7月28日，公司董事长刘靖峰受湖北工业控股集团有限公司特别邀请参加“物联网人工智能新机遇”的专题培训授课。此次“物联网人工智能新机遇“专题培训的举办是工控集团为了进一步提升大家对物联网、智能化的认识，推动所属企业结合自身的发展战略，启动信息化工程，真正将“智能化工控”落到实处。 物联网，顾名思义，物联网就是物物相连的互联网，通过射频识别（RFID）、红外感应器、全球定位系统、激光扫描器等信息传感设备，按约定的协议，把任何物品与互联网相连接，进行信息交换和通信，以实现智能化识别、定位、跟踪、监控和管理的一种网络概念。在课上公司董事长刘博士从物联网的发展趋势、物联网的本质及架构、物联网时代市场中的变化、物联网的应用等方面进行了讲授，并结合行业案例进行了详细的分析介绍。 通过此次我司董事长刘靖峰“物联网人工智能新机遇”专题培训，工控集团充分认识到物联网对制造业转型升级的重大意义。同时工控集团将会在接下来的时间里，精心策划，周密部署，全力推动智能车间和智能生产线的建设。将集团企业的发展与物联网人工智能灵活运用，让集团朝着高端化，智能化，绿色化，服务化迈进！结合刘博士的专业培训讲解和集团实际，建设好“智能工控”，打造独一无二的核心竞争力，实现工控集团转型发展的新机遇。 正如这次培训主题一样，物联网带来了人工智能新机遇，我司时刻走在科技的最前沿，立足中国，具有全球视野，以连接为基础，以深度学习、云计算以及各种工程技术为基础的综合技术、方案服务提供商。

前言 换一个角度来看的话，图像其实就是一个多维矩阵。不过跟你在学校里学到的传统矩阵不一样的是，图像还有深度，即图像中的通道数。一个标准的RGB图像有3个深度，分别为红、绿、蓝3个通道。 有了上述认识后，我们就不难理解模糊、锐化、边缘检测等这些基本的图像处理，其实就是图像这个大矩阵和一个小矩阵（内核）卷积的结果这一事实了。这个小矩阵或者说是内核从原始图像左上角开始，从左到右、从上到下依次滑过图像的每一个像素点，在每个像素点处都要进行卷积运算。 通常，我们会手动定义内核，这样我们可以获得各种自己想要的图像处理函数。你可能已经很熟悉模糊（平均平滑，高斯平滑，中值滤波等）、边缘检测（拉普拉斯，Sobel,，Scharr，Prewitt等）、以及锐化操作了，其实这些操作都是通过手动定义内核来实现的。 所以问题来了，有什么办法能自主学习这些各式各样的滤波器吗？能将这些滤波器用于图像分类和目标检测吗？ 答案是肯定的。 但是在那之前，我们需要先了解一点内核和卷积的知识。 内核 让我们再次想象一下，原始图像是一个大矩阵，而内核是一个很小的矩阵（相对于原始图像）： 如上图所示，我们沿着原始图像，让内核从左到右、从上到下滑动。 在原始图像的每个(X,Y)坐标像素点处，内核中心点与该像素点重合，原始图像(X,Y)坐标周围与内核重合的像素点区域，与内核区域做卷积运算，得到一个输出值。这个输出值将被存储在输出图像中的(X,Y)坐标处。 如果你觉得这听起来有点乱，不用担心，稍后我将会举一个浅显易懂的例子，但在此之前，让我们先来看看什么是内核： 上面我们定义了一个3×3的内核（猜猜这个内核可以用来做什么？） 内核可以是M×N的任意大小，但M和N必须是奇整数。 注意：很多常见的内核都是N×N大小的方形矩阵。 我们使用奇数尺寸的内核，是为了保证在图像的中心，(X,Y)坐标是有效的： 上图中左边是一个3×3的矩阵。若矩阵的左上角为原点，且坐标是零索引的，那么，很显然，矩阵的中心位于(1,1)坐标处。而右边的2×2矩阵，其中心位于（0.5，0.5）处。但是，如我们所知，除非使用插值，否则不可能出现（0.5,0.5）这样的像素坐标，也就是说，我们的像素坐标必须是整数！这也就是为什么我们必须用奇数的内核尺寸的原因。 卷积 现在，我们已经基本了解了什么是内核，再来看看卷积吧。 在图像处理中，卷积需要三个元素： 一幅输入图像 一个内核矩阵（将与输入图像做卷积） 一幅输出图像（用于存储输入图像与内核卷积的结果） 卷积其实非常的简单。我们只需要： 从原始图像中选取一个(X,Y)坐标 将内核的中心点放到(X,Y)坐标处 输入图像中与内核重叠区域，与内核逐元素相乘，然后将这些乘法运算的值累加得到一个单一的值。