人工智能是研究、开发用于模拟、延伸和扩展人智能的理论、方法、技术及应用系统的一门新的技术科学，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等，它由不同的领域组成，如机器学习，计算机视觉等等。其中，计算机视觉是使用计算机及相关设备对生物视觉的一种模拟。由于计算机视觉在工农业生产、工业机器人、天文学、气象学、医学及军事等领域有着极大的潜在应用价值，所以它越来越受到各国政府和科研工作者的重视。目前我国在计算机视觉领域取得了不少成就，也得益于我国从事该领域研究的众多科研人员，今天我们要介绍的是计算机视觉领域的专家陈秀新。

北京工商大学人工智能学院的陈秀新副教授从事图像和视频信息处理相关研究已有二十余年，在传统的图像处理方法研究及应用方面有不少建树，如基于内容的图像/视频检索、数字水印技术、探地雷达钢筋识别等。随着人工智能及深度学习技术的发展，她对基于深度学习的图像中目标检测和识别等相关问题进行了深入研究，并和企业实际需求相结合，如对桥梁外观损伤及工业零器件的外观缺陷检测等进行实际应用研究，促进了人工智能技术在实际工程中的应用。

桥梁在我国的交通系统中具有重要意义，桥梁的损伤检测可及时发现桥梁的外观损伤，为桥梁维护提供依据，从而保证桥梁的安全使用。传统的桥梁损伤检测是采用人工实地检测的方式，效率低下。因此，陈秀新对基于机器视觉的桥梁损伤检测与识别进行了深入研究，采用深度学习方法从采集的桥梁图像中自动检测和识别裂缝、坍塌、铁锈、杂草等损伤。由于实际的桥梁损伤图像数据复杂且数量少，无法直接用来训练深度学习模型，因此她首先通过采用模糊滤波、镜像、旋转、平移、加噪等传统的图像处理方法进行数据增强，随后采用随机擦除的方法生成不同遮挡等级的桥梁图像，实现对训练样本的扩充。然后，她基于检测识别精度高且速度快的YOLO V3模型(YOLO，You Only Look Once是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。YOLO V3是YOLO系列目标检测算法中的第三版，尤其是针对小目标，精度有显著提升)，并进一步根据实际需求进行改进，提出了融合可变卷积与迁移学习的DT-YOLO V3桥梁损伤检测与识别模型。(可变形卷积是指卷积核在每一个元素上额外增加了一个方向参数，这样卷积核就能在训练过程中扩展到很大的范围;迁移学习顾名思义就是把已训练好的模型参数迁移到新的模型来帮助新模型训练。考虑到大部分数据或任务都是存在相关性的，所以通过迁移学习我们可以将已经学到的模型参数通过某种方式来分享给新模型从而加快并优化模型的学习效率不用像大多数网络那样从零学习。)最后，为了提高模型速度，她采用组卷积和剪枝技术对模型进行了压缩，陈秀新提出的这种桥梁损伤检测方法准确度高且速度快，大大提高了桥梁损伤检测的智能化程度。

现在的工业部件生产厂家在零部件缺陷检测方面大都使用人工检测，工作量大，效率低下。针对这些问题，陈秀新及时将计算机视觉技术应用在了工业零部件缺陷检测上。针对零器件表面缺陷检测时存在缺陷样本少、缺陷目标尺寸大小不一和易发生几何形变等问题，她提出了一种基于度量学习的小样本零器件表面缺陷检测模型，很好地满足了工业自动化生产对于缺陷检测精度、速度和泛化能力的需求。度量学习是一种空间映射的方法，其能够学习到一种特征空间，在此空间中，所有的数据都被转换成一个特征向量，并且相似样本的特征向量之间距离小，不相似样本的特征向量之间距离大，从而对数据进行区分。

目前，陈秀新教授正在研究应用机器视觉技术对高铁接触网缺陷进行自动检测，此外，她还在智能农业大棚系统监测、监控视频特定事件检测软件开发等企业委托项目中应用了人工智能技术，她的这些科研成果对推动人工智能技术的应用落地起到了极大的示范作用。

陈新秀教授不仅仅深入理论基础研究，她还不断把理论和实践相结合，用最新的人工智能技术服务社会，推动国家技术的进步和工业智能化程度，给人民生活带来更好地体验。