中科创达孙力：AI赋能行业的难点与应对方法
孙力·中科创达副总裁
主论坛上，中科创达副总裁孙力做了主题为《智能视觉的“深蹲”和“起跑”》的演讲，阐述了建设图像系统、普及3D图像技术、优化嵌入式AI算法应用及AI赋能行业的难点与应对方法展开。
建设图像系统的难点与应对方法
视觉技术，是一门涉及诸多领域的交叉学科，用Camera进行图像抓取是前提。抓取的过程错综复杂，涉及到模组进行图像采集与应用、主芯片功耗、性能和系统的优化，及人脸识别、美颜、传统拼接、光学处理、降噪等一系列算法。
做一个优秀图像系统除采集方面挑战，还有图象处理算法，如曝光，白平衡，对焦，宽动态HDR，降噪等)、芯片加速、画质调优等，还有硬件的碎片化须对画质进行复杂的调优流程(实验室和实际生活场景)，还有虑功耗，性能和健壮性也是必须要考虑的。
孙力表示，画质调优是图像处理最重要的部分。想要产生最优的图像质量，需要调试整个图像的Pipeline、 3A(对焦，曝光，白平衡)等等很多细节 。
IQ – 画质调优三大阶段
画质调试，分为三大阶段：
1. 首选做好基础软件、驱动，像软件功能检查、无重大Bug影响IQ、验证原始图片（EXIF、AE参数，校准数据）等；
2. 配置相关专业设备，进行实验室调参，像LSC、AWB、AE、Gamma、对比度增强、CCM、DPC、滤噪、边缘增强等参数检测及处理。
3. 真实场景调参，与参考设备对比拍摄并调整，参考设备像人物、宠物、风景、肖像、户外、低光、办公室、家庭、闪光灯、背光、电影等。
善用硬件加速，解决功耗和性能问题
硬件加速是提升图像计算的关键部分，使用GPU、CPU等嵌入式硬件都需要具备多方面的能力。嵌入式硬件在对算法加速上有很大帮助，同时也会存在功耗的问题，建议类汽车多个摄像头的拼接这样的场景，择优选择GPU。近几年，汽车ADAS芯片对于高画质的要求发生了从外置的ISP到内置ISP，到Bayer Sensor的转变， 目前主流的方案是用外置的ISP，将来汽车领域也会经历类似于手机从功能机到智能机的演变。主要驱动力有BOM成本降低、如发热问题，环视等应用的拼接问题。像ASIL compatible、长期投入、Road testing严苛等是汽车特有的高门槛。
普及3D图像技术的难点与应对方法
利用3D图像技术是图像视觉方的另一个趋势，普及过程中还需克服以下几大难题：
- BOM成本，由于规模化的问题，还没有降低到平民化。
- 种的光学设计，碎片化(ToF，结构光，双目，主动双目等)。
- 嵌入式的SoC的depth map的运算能力(Pc辅助到嵌入式ARM based) 。
- 多套使用的完整建模问题。
- RGBD，基于3D的人工智能学术进展。
孙力表示，中科创达致力于利用宽动态/HDR 、降噪 、导入AI技术来解决传统图像质量问题，经过多年持续的投入与研发，在视觉技术领域已经有了很深厚的积累。
优化嵌入式AI算法应用的难点与应对方法
AI正当时，嵌入式/边缘AI是未来，嵌入式/边缘端智能视觉设备量也在迅速增长。在此大背景下，中科创达推出一款基于高通骁龙 845 平台的人工智能引擎，TurboX AI Kit。TurboX AI Kit主要特点有三：高性能的嵌入式端侧/边缘，AI 开发平台；丰富的嵌入式 AI 开发、分析、优化和调试工具；加速端侧 AI 的实现与普及，助力生态系统构建；
当前制约嵌入式AI算法应用的主要问题有：有限的计算资源、多样化的应用场景和需求、不成熟的生态系统、碎片化的终端处理平台、性能(准确率-速度)的平衡/取舍、功耗与成本等。想要应对这些问题，就需要在硬件和软件深度结合、系统化设计等方面深究。
AI赋能行业的难点与应对方法
当AI走出实验室，赋能某个行业，将面临方方面面的挑战。从客户角度看，期望看到的是整体解决方案(数据获取，隐私问题，训练，生产管理系统，私有云 部署，前后端等，而不是纯算法)。
客户在衡量AI技术的预算不是根据AI作为高大上的技术来做的，而是根据生产力提升(用户体验提升，销售转换率等)，运行效率优化，及经营业绩能承受的预算能力来反推的，这和目前昂贵的AI投入成本(人力，服务器等)是个矛盾。
当行业客户的工作流程，部门职能等还未能围绕先进生产力来进行部署和优化时， 客户期望一次性投入建设一个人工智能平台，可以一劳永逸的自我训练、升级和部署，对比于现在需要定制化的算法，未来围绕需要解决的领域问题，少数的人力服务于算法的流程需要被建立。
那么，如何应对AI赋能行业遇到的这些难点呢？AI需要一个平台和引擎，而不是仅仅提供一个算法。举例，下图为中科创达智能视觉缺陷检测方案效果图。
中科创达智能视觉缺陷检测方案效果图