圖像識別技術(shù)經(jīng)過多年的發(fā)展變化，在各個領(lǐng)域得到了廣泛的應用，例如：文字識別、指紋識別、人臉圖像識別、車牌號碼識別、植物特征識別等。伴隨著計算機技術(shù)的不斷發(fā)展和大數(shù)據(jù)時代的來臨，圖像識別的領(lǐng)域不斷擴大，對圖像識別速度、準確度、范圍、適用度等的要求也越來越高，傳統(tǒng)的圖像識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，基于深度學習的圖像識別已越來越成為人工智能技術(shù)領(lǐng)域的熱點，這些技術(shù)也逐漸深入各個領(lǐng)域。

傳統(tǒng)的圖像識別框架分為訓練和測試階段，分別包括預處理、特征提取、對其分類及最后識別出圖像結(jié)果。對圖像識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，形成一個整合特征，以便更好地描述圖像的效果。

而深度學習是通過組合低層特征從而形成更加抽象的高層屬性類別或特征，進而發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。通過多層非紅性單元構(gòu)建出深度學習網(wǎng)絡，低一層的網(wǎng)絡輸出數(shù)據(jù)作為高一層的網(wǎng)絡輸入數(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行圖像的識別、分類及檢索等。智能化的同時也大大提高了分類和識別圖像的準確性。

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

目前我司正在研發(fā)一款手持式粗糙度檢測儀，為適應測量建筑工地各個混凝土墻體表面的粗糙度，以及能夠?qū)崟r實地得出詳細數(shù)據(jù)，我們應用了基于圖像識別的深度學習算法。

技術(shù)特性

– 節(jié)省操作人員

– 自主研發(fā)的視覺識別系統(tǒng)，精度達到±0.1mm

– 實現(xiàn)測試分析一體化，行業(yè)領(lǐng)先

– 人工智能算法和深度學習被引入到設(shè)備自動檢測/自分析

– 被測面分類及檢測數(shù)據(jù)全儲存+大數(shù)據(jù)分析