎重复的网站。TrendMicro公司最近发表的一篇文章指出,端到端深度学习是检测恶意软件的解决方案。 4. 目标:缓解IT警报疲劳等问题 IT组织需要考虑Ops这个主题。IDC公司指出,IT自动化是2020年人工智能增长最快的用例之一(以及药物研发和人力资源自动化)。正如DevOps研究所的首席研究总监Eveline Oehrlich在最近的一篇文章中指出的那样,AIOps可以证明IT组织具有变革性,因为在IT组织中,运营环境所生成的数据太多了,使领导者的决策受到了影响。在混合云时代,这是不断增长的IT功能队列。机器学习可以解决大量经常冗余的警报,以更加实时或主动的方式帮助管理系统性能,并提供更大的端到端可见性,从而为IT团队节省时间。 为此有充分的理由将人工智能行动列入2021年十大人工智能趋势的名单。而孤立的监控系统无法跟上当今多样化的环境。Gartner公司认为AIOps有五个主要用例:性能分析、异常检测、事件关联、分析,以及IT服务管理。 Perfecto by Perforce公司首席技术官兼产品经理Eran Kinsbruner在最近发表的一篇文章中写道:“这些工具共同构建了一个全面的生产和运营洞察力分析层,可以在大数据和先进的现代软件架构上运行。借助基于人工智能的操作功能,团队可以专注于确定其应用程序的服务运行状况,并获得对其生产数据的控制和可视性。” 随着供应商开始提供AIOps平台解决方案,Forrester公司建议IT领导者寻求那些可以提供跨团队协作功能、端到端数字体验以及无缝集成到整个IT运营管理工具链中的解决方案。 5. 机器学习:可预测的资源优化 能够预测突然变化(供应或需求、医疗保健成果、销售或客户行为)的价值越来越清晰。 在基本层面上,有监督的机器学习(特别是回归)使组织能够建立数学模型,根据一系列预测变量或输入来预测未来的结果。Perkins说,“这种方法在各个行业的商业应用非常广泛,其共同点是能够事半功倍。无论是人力资源、清单资源还是谨慎流程,机器学习都使人们能够观察和定义模式以获取以前无法获得的见解。” 这种技术的用例包括库存优化和重新订购点,可以在特定的轮班或需求期间对员工进行适当的工作安排,甚至提高销售预测的准确性。 本文转自51CTO,本文一切观点和机器智能技术圈子无关。原文链接在线免费体验百种AI能力:【点此跳转】
随着春节假期的来临,全国各大城市的火车站、机场、地铁等公共场所将成为疫情防控的重点区域。在这些人流密集的区域实现非接触式筛查、高温群体快速检测是许多城市共同面临的挑战。需要全新的智能人脸识别测温系统来解决这些难题。 全新的智能人脸识别测温系统解决方案 全新的智能人脸识别测温系统解决方案,在人脸识别、人脸检测和体温检测等技术层面进行重点攻坚,通过对人脸识别算法进行调整与升级,启动戴口罩场景下的人脸识别算法,实现实时精准检测和识别戴口罩人脸,及时发现未戴口罩人员并不予通行;同时在人脸识别通道处部署热成像测温相机,对通行人员进行非接触式快速测温,可同时满足佩戴口罩场景下的身份核验、体温检测、人脸考勤、闸机通行等业务需求。简而言之就是现在使用智能的人脸识别设备,佩戴口罩也能实现员工的刷脸考勤及测温通行!希望通过这一系列科技手段,为企业响应复工复产构筑第一道防疫屏障。 结合当下的防疫需求,当人脸识别设备开启口罩检测功能后,将优先检测人员是否佩戴口罩。针对未戴口罩人员,系统会通过语音和画面提示人员佩戴口罩,戴好口罩后才能进行人脸识别并检测体温,高温可触发报警,体温正常者方能开闸/开门放行。此举可同步提醒防疫值班人员,做到主动式防疫管控,实现7*24h全天候实时监管,有效保障并提高公共场所的安全性。 特点一:非接触式快速测温,严防交叉感染 该系统前端基于红外热成像技术,对人员进行近距离非接触式体温检测,检测距离约为0.2~1米,检测误差±0.3℃。当温度超过设定的阈值时,系统自动报警。 特点二:戴口罩刷脸进出及识别是否佩戴口罩 智能口罩人脸识别模式支持口罩检测与口罩场景人脸识别。通过对系统白名单进行人脸比对和人脸检测,实现人员快速考勤通行,同时对未佩戴口罩人员使用实时语音和画面提醒。目前口罩检测准确率超过99%,戴口罩识别准确率超过98%。 特点三:数据实时存储,方便后台查询追踪 系统实时记录人员的姓名、通行时间、体温及抓拍的人脸图像等信息,并上传至智能大数据云平台,方便管理方查询通行人员信息,排查异常情况。 智能的人脸识别测温系统,可广泛应用于社区、写字楼、机场、景区等人员流动性大、人群易拥堵场所。通过启用佩戴口罩场景下的人脸识别考勤与测温功能,帮助企业实现员工的分类管理与精准识别,同时降低接触风险,实现防疫复工两不误。 本文转自千家网,本文一切观点和机器智能技术圈子无关。原文链接在线免费体验百种AI能力:【点此跳转】
2021年02月
2021年01月