tag 标签: 图像识别

相关博文
  • 热度 12
    2019-1-13 12:53
    2111 次阅读|
    3 个评论
    雨滴慧目图像识别项目的产品定义过程详解!
    需求来源: 俊知焊齿机的合金刀头上料机构,采用基恩士的光纤激光识别,对于一些对称性比较强的合金刀头,容易误判,所以高端的焊齿机采用价格昂贵的图像识别系统,但是价格在1.5万附近,焊齿机整机价格也就不到10万,所以一般机器都不采用图像识别,只有客户有特殊要求,愿意接受高价的,才用图像识别。 俊知看到我们做手机,手机上有摄像头,于是他们希望我们采用手机技术,做一套高性价比的适合他们的图像识别方案,这样可以提高俊知焊齿机的竞争力,但限于当时的手机技术,尤其是摄像头无法远距离与手机分立,所以这个想法只是停留在想法上。 尝试: 2016年我出任俊知总经理,为了提高焊齿机的竞争力,开发了第二代高频电源后,于是着手思考图像识别的方案,俊知以前提过采用USB摄像头,但是这个需要配套性能比较高的解码板,需要采用主频比较高的平板方案,而这个不是我擅长的,我擅长的是嵌入式单片机 + FPGA,当时我提出一套基于模拟摄像头,FPGA图像二值化后,采用stm32单片机设计的一套图像识别方案,通过2、3个月的开发,达到了图像识别的效果,但是限于自身的技术水平,图像是黑白的,并且点阵只有128*64,并且识别方式采用特征识别,整个看起来比较低档,跟进口的相比差距很大,所以也就一直犹豫而无法推进,所以这个采用单片机方案的图像识别项目也就暂停了。 阵痛 : 2017年回归雨滴后,年末时期,在思考手持机业务如何突破,结合自身的各种应用场景的需求,提出了云屏手机概念,把单片机的简单易用特性和手机的界面、互联网能力结合起来,郑德智提出通过HTML5实现交互,搭建了软件框架,希望应用于无人值守行业,并且还可以取代一些串口屏的市场,但因为成本偏高,推广难度较大,无法直接落地,2018年中,这个项目算是阶段性失败。 峰回路转 : 2018年中云屏系统陷入僵局,无法落地,第一个典型应该到底是什么,虽然公司有不少类似的应用产品,比如门禁就是典型的,还有售卖机等,但都不是我们自己主导的,这个时候想起之前的图像识别来,于是在郑德智主持、田飞锋、叶长德等其他同事配合的情况下,基于俊知的上料机构做出了图像识别方案,获得了俊知的认可,开始进入老化测试阶段。 信心 : 俊知认可后,也就是整个焊齿机行业的认可,所以其它焊齿机行业都纷纷申请样品测试,此外俊知还推荐了客户过来,在雨滴公司附近的一家机械自动化公司一看就看中了我们的图像识别方案,因为高性价比,又简单易用,正好解决了他们眼镜架配件的上料正反面识别问题,我们的图像识别可以直接取代他们的光纤激光识别方案,最为关键的是,他还介绍了图像识别与机械手的配合使用问题,进口的方案不仅价格高,而且编程复杂,希望我们能做出简单易用的取代他们,之后他们老板来公司考察,对雨滴的思路非常认可。 理念 : 随着跟更多的有自动化需求的公司接触,他们都很希望使用我们的产品,但基本点可以归结为三点:1、高性价比,取代进口设备,2、简单易用,降低开发难度,3、本土技术支持,满足多变的二次开发,不影响他们原来的体系。 以上三点,是基于国内的实际情况,一般机械公司的技术人员往往年龄偏大,往往不愿意学习新东西,所以对机械手+图像识别等新产品既爱又恨,但真正掌握他们又需要编程等开发,他们又不愿意学习,所以有高性价比,良好的应用本土供应商,是他们的最爱,雨滴慧目图像识别产品,就应该往这个思路走。
  • 2015-7-6 11:28
    283 次阅读|
    0 个评论
