三個例子來闡明光電技術與人工智能融合后，使用戶能夠更快速、更可靠的達到目標。

查看、識別、分配–并盡可能無誤地實時執行。許多基于視覺圖像識別的目標任務聽起來可能就這么簡單——無論是質量檢查、樣品評估，還是許可證和權利的分配，例如訪問檢查。

如果加入人工智能，目標任務處理速度增加，在理想的情況下，檢測率也能有很好的提升。具體的識別和評估取決于您的業務需求，因為圖像處理系統（幾乎）沒有限制，*。

為什么光電學會影響許多人工智能的應用？

它們使人工智能能夠首先被“看到”，從而進行分析。在高靈敏度傳感器和攝像系統的幫助下，初看不見的東西在復雜的測試序列中變得可見。成像技術提供高分辨率和高對比度的圖像。結合深度學習算法，可以從圖像中提取更多的信息。這導致在很多應用領域，如科學研究、工業制造、醫療保健和公共部門等，產生了大量的意想不到的研究結果。

實例1-通過人工智能，醫學上對樣品的分析更加可靠

近年來，人工智能在醫療領域的應用越來越有前景。然而，與其他行業相比，有些限制旨在以盡可能好的方式保護患者。因此，美國食品和藥物管理局（FDA）于2018年成立了一個專家團隊，負責審查和批準將深度學習算法用于醫療技術，這對醫療行業來說是重要的一步。但是人工智能對醫療保健有什么好處呢？

想象一下，在你面前有一臺顯微鏡，顯微鏡上放著一張有醫學樣本的載玻片。樣本進行成像后，到醫生的屏幕上，樣本的圖像擁有難以置信的1500萬像素——大量的像素確保了高質量的圖像。正是在這大量的像素中，你正在尋找，例如，一個明顯但微小的偏差，一種所謂的微惡性腫瘤，這些可以作為一種腫瘤疾病的指示。通常它們的大小只有300 x 80微米，即只有0.3 x 0.08毫米。相比之下，正常人的頭發厚度不到100微米。

聽起來像是一項具有挑戰性的診斷任務，但它卻是病理學家日常工作中的一項重要的核心技能。平均來說，病理學家在傳統的專業顯微鏡下分析樣本大約需要兩分鐘。而這正是人工智能可以提供幫助和提高工作效率的地方。

Jenoptik和一家搜索引擎公司一起開發了一種顯微鏡攝像頭，使臨床醫生能夠更準確、更高效地工作。對重點區域進行標記，病理學家能夠更容易地發現重點樣本區域，并有針對性的進行仔細檢查。Jenoptik的顯微鏡攝像頭，通過人工智能軟件得到功能增強。它可以突出顯示樣本上對疾病檢測有高度相關性的特定區域。這是因為系統已經從先前樣本的測定中學習到到每一種微惡性腫瘤具有的*病理特征，并且在圖像上實時顯示這些特征。

同時，通過深度學習算法，醫學樣本在顯微鏡下的測試時間可以從120秒減半到61秒。此外，研究表明，淋巴結癌等疾病可以被檢出的概率提升至91%。相比之下，免疫組織化學等傳統方法對淋巴結癌的檢出率僅為83%。

實例2-人工智能能確保批量生產出的產品的質量合格

在生產過程中，影響效率和附加值質量的一個決定性因素是使廢品的數量盡可能少，以使無差錯生產零件的比例、成品率接近100%。例如，在許多生產區域使用高速和在線檢測攝像機來檢測生產過程中產品表面或形狀的缺陷。高分辨率相機系統不僅能夠檢測產品缺陷，還能夠提供準確的、高對比度的圖像。在這里，視覺圖像處理和人工智能的結合也提高了錯誤檢測的質量。此外，錯誤不僅可以更可靠地檢測到，而且可以更準確地分類，使得后期的調整和應對更具有參考性。

例如-焊接頭和螺釘頭

焊縫的質量控制非常復雜。這是因為即使*看上去不錯的焊接點也顯示出差異，這就是為什么產品缺陷通常很難識別。例如，在螺絲頭的質量上也是相似的。此外，只有極少量的零件有缺陷。生產過程中的變形、污垢也給成像檢查程序帶來了額外的挑戰。

在神經網絡和深度學習算法的幫助下，攝像機可以快速而明確地識別出生產零件是否符合規定的質量要求。這種分析系統是用*零件的大數據庫訓練而成的。通過這種方式，系統學會了如何檢測小的偏差，并在生產過程中分離出“好的和壞的部分”。在光電解決方案的幫助下，該算法基于高分辨率圖像。結合深度學習算法，這些算法在圖像分析中提供了更準確的結果。如果新零件被生產出來，并且也經過檢查，算法會自動識別出是否存在異常，并繼續進行自我學習訓練。通過對生產過程中的錯誤進行及時和系統化的識別，可以迅速地做出正確的決策。

實例3——有了人工智能，即使在困難的條件下也能正確讀取車牌號

人工智能的使用在道路安全領域也提供了顯著的優勢，例如在自動車牌識別系統中，這些系統用于通行權和速度控制。

挑戰在于，即使在惡劣的天氣、黑暗或弱光照等惡劣條件下，也要正確識別車牌。人工智能系統通過識別圖案和重復出現的元素，例如，它“理解”車牌所傳達的車輛原產國信息，從而提高了讀取率的準確性。原則上，該軟件還可以將車輛進行分類：汽車、卡車、公共汽車或摩托車。

人工智能軟件直接集成到交通攝像頭中，因此不需要額外的設備或安裝。例如，在英國，將自動車牌識別系統整合到全國交通信息和搜索系統，終簡化了工作，同時道路和社區更加安全。

目前，英國各地有數百臺基于人工智能的ANPR攝像機正在與交通部門合作。由于其高準確度的讀取率，它們有助于保持社區和道路的安全，因為它們能夠可靠地、快速地識別感興趣的車輛，從而允許交通部門進行適當的干預。

交通攝像頭不僅可以增強安全性，還具有可持續性。它們的使用改善了交通流，從而使速度均勻。這反過來又對環境產生了積極影響，因為燃油消耗量降低了。

以上這些例子表明，自學習系統因為其快速性、可靠性，正在全面地進入日常生活。然而，在可預見的將來，機器將不會取代人類。人工智能仍然是由人類創造的，它取決于訓練它的樣本數據的質量。