这些乘积的总和称为内核输出 将步骤3获得的结果存储在输出图像中，存储位置与步骤1中的（X,Y）坐标相同 下面是一个卷积的例子，用之前定义的3 x 3大小内核对一幅图像的3 x 3区域进行模糊处理： 因此： 卷积之后，我们把输出结果 Oi,j = 126 存储到输出图像的（i，j）坐标处。 这一切就是这么简单！ 卷积其实就是内核与输入图像中内核覆盖区域之间逐像素的乘积和。 用OpenCV和Python实践卷积 之前我们已经做了有关内核和卷积的有趣讨论。现在让我们去看一些代码，来了解一下内核和卷积是怎样被实现的。这些源代码也会对你了解卷积如何应用于图像处理有所帮助。 首先，打开一个新文件，将其命名为convolutions.py，写入以下内容： 第2-5行导入一些必要的Python包。你的系统上应该已经安装了NumPy和OpenCV，但你可能没有安装scikit-image。只需用pip就可完成安装： ? 1 $ pip install -U scikit-image 接下来，我们就可以定义卷积了 卷积函数convolve有两个输入参数：灰度图像image和内核kernel。 在第10和11行，分别获取了image和kernel的尺寸（宽和高）。 在继续之前，理解内核kernel滑动经过原始图像image的每一个像素点，逐点进行卷积运算，并将卷积结果存储到一幅输出图像相应位置的这一过程是很重要的。 为什么呢？[…]

    职商(career quotient)，简称CQ，全称职业智商。就职商的内涵而言，它是工作时智商与情商的综合体验。职商是一种包含了判断能力、精神气质、积极态度的综合智慧，它关乎自我与工作、现状与发展的契合度。 职商其实是一个人在职业方面的综合素质和能力，它由知识技能、心态以及方法论这样三个维度构成。也就是说，良好的职商并不仅仅是指你所掌握的知识技能的扎实程度，它同时会考量你在职场和团队中是否具备面对困难却专注如一的心态，是否能够灵活地应对和处理工作中的各种问题，是否能够与他人携手合作共同进步，是否能够发现自己喜爱且擅长的事情并踏踏实实做下去等全方位的综合能力。 初入职场的你是不是很迷茫，究竟该找个什么样的工作？在职场中该如何提升自己业务技能、社交技能、综合素质等？带着这些疑问，我们有幸再次邀请凹凸电子HR总监毛洁萍为大家讲解“职商管理”。通过此次培训，让大家对企业、职场及个人的诉求进行了剖析，特别是让新踏入社会的职业人对职场有了更新的认识，从而能更好的规划自己的职场人生。 开篇毛总以“三个石匠”的故事，引出每个人对职业生涯的规划，你的职场目标决定你以后的职场方向和高度。   也许你已在职场这个“江湖”混迹已久，也许你是才踏入这个“江湖”的新手，你对职场的认知有多少呢？关于职场的认知，毛总以自己的职场经历举例，让我们反思自己的职场竞争力在哪，如何发挥自己的优势，扬长避短  。   你是否知道在职场我们需要具备哪些职业素养？毛总的课堂上从心态、敬业、专业及合作四个方面对此做了如下阐述：   “ 冰冻三尺，非一日之寒”，同样这些职业素养也不是一朝一夕就能具备的，它需要我们在日常工作中去积累。也许就是发一封邮件，也许就是打一个电话，如何能在这些看似不起眼的小事中让自己更专业，这是值得我们深思的。 最后，毛总以自己工作中一封邮件的经历结束了今天的培训，同时告诉我们要学会管理自己的职场人生，善于经“赢”自己的职场人生。良好的职商并不仅仅是指你所掌握的知识技能的扎实程度，它同时会考量你在职场和团队中是否具备面对困难却专注如一的心态，是否能够灵活地应对和处理工作中的各种问题，是否能够与他人携手合作共同进步，是否能够发现自己喜爱且擅长的事情并踏踏实实做下去等全方位的综合能力。

2016年07月，LinkSprite 研究的“GPU Based Simulation of Collision Detection of Irregular Vessel Walls)”荣获《第五届边境计算国际会议-理论、技术与应用》（The 5th International Conference on Frontier Computing）最佳论文奖。