    Google 在 2015 I/O 大会上推出的 Google Photos 不仅仅是一个相册,还具备了更智能的图片识别技术:它可以将相册中同一个人物的照片整合在一起,比如回顾一个婴儿从小到大的成长轨迹。通过人工智能的长期 学习,它甚至可以自动判断对你重要的时刻、重要的人、和重要的事物。在其中起到关键作用的是 Google 的图片识别 AI 。它通过学习大量的图片、调整算法来提高识别的精确度。 但是工程师们要如何知道 AI 对图片识别的准确性呢? 通过一个被称为 Inceptionism 的项目,Google 工程师潜入了 AI 的 “梦境”。他们先输入一张图片,让它识别图片中关键的部分;再让 AI 输出一张图片,表达它对图片的理解。 Google 的图片识别 AI 具有 30 层神经网络,每一层对应着不同的抽象程度,比如最低层次能识别光线、色彩,下一层次能识别图片的边缘等等。这样一层层的“训练”需要大量的数据。每一层都能提取出更高层次的细节,而最后一层会决定 AI 对图片的理解。 比如你想知道输入怎样的图片会让 AI 认为是“香蕉”,可以从一张满是噪点的图片开始,然后慢慢调整,直到它输出你想让它识别的事物。 在测试中,当试图询问哑铃是什么时,Google AI 输出了带手臂的哑铃,在输入学习的图片库中,哑铃都是和手臂一起出现的。那么提高认识精确度的办法就是,在训练学习中多输入一些哑铃单独出现的图片。 在不同的层次输入图片会得出不同的结果,比如在一些测试中,就出现了这些多眼多足的“神兽”。 Google 还专门为这些图片建了一个相册。有的如同超现实主义的艺术作品,有的则十分惊悚。这些图片至少能够表明,AI 眼中的世界显然与人类还有很大的差距。 而用户对此的反应也不一而足。有人看了以后评论道:     “这是我见过最恐怖的东西。如果 AI 眼中的世界是我们永远都不可能看到的,那么我们要怎么回应它们的行为?” 而另一位用户则认为:     “我很怀疑这是我们可以称为‘智能’的东西。它很奇特、吸引人、很酷,但是计算机并不是在绘画或者做梦,它只是在遵循设定的程序而已。”
相关资源
  • 所需E币: 3
    时间: 2019-6-7 22:12
    大小: 0B
    上传者: royalark_912907664
    针对目前塑料制品缺陷检测主要还是依靠人工检测和分拣,效率不高和生产过程自动化程度的不足,采用了一种基于FPGA的注塑制品缺陷检测的方法。通过CMOS图像传感器对注塑制品进行图像数据采集,然后利用Verilog HDL语言进行图像处理识别算法建模。下位机完成注塑制品图像数据的采集与处理,上位机完成图像的显示和工作模式的配置,上、下位机之间通过USB2.0进行数据的通信。实验证明,基于FPGA的注塑制品缺陷检测系统,检测精度高达98%以上。系统检测精度高,具有广阔的应用前景。
  • 所需E币: 3
    时间: 2019-6-5 20:37
    大小: 0B
    上传者: royalark_912907664
    为了降低智能电表计量误差,降低窃电行为的发生,本文通过对图像识别技术进行深入研究,结合Android开发检测程序,提出以脉冲灯为识别对象进行检测计量误差的手持设备。在图像增强方面,首先通过灰度变换,降低图像处理的运算,利用图像形态学滤波的方式进行滤波,通过对脉冲灯闪烁时的亮度、颜色和形状等特征的检测,实现脉冲灯亮灭的识别,并以此开发检测程序。通过智能手机对智能电表摄像进行检测计量误差,判定窃电行为,该方法有效的提高了检测计量误差的效率和精度。
  • 所需E币: 3
    时间: 2019-5-26 17:54
    大小: 0B
    上传者: royalark_912907664
    针对车牌检测中关键的3个环节分别进行了改进和优化。利用数学形态学结合Canny算子实现车牌定位。在传统扫描字符算法中加入边界限定,提高字符分割的准确度。在识别环节,采用计算效率较高的KNN算法进行字符的识别。最终,在OpenCV平台上实现车牌识别。
广告