机器之心发布

无人机+深度学习,英特尔AI技术高效助力文物保护

科技正在以一种近乎革命性的手段解决生活中真实存在的难题。人工智能的出现,重新定义了文物保护的方法,克服了传统方式中的困难和挑战,以更快、更高效的方式解决凭借人力无法解决的问题。

通过英特尔人工智能技术、深度学习技术、无人机技术等,如果实现对于箭扣长城的保护与修缮?答案就在视频里。


  • 无人机高精度图像采集:因为长城的跨度很大,修缮之前首先需要进行环境勘测。传统的办法是通过尺子测量以及目测,很难得到精准的数据。通过英特尔®猎鹰 8+(Intel® Falcon™ 8+)无人机,工作人员能够近距离检测到长城的破损情况,可以获取高分辨率图像,帮助文保人员清晰、全面了解长城现状。

  • 基于英特尔® 至强处理器的 3D 建模和损毁检测: 这个过程包含了多个算法和步骤。根据无人机采集的数据,采用英特尔® 至强处理器能够快速分析处理上万张图片,并计算出破损的长度和宽度,规划修缮所需材料,并提供裂缝和塌方等破损的测量数据用于指导物理修缮。有了这些数据,修缮团队就无需再现场测量,而是可以通过 AI 算法得到最终需要的时间、人力、物力和成本。

  • 基于人工智能和深度学习技术的数字化修复:在 3D 模型损毁识别基础上,利用最新的 3D 模型对抗生成网络,以及回归卷积网络,对城墙缺损部位进行数字化修复,并据此对实际的长城修缮和维护提供指导和参考数据。

这将是一个全新的探索,先进的无人机航拍和人工智能技术参与文物建筑的修缮和保护,英特尔的计算技术深度参与其中。数据显示,仅仅 700 米的长城城墙,猎鹰 8+无人机采集了上万张高分辨率图像,原始数据超过 200GB,整个处理过程会频繁访问这些数据,还会产生超过 100GB 的中间和仿真数据,即便是高性能的计算,处理如此庞大的数据量也极其复杂。

解决方案还涉及多种 AI 算法,包括视觉特征抽取与索引,相机参数恢复,光束平差(bundle adjustment),稠密匹配,几何模型网格生成,深度神经网络 2D 及 3D 模型训练,纹理合成等。

英特尔的方案是,基于 Xeon 至强可扩展处理器,英特尔固态盘,同时结合 OpenMP/MPI 并行优化技术,采用针对英特尔 CPU 优化的英特尔®深度神经网络数学核心函数库(MKL-DNN),以及面向英特尔架构优化的深度学习框架 Tensorflow 等工具,高效地实现长城 3D 建模和数字化修复,并达到厘米级精度的效果。

整个长城 3D 建模和数字化修复过程中,需要进行大规模的方程迭代计算,其中一些基于大规模稀疏矩阵的方程求解会存在收敛稳定性问题。这个时候,大规模矩阵计算库 MKL 的作用就凸现了,它不仅能够提升计算效率,还能够大大提高复杂计算的稳定性。

如今,英特尔开发的 MKL-DNN 库已经广泛应用在 Tensorflow,Caffe 等流行的深度学习框架中。可以说,针对深度学习领域不同算法实现的解决方案中,英特尔至强架构是能够全面高效、低成本支持这么多种算法的理想选择,并可以明显提高人工智能修缮长城的效率和速度。

有了更领先的技术和更精准的数据,我们创造了更快、更高效的解决问题的办法,帮助各行各业解决那些尚未解决的问题。

产业3D建模无人机人工智能
1
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

收敛技术

在数学,计算机科学和逻辑学中,收敛指的是不同的变换序列在有限的时间内达到一个结论(变换终止),并且得出的结论是独立于达到它的路径(他们是融合的)。 通俗来说,收敛通常是指在训练期间达到的一种状态,即经过一定次数的迭代之后,训练损失和验证损失在每次迭代中的变化都非常小或根本没有变化。也就是说,如果采用当前数据进行额外的训练将无法改进模型,模型即达到收敛状态。在深度学习中,损失值有时会在最终下降之前的多次迭代中保持不变或几乎保持不变,暂时形成收敛的假象。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

张量技术

张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数,这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 维空间内,有 个分量的一种量,其中每个分量都是坐标的函数,而在坐标变换时,这些分量也依照某些规则作线性变换。称为该张量的秩或阶(与矩阵的秩和阶均无关系)。 在数学里,张量是一种几何实体,或者说广义上的“数量”。张量概念包括标量、矢量和线性算子。张量可以用坐标系统来表达,记作标量的数组,但它是定义为“不依赖于参照系的选择的”。张量在物理和工程学中很重要。例如在扩散张量成像中,表达器官对于水的在各个方向的微分透性的张量可以用来产生大脑的扫描图。工程上最重要的例子可能就是应力张量和应变张量了,它们都是二阶张量,对于一般线性材料他们之间的关系由一个四阶弹性张量来决定。

无人机技术

无人机(Uncrewed vehicle、Unmanned vehicle、Drone)或称无人载具是一种无搭载人员的载具。通常使用遥控、导引或自动驾驶来控制。可在科学研究、军事、休闲娱乐用途上使用。

深度神经网络技术

深度神经网络(DNN)是深度学习的一种框架,它是一种具备至少一个隐层的神经网络。与浅层神经网络类似,深度神经网络也能够为复杂非线性系统提供建模,但多出的层次为模型提供了更高的抽象层次,因而提高了模型的能力。

推荐文章
暂无评论
暂无评论~