圖像識(shí)別技術(shù)經(jīng)過(guò)多年的發(fā)展變化，在各個(gè)領(lǐng)域得到了廣泛的應(yīng)用，例如：文字識(shí)別、指紋識(shí)別、人臉圖像識(shí)別、車(chē)牌號(hào)碼識(shí)別、植物特征識(shí)別等。伴隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展和大數(shù)據(jù)時(shí)代的來(lái)臨，圖像識(shí)別的領(lǐng)域不斷擴(kuò)大，對(duì)圖像識(shí)別速度、準(zhǔn)確度、范圍、適用度等的要求也越來(lái)越高，傳統(tǒng)的圖像識(shí)別已不能完全滿足這些要求。隨著人工智能技術(shù)的不斷發(fā)展，基于深度學(xué)習(xí)的圖像識(shí)別已越來(lái)越成為人工智能技術(shù)領(lǐng)域的熱點(diǎn)，這些技術(shù)也逐漸深入各個(gè)領(lǐng)域。

傳統(tǒng)的圖像識(shí)別框架分為訓(xùn)練和測(cè)試階段，分別包括預(yù)處理、特征提取、對(duì)其分類(lèi)及最后識(shí)別出圖像結(jié)果。對(duì)圖像識(shí)別中的特征提取分為全局和局部特征提取，將全局和局部特征結(jié)合起來(lái)，形成一個(gè)整合特征，以便更好地描述圖像的效果。

而深度學(xué)習(xí)是通過(guò)組合低層特征從而形成更加抽象的高層屬性類(lèi)別或特征，進(jìn)而發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。通過(guò)多層非紅性單元構(gòu)建出深度學(xué)習(xí)網(wǎng)絡(luò)，低一層的網(wǎng)絡(luò)輸出數(shù)據(jù)作為高一層的網(wǎng)絡(luò)輸入數(shù)據(jù)，從大量數(shù)據(jù)中逐層篩選出有效高階特征，使用含有大量信息的有效高階特征進(jìn)行圖像的識(shí)別、分類(lèi)及檢索等。智能化的同時(shí)也大大提高了分類(lèi)和識(shí)別圖像的準(zhǔn)確性。

隨著現(xiàn)代科技化程度的不斷提升，深度學(xué)習(xí)在圖像識(shí)別領(lǐng)域取得很大的發(fā)展，應(yīng)用的面也越來(lái)越廣泛，模型層次不斷加深，結(jié)構(gòu)復(fù)雜度也越來(lái)越大。深度學(xué)習(xí)應(yīng)用在圖像識(shí)別領(lǐng)域，識(shí)別率高、魯棒性強(qiáng)，并且有很強(qiáng)泛化能力。其優(yōu)異的性能與廣泛的實(shí)用性已然使其成為時(shí)代主流。

目前我司正在研發(fā)一款手持式粗糙度檢測(cè)儀，為適應(yīng)測(cè)量建筑工地各個(gè)混凝土墻體表面的粗糙度，以及能夠?qū)崟r(shí)實(shí)地得出詳細(xì)數(shù)據(jù)，我們應(yīng)用了基于圖像識(shí)別的深度學(xué)習(xí)算法。

技術(shù)特性

– 節(jié)省操作人員

– 自主研發(fā)的視覺(jué)識(shí)別系統(tǒng)，精度達(dá)到±0.1mm

– 實(shí)現(xiàn)測(cè)試分析一體化，行業(yè)領(lǐng)先

– 人工智能算法和深度學(xué)習(xí)被引入到設(shè)備自動(dòng)檢測(cè)/自分析

– 被測(cè)面分類(lèi)及檢測(cè)數(shù)據(jù)全儲(chǔ)存+大數(shù)據(jù)分析