深度学习应用案例:识别工件模糊标记

得益于摄像头硬件的普及,机器视觉近几年在工业上的应用日益广泛。不过传统机器视觉和基于人工智能的机器视觉其实有很大的不同,传统的机器视觉基本上依靠各种算子来对图像进行公式化的预处理,提取固定的模式,进行识别或定位,所以非常依赖图像的成像质量比如光照,角度,相机分辨率等等,需要大量手工编程和现场调试,而且一旦条件稍有变化就难以处理。而基于人工智能的机器视觉依赖深度学习强大的自动特征提取和泛化能力,不需要人工编程,可以训练计算机自动提取图像特征,同时对光照,分辨率,拍摄角度和图像畸变之类的外部条件能做到自适应。这种机器视觉的实现一方面准确率和鲁棒性强,一方面节省项目开发成本,在工业上的应用非常有前景 最近有个生产铸件的客户就遇到了一个场景,他们的工件表面粗糙,标记比较模糊,通过传统的图像算法无法做边缘提取或模板匹配,但人眼很容易识别: 参考上图,他们找了很多家机器视觉厂商,尝试了很多方案,无法解决识别的问题。于是找到我们尝试深度学习识别的方式。我们仅仅采集了几十张样本进行训练,就得到了不错的识别结果: 这只是深度学习在图像处理上的最简单的应用,其他更有前景的技术如深度图像分割,位姿估计等等也有更广泛,更节省成本的应用场景

深度学习模型识别人体关节点DEMO

对任意图片中的人体进行识别并进行姿态分析,在传统图像和视频处理领域一直是个很难的问题,因为人体姿态的多变性,提取特征和识别是非常困难的。而深度神经网络模型却很适合解决这个问题,特别是近几年训练深度神经网络技术的进步,使得解决这类问题成为现实。 我们利用深度卷积神经网络训练了一个人体关键点识别模型,输入包含一个或多个人体的图片,可以识别14个关节点:

First reinforcement learning show case: cross entropy method for openai gym acrobot

A simple solution using cross entropy method to train openai gym acrobot game, converge within 1 minute in a i5 6500 cpu, a powerful tool for simple reinforcement learning scenarios. Acrobot is a 2-link pendulum with only the second joint