人工智能导论 课件 第9章 综合实践项目

1

教材：

胡玉荣，余云霞，董尚燕，李俊梅，

《人工智能导论》，清华大学出版社，2025.9人工智能导论第9章综合实践项目9.1百度飞桨—国产AI框架介绍9.2OpenCV开源库9.3道路识别29.1百度飞桨—国产AI框架介绍3百度飞桨是主流AI框架中一款完全国产化的产品，百度飞桨是中国首个自主研发、功能完备的开源深度学习平台，由百度公司开发和维护，与GoogleTensorFlow、FacebookPytorch齐名。由百度公司于2016年正式开源。图9-1百度飞桨主页界面图9.1百度飞桨—国产AI框架介绍9.1.1飞桨AI框架概述9.1.2飞桨AI框架的基本功能9.1.3飞桨AI框架的应用案例49.1.1飞桨AI框架概述59.1.1飞桨AI框架概述6图9-2飞桨平台全景概况图9.1.2飞桨AI框架的基本功能71.飞桨AI框架的核心功能模块1）开发套件：包含PaddleCV、PaddleNLP等领域的算法库，支持通过高层API快速实现图像分类、目标检测等任务；2）产业级工具：如自动化模型压缩工具PaddleSlim，可将模型体积压缩80%以上；3）部署工具链：包括服务化推理框架PaddleServing和轻量化推理引擎PaddleLite；4）分布式训练：支持千卡并行训练和混合精度计算，对国产芯片（华昇腾、寒武纪等）的深度适配。9.1.2飞桨AI框架的基本功能82.飞桨AI框架的基本功能1）深度学习框架：飞桨提供了易学易用的前端编程界面和统一高效的内部核心架构，支持命令式和声明式两种编程范式，并具备深度学习自动化技术。2）模型库：飞桨内置了多种预训练模型，涵盖了计算机视觉、自然语言处理等多个领域。这些模型可以直接用于实际任务，或者作为基础模型进行微调。图9-3飞桨AI模型库9.1.2飞桨AI框架的基本功能92.飞桨AI框架的基本功能3）高性能推理引擎：飞桨服务器端推理库PaddleInference提供了高性能的模型推理能力，支持用户快速实现模型的高吞吐、低时延部署。4）多端多平台部署：飞桨对推理部署提供全方位支持，可以将模型便捷地部署到云端、边缘端和设备端等不同平台上，为各类在线AI服务提供强大的后端支持，如语音识别、图像处理等。5）产业级开源模型库：飞桨建设了大规模官方模型库，算法总数超过700个，包含领先的预训练模型、深度学习开发者经过产业实践长期打磨的主流模型以及在国际竞赛中的夺冠模型。飞桨平台包含了丰富的产业级开源模型库，涵盖了自然语言处理、计算机视觉等多个领域。9.1.2飞桨AI框架的基本功能102.飞桨AI框架的基本功能6）生态构建：围绕飞桨的开放生态，未来将有更多第三方服务和工具加入，为用户提供更全面的支持。7）企业应用：适用于企业内部的数据分析与管理，能够加速数据处理和模型部署的速度，提升企业运营效率。8）教育和研究：飞桨还提供了丰富的教学资源和研究工具，支持高校和科研机构的教学和科研工作。图9-4飞桨AI生态库9.1.3飞桨AI框架的应用案例11图9-5飞桨AI口罩检测系统图9-6基于CT影像的肺炎筛查及病情预评估AI系统图9-7基于PaddleSeg提取秧苗中心线图9-8“萝卜快跑”无人车9.1百度飞桨—国产AI框架介绍129.2OpenCV开源库9.2.1OpenCV简介9.2.2OpenCV基础9.2.3OpenCV的典型应用139.2.1OpenCV简介14图9-9OpenCV官网主页9.2.1OpenCV简介159.2.2OpenCV基础169.2.2OpenCV基础17图9-10OpenCV实现颜色空间转换9.2.3OpenCV的典型应用189.2.3OpenCV的典型应用19图9-11OpenCV实现3D视觉9.3道路识别9.3.1道路识别的主要步骤9.3.2传统OpenCV实现道路识别9.3.3百度飞桨结合OpenCV实现道路识别209.3道路识别21道路识别是计算机视觉领域中的一项重要任务，它涉及到从图像或视频中检测和识别可行驶的道路区域。

这项技术在自动驾驶、机器人导航、智能交通系统等领域有着广泛的应用。

OpenCV作为一个功能强大的图像处理库，为实现道路识别提供了丰富的工具和算法。图9-12道路识别技术的应用9.3.1道路识别的主要步骤22道路识别的基本原理是基于图像处理和机器学习技术实现，从图像采集到车道线的准确识别，让道路被计算机（机器人或者无人车）“看”得更清楚。图9-13道路识别技术的主要步骤9.3.1道路识别的主要步骤239.3.1道路识别的主要步骤249.3.2传统OpenCV实现道路识别251.技术方案概述实际的道路一般可以分为结构化道路和非结构化道路两类。

结构化道路一般是指高速公路、城市干道等结构化较好的公路。这类道路具有清晰的道路标志线，道路的背景环境比较单一，道路的几何特征也比较明显。

图9-14结构化道路9.3.2传统OpenCV实现道路识别261.技术方案概述非结构化道路一般是指城市非主干道、乡村街道等结构化程度较低的道路，这类道路没有车道线和清晰的道路边界，再加上受阴影和水迹等的影响，道路区域和非道路区域难以区分。

多变的道路类型，复杂的环境背景，以及阴影、水迹和变化的天气等等都是非结构化道路检测所面临的困难，也是当前道路识别技术的主要研究方向。图9-15非

结构化道路9.3.2传统OpenCV实现道路识别271.技术方案概述基于OpenCV的传统道路识别方案主要依赖计算机视觉算法，通过多阶段图像处理实现车道检测和道路区域分割。

该方案包含四个核心模块：图像预处理、特征提取、几何分析和后处理优化等。该方案适用于结构化道路环境。图9-14结构化道路9.3.2传统OpenCV实现道路识别282.具体实现步骤与代码1）图像采集与预处理9.3.2传统OpenCV实现道路识别292.具体实现步骤与代码2）道路特征提取9.3.2传统OpenCV实现道路识别302.具体实现步骤与代码3）几何分析与车道检测9.3.2传统OpenCV实现道路识别312.具体实现步骤与代码4）后处理与输出结果9.3.2传统OpenCV实现道路识别329.3.3百度飞桨结合OpenCV实现道路识别331.技术方案概述百度飞桨（PaddlePaddle）结合OpenCV的道路识别技术方案在传统方法基础上引入深度学习，形成“数据驱动+传统优化”的混合架构。

首先通过OpenCV完成图像预处理；然后利用PaddlePaddle的轻量化语义分割模型（如PP-LiteSeg）实现高精度道路区域分割；最后结合OpenCV进行边缘优化（形态学处理）和几何分析（车道线拟合）。

9.3.3百度飞桨结合OpenCV实现道路识别341.技术方案概述该方案既保留了传统方法的高效性（OpenCV实时处理），又通过深度学习提升了复杂场景（非结构化道路、遮挡等）的鲁棒性，支持端到端部署至边缘设备。

该方案既适用于结构化的道路，也适用于非结构化的道路。

图9-16道路原图像图9-17道路识别结果9.3.3百度飞桨结合OpenCV实现道路识别352.具体实现步骤与代码1）环境准备9.3.3百度飞桨结合Op