影像辨識

Frames per second簡稱FPS， 也就是每秒幾個幀數的意思， 平常我們看到的影片背後其實都是一張張圖片的組成， 而這一幅畫面就是影片的每一幀。 由於人眼的特殊生理結構， 畫面的幀數只要高於每秒10 - 12張的時候就會認為是連貫的， 這也就是為什麼電影膠片是一格格的拍攝出來， 但是藉

針對辨識物的不同，流程就會不一樣，在依照現實狀況進行刪減，以下說明為個人常用的流程。 基本流程： 讀圖 灰階 濾波 (看圖片雜訊多不多) 二值化 連通區域 特徵篩選 特徵資訊 辨識 - (OCR，量測，瑕疵檢測等。) 名詞介紹 Gray 灰階 將原始的彩色圖像轉換為灰階圖

點陣圖 點陣圖是由許多方格像素組成的圖片， 因此我們常常在將圖片放大時會呈現像是馬賽克的狀況， 假設期望圖片越清晰那所需要的像素會較多個， 因此空間耗用量也相對較大。 常見的格式有: .JPG .PNG .GIF .BMP .TIFF等格式。 繪製程式碼: 向量圖 向量

繼上次分享的「【🔒 影像辨識 - 影像處理】Ep.1 關於影像的基本單位， 相信我們對於影像的儲存應該有了基本的認識了， 那麼接下來我們會需要的是了解顏色的組成。 我們除了在文章裡講述概念之外， 也會提供實作的數位作品分享給大家， 請大家根據範例學習與練習。 關於顏色 灰階的時代 早期尚未

2月22日進場之前 因工作關係，從去年底開始搜尋有關AI影像自動辨識的廠商，最後選擇有股票上市櫃的集團旗下品牌。 3月起ChatGPT 浪潮 因為ChatGPT 生成式AI太火，也親自體驗時下流行生成式圖案。 先蹲後跳 因為持有了，也沒想到它與GPT有直接關聯。依照個人的操作習慣，等待波浪的循環、創

要怎麼用CNN來便是智能合約的漏洞呢?上回介紹了能認知文章脈絡的RNN，這是介紹結合word embedding的方法，加上強大的CNN分類器可以讓自然語言分類處理擦出怎麼樣的火花~

今年教育部大專校院人工智慧競賽（AI CUP）包含了兩個很有趣的競賽：愛文芒果影像辨識賽以及歌聲轉譜與和弦辨識賽。 愛文芒果影像辨識賽包含等級分類賽與不良品分類賽。歌聲轉譜與和弦辨識賽包含歌聲轉譜賽與和弦辨識賽。

從本世紀初開始，台灣的安控業走過了十幾年的榮景後，在2015年急轉直下，當時不少安控公司倒閉或轉型。每個產業都有其生命周期，以代工策略為主的安控業終究必須面臨相同的考驗。本文接下來要為各位介紹台灣安控業的源起概況，以及探討未來趨勢的發展。