工程學家如何利用AI抗疫？

香港科技大學電子及計算機工程學系工程教育副教授胡錦添教授

為了防止新型冠狀病毒肺炎疫情在各國及社區爆發，最有效的方法之一就是從檢測方面着手。如何及早發現潛在的患者，推行適當措施，及早診治，從而遏止病毒傳播，是一項艱鉅的工作。在今次疫情中，一部份患者會發燒的病症，而測量體溫，即「探熱」就變得十分重要。這工作需時，亦需要大量人手協助，一旦人員與患者有近距離接觸，無疑增加受感染機會，亦為檢測人員和醫護帶來繁重工作及沉重壓力。

如果有一些輔助工具可從旁協助，減低接觸機會與感染風險不是更好嗎？其中最大的挑戰是如何在人群中，快速而準確找出發燒的人。

在2003年沙士一役後，各國的出入境關口配備多台紅外線探熱器，偵測入境旅客的體溫。探熱器所顯示的影像有別於一般拍攝，不同溫度會以不同顏色來標示，因此檢測人員需要專心分析畫面及配對旅客的影像。在人口密集的出入境關口，這些熱成像的畫面往往十分複雜。雖然這些探熱方法比平常使用探熱針或體溫計效率更高，但要辨識發燒的旅客，仍要依靠檢測人員不斷監察探熱器的畫面，增加了傳染的風險和不穩定性。

隨着科技的發展，帶有熱能感應的攝像頭應運而生。只要配合適當的軟件，結合一般的影像和熱成像，經過電腦辨識之後，便可以偵測到畫面中人臉的位置。再配合熱成像的畫面及數據，電腦便能自動找出在畫面上的人的體溫，以及標示出有關溫度。這樣檢測人員便能更容易和準確地找出發燒的人。

這種技術看似可滿足我們的需求，但也有限制。電腦必須利用人臉的特徵 （雙眼、口和鼻）辨識人臉，如果經過的人戴了帽子、頸巾或口罩，電腦便很難單靠分析畫面辨識人臉，減低這項技術的效率。

為了解決這個問題，近年工程師們開始引入人工智能人臉識別技術。現時有部份檢測儀器已發展到人臉檢測的技術，能檢測出戴著口罩人士的體溫，大大減低了檢測人員的感染風險。讓系統深度學習便是解決這個問題的關鍵技術。

深度學習近年成為人工智能的主流。這項技術廣為人知源於2016年，人工智能AlphaGo擊敗人類棋王一事。深度學習是組成神經網絡，透過一些監督式、半監督式或非監督式的方案，讓電腦自動調整多項參數，從而提高工作的成功率。而要利用深度學習改善辨識人臉的成功率，我們可把一些一般人臉照片，加入一些戴上口罩的人臉照片放進軟件，令電腦自動調整參數，繼而又可以加入一些不同臉部角度、不同的性別、不同的髮型等等的新照片，這樣就可以大大提高電腦對人臉輪廓的識別率。有了這項技術，就能更準確分辨出人臉，測量體溫。

在今次的疫情中，備有人工智能熱能感應的攝像頭，已在不同領域幫助檢測人員和醫護人員。只要細心思考，再利用不同技術的配合，科技定能為社會帶來進步。