通過英特爾人工智慧技術、深度學習技術、無人機技術等，如果實現對於箭扣長城的保護與修繕？答案就在視訊裡。
無人機高精度影像採集：因為長城的跨度很大，修繕之前首先需要進行環境勘測。傳統的辦法是通過尺子測量以及目測，很難得到精準的資料。通過英特爾®獵鷹 8+（Intel® Falcon™ 8+）無人機，工作人員能夠近距離檢測到長城的破損情況，可以獲取高解析度影像，幫助文保人員清晰、全面瞭解長城現狀。
基於英特爾® 至強處理器的 3D 建模和損毀檢測： 這個過程包含了多個演算法和步驟。根據無人機採集的資料，採用英特爾® 至強處理器能夠快速分析處理上萬張圖片，並計算出破損的長度和寬度，規劃修繕所需材料，並提供裂縫和塌方等破損的測量資料用於指導物理修繕。有了這些資料，修繕團隊就無需再現場測量，而是可以通過 AI 演算法得到最終需要的時間、人力、物力和成本。
基於人工智慧和深度學習技術的數字化修復：在 3D 模型損毀識別基礎上，利用最新的 3D 模型對抗生成網路，以及迴歸卷積網路，對城牆缺損部位進行數字化修復，並據此對實際的長城修繕和維護提供指導和參考資料。
這將是一個全新的探索，先進的無人機航拍和人工智慧技術參與文物建築的修繕和保護，英特爾的計算技術深度參與其中。資料顯示，僅僅 700 米的長城城牆，獵鷹 8+無人機採集了上萬張高解析度影像，原始資料超過 200GB，整個處理過程會頻繁訪問這些資料，還會產生超過 100GB 的中間和模擬資料，即便是高效能的計算，處理如此龐大的資料量也極其複雜。
解決方案還涉及多種 AI 演算法，包括視覺特徵抽取與索引，相機引數恢復，光束平差（bundle adjustment），稠密匹配，幾何模型網格生成，深度神經網路 2D 及 3D 模型訓練，紋理合成等。
英特爾的方案是，基於 Xeon 至強可擴充套件處理器，英特爾固態盤，同時結合 OpenMP/MPI 並行優化技術，採用針對英特爾 CPU 優化的英特爾®深度神經網路數學核心函式庫（MKL-DNN），以及面向英特爾架構優化的深度學習框架 Tensorflow 等工具，高效地實現長城 3D 建模和數字化修復，並達到釐米級精度的效果。
整個長城 3D 建模和數字化修復過程中，需要進行大規模的方程迭代計算，其中一些基於大規模稀疏矩陣的方程求解會存在收斂穩定性問題。這個時候，大規模矩陣計算庫 MKL 的作用就凸現了，它不僅能夠提升計算效率，還能夠大大提高複雜計算的穩定性。
如今，英特爾開發的 MKL-DNN 庫已經廣泛應用在 Tensorflow，Caffe 等流行的深度學習框架中。可以說，針對深度學習領域不同演算法實現的解決方案中，英特爾至強架構是能夠全面高效、低成本支援這麼多種演算法的理想選擇，並可以明顯提高人工智慧修繕長城的效率和速度。
有了更領先的技術和更精準的資料，我們創造了更快、更高效的解決問題的辦法，幫助各行各業解決那些尚未解決的問題。