2016年7月15日是个特殊的日子，今天我们迎来了Linksprite六周年纪念日，六年前的今天Linksprite诞生了，经历了六年的拼博与奋斗，六年的携手共进，2190天的风雨同行，51840个小时的并肩作战，我们共同体会着成长的苦与乐，一起感受着磨砺的痛与快，一同见证着Linksprite的发展！  万事开头难，回想2010年7月15日，六年前的今天，没有足够的资金，没有硬气的背景，没有充足的人脉，没有庞大的团队…永远记得创业之初三位怀揣着梦想的技术博士，他们带着自己的创业项目电力载波芯片落户武汉，他们希望能用技术征服市场，可事与愿违。但经过不断的复盘与总结，到如今数据挖掘深度学习技术，这中间肯定有痛苦，有彷徨，也有迷惘。但公司董事长刘靖峰坚信坚持与梦想同在。他坚韧不拔的精神，知难而上的勇气，感染着每一位员工。 为了感谢大家的努力付出，我们在这里欢聚一堂，一同迎接Linksprite六周岁的生日，活动开始前夕，大家踊跃拍照纪念。 新业务的转型，新研发团队的组建，研发部也成为公司的中坚力量，万总及团队的付出是我们大家有目共睹的，万总的分享更让我们了解到技术IT男的努力及付出 产品部梅总的三句话“南海是中国的，神目是世界的，Linksprite是大家的“言简意不简啊，未来，我们公司携手一起走向世界，多么鼓舞人心啊 下面是帅哥美女出场,我们来听听他们的故事 有这样一群人：一走出象牙塔就迈进了Linksprite的大门，他与Linksprite一起成长共同进步，他告诉我们敢于尝试是检验真理的唯一标准 爱笑的女孩，敢说敢做，这是她的风格，在她身上充满了正能量，我们需要这样充满朝气与正能量的血液    她是个有责任心有干劲的“女汉子”，努力不怕吃苦是我们创业团队必要特性   铛铛铛，蛋糕君出场啦，伴随着生日快乐音乐的响起，印着“Linksprite6周年”字样的蛋糕映入大家眼中，我们大家一起唱生日歌，切蛋糕 萌萌达的蛋糕君，看着就很美味，吃起来更美味哦 第一刀由我们美丽大方又有气质的HR总经理掌刀为我们开拔未来 寿星出场啦，今天刚好是这位美女的生日啊，我们大家一起祝寿星生日快乐 看着这些吃的是不是很诱人啊，吃货的福利来啦 梦想，不断地鞭策着所有的团队成员，一步一个脚印的实现并成就着当初的梦想，以后我们大家还会经历第二第三个六周年，在未来的六周年我们期待你的加入，这么好的福利，还在等什么，赶紧加入吧！      

        前言：现有证据表明，人脸比对系统并非对所有种族都有相同的比对准确性。        从目前我们所得知的情况来看，美国联邦调查局（FBI）和警察使用的面部识别系统可能存在种族偏差。这是该系统在设计和训练时采用不全面的数据库长期积累的结果，并非刻意所为。但它无疑会带来一定的问题，执法机构在刑事调查中对这类工具的依赖性越来越大，很大程度上增加了错判的风险。         执法部门并没有就他们如何使用人脸识别系统提供过多的细节，但在6月份，政府问责局发布的一份报告显示，FBI并没有对其所用系统的准确性进行严格测试，也没有将那些海量的国家人脸比对数据库资源包含进训练库。         目前美国最先进的人脸比对系统，对面部图像数据库中数据，能达到95%的准确性。这些照片都是在可控环境下，以普通大众为对象拍摄的。在不太理想的环境下（如不良照明、抓拍的怪异姿势和面部表情）拍摄的图像均可能会导致比对错误。         密歇根州立大学的生物识别技术研究小组负责人Anil Jain称，人脸识别系统的不完善的训练方法也会导致其出现比对偏差。为了让系统完成人脸比对，人脸比对系统必须首先学会人脸识别，这借助于一个训练数据集，集中的一组图像从不同的角度告诉软件人脸是什么样的。如果训练集中缺少某一性别、某一年龄段或某一种族的典型数据，必将影响系统对该种群的比对准确性。         2012年，Jain和几个同事用佛罗里达州皮内拉斯县警署的一组嫌疑犯照片来检测几种市售人脸识别系统，这其中包括执法机构的供应商的一套系统。这些系统在对女性、非裔美国人和年轻人等几类群体的面部进行比对时，结果均不太准确。Jain称，显然，这些系统对上述几类群体的代表性数据训练做得还不够。         “如果数据集中某一种族的人脸数据量比较大，则算法在识别该种族人脸方面会做得好一些，”得克萨斯大学达拉斯分校面部知觉研究实验室的负责人Alice O’Toole说。2011年，O’Toole和几个同事发现，西方国家的人脸识别算法在识别白人面孔方面的性能比东亚人面孔要好。同样的，东亚国家的算法在识别东亚人面孔方面比白人面孔要好。         自此以后的几年里，市售系统的准确性在众多领域内得到了显著改善，Jain称，人脸比对系统对不同性别、种族之间比对偏差应该是越来越小了。但可用的系统测试信息太少了，我们难以深入了解。比较新的人脸识别方法，如谷歌和Facebook开发的深度学习系统，如果没有完备的训练集，很可能会出现同样的问题。         Jonathon Phillips，美国国家标准与技术研究所的一位电子工程师，从事市售人脸识别系统的性能测试工作。他说，完全可以设计一个测试实验来评判人脸比对系统存在的种族偏差问题。事实上，信息安全专家均主张进行该种测试。         MorphoTrust，FBI面部识别系统的供应商，没有回答麻省理工大学科技评论（MIT Technology Review）的邮件提问，即他们是否对其系统在各种种族、性别和年龄群体下准确性做了测试。  […]

前言：谷歌的人工智能部DeepMind计划通过研究超过100万的眼球扫描数据，来帮助医生找出视力退化的早期迹象。   伦敦的Moorfields眼科医院每周要进行3000次光学相干断层扫描来诊断视力问题。这种扫描利用散射光来构造高分辨率的三维视网膜图像，这个过程中会产生大量数据。对这些数据进行分析是相当耗时的，这需要经过训练的、经验丰富的人眼来判别具体场景下的具体问题，这使得医生几乎没有时间去分析那些更具广泛意义的人眼病变走向，而这可以让早期诊断变得更容易。 上述问题只能通过人工智能来解决。因此，当谷歌的DeepMind决定和医院合作，将机器学习应用到眼病诊断中，并将此作为其健康工程的一部分时，并不奇怪。这个项目中，DeepMind的软件对超过100万的眼球扫描数据（包括光学相干断层扫描和传统的视网膜成像）进行了研究，以确定在眼病发作初期，眼睛会发生哪些变化。 最开始时DeepMind将重点放在：如何自动诊断因糖尿病和年龄相关性黄斑部退化而带来的视觉问题上。糖尿病患者是非糖尿病患者失明概率的25倍。在英国，年龄相关性黄斑部退化是失明的最常见原因。这两种情况中，早发现都有助于进行更有效的治疗。 由于这是一个全新的进程，并且是通过机器学习去判别那些人眼不易鉴别的数据形式，因此这项技术实现的一些具体细节我们还不甚清楚。尽管如此，DeepMind称其计划探寻视觉退化的早期迹象，以便医生提早介入治疗。 这是DeepMind实施的第一个纯粹研究型的健康工程。在早期与伦敦北部的Royal Free医院的合作中，DeepMind开发了一款称为Streams的智能手机APP，以监测肾脏病患者的健康状况。 然而，New Scientist的一份报告指出：该项目自主提交多达160万患者的记录到DeepMind，公众对此信息安全表示担忧。 为此Moorfields提供的眼球扫描数据将是匿名的。 DeepMind称，根据这些数据找出其中的一位患者是不可能做到的，且这项技术“只对今后的医药关怀有用，而不会对任何病人现在享受的医药关怀有影响。”Royal Free医院事件已经促使DeepMind这一次更加谨慎行事。 这不是深度学习在健康领域的首次尝试。例如，IBM的Watson超级计算机，目前正通过60万的医学证明材料、150万的病人病历和临床试验，来帮助医生为癌症患者制定更好的治疗方案。同时，U.K.-based startup Babylon正在开发一款软件，获取用户的症状并为用户提供一个治疗方案。 然而，对于这些存在更为普遍的问题，可能还需要很长的时间才能给出有效的解决方案。既然已经有了一个明确的目标，DeepMind应该能够扩展人工智能，使其可以检查那每周3000次的扫描，以帮助眼科医生在眼病发作初期做出诊断，避免造成严重的后果。让我们拭目以待。 图：视网膜扫描图像