圖像識別落地B端應用，商業化的“繡球”先拋給了哪些行業？

隨著技術進入成熟期，在最容易實現落地的B端市場，圖像識別正逐漸擴大自己的市場。

近日，美國權威雜志《MIT科技評論》（MIT Technology Review）公布了2017年度全球十大突破技術，其中屬于AI范疇有三項技術，分別是強化學習、自動駕駛貨車和刷臉支付。

其中，值得我們注意的是，雖然同屬于2017年的突破性技術，但在距離進入成熟期的時間上，相對于強化學習和自動駕駛貨車的還需要1-2年和5-10年時間，刷臉支付技術現在就已經進入了這一階段。

根據平安證券發布的《通信行業人工智能圖像識別專題報告》顯示，到2020年，作為圖像識別的重要分支之一，人臉識別的市場將從2015年的9億美元增長到24億美元，由此延伸，我們便可知悉未來圖像識別的市場前景之誘人。伴隨著技術進入成熟期，我們也看到了圖像識別在行業應用上的拓寬，尤其是更容易落地的B端市場。

安防監控

在安防監控上，除了字面意思所指的安防和監控，還包括日常上班的刷臉打卡、火車站的人臉識別過安檢以及銀行等金融機構的人臉識別驗證等等，從廣義上來講，這些應用都屬于安防監控的范疇。

在安防監控領域，圖像識別公司格林深瞳應該算是業界翹楚了，受到了業界的認可，其次有剛剛獲得億元融資、與多家機構搭建了合作關系的深醒科技等等。單從未來的市場前景來看，安防監控領域的潛力還是非常大的，僅僅是公安和智能家居兩個市場，其容量大小就不能令人小覷。

與此同時，在安防監控領域，圖像識別也面臨著不小的挑戰，主要問題是數據庫的不夠豐富，唯有背靠更為全面和豐富的數據庫，圖像識別的準確率才會進一步得到提升，并在實際應用中，也能夠提供更為精確的服務，最典型的案例就是公安部進行的嫌疑人圖像的對比等等。

醫療

以患者所拍的片子為依據，進而識別并找出其中的病灶，或是識別化驗單以錄入系統等即圖像識別在醫療領域所干的事情。而若有可能，依靠背后的大數據，圖像識別甚至可以找出未來可能發生病變的細胞等等。

目前，利用圖像識別技術來布局自己智能醫療市場的團隊不在少數，像斯坦福大學開發了一個圖像識別深度學習算法，根據皮膚癌識別的測試結果，其綜合準確率達到了91%，而在青光眼的早期診斷上，IBM認知平臺Watson也將準確率提到了95%左右。與此相對的，在數量上，國內在研究圖像識別+醫療的團隊或許沒有那么多，但也有了相應的成果出來，像打造了智慧醫療智能影像平臺的依圖科技，以及從事醫療影像智能分析的醫渡云、匯醫慧影等公司。

與安防監控類似，在醫療領域的行業應用上，圖像識別面臨的難題也是數據的不全面，畢竟醫療是一個極其講究準確性的行業，不能容忍一絲一毫的誤差。而在準確性的提高上，圖像識別則依賴于大量數據對算法的訓練，由此，雖然當前圖像識別的準確率趨向接近于完美，但依然還是一個助手般的存在。

結語

相對于C端市場的難以打開，圖像識別在B端市場的活躍度是相當之高，除了以上提及的安防監控、醫療等，鑒黃之類的工作對其而言也是家常便飯。此外，在B端行業應用之中，利用無人機、機器人、自動駕駛/無人駕駛汽車等人工智能硬件設備，作為它們的“眼睛”，圖像識別更是間接地開拓出了更多的應用領域，像無人機送快遞、機器人陪護、自動駕駛/無人駕駛汽車行駛途中等場景中，無一不透露著圖像識別的身影。

不過，技術進入了成熟期，并不意味著技術已經完美。依據各個不同的專業領域，其系統中的算法也需要進行針對性的開發和訓練，從而為技術在行業的成熟增添了一個難度，要知道，在某些行業中，鑒于某些因素，數據的獲得并沒有那么的容易。此外，如同語音識別中的降噪，如何降低周邊環境因素、或是人為破壞所帶來的影響，這些對于圖像識別準確性的保證也是一個挑戰。

最后，記得關注微信公眾號：鎂客網（im2maker），更多干貨在等你！