影像辨識
含有「影像辨識」共 14 篇內容
全部內容
發佈日期由新至舊
運用AI影像辨識技術，精準偵測汙水下水道及廢水管線異常，提升城市基礎設施維護效率。此係統結合Python與PostgreSQL開發，如同外觀簡約卻內藏強大智慧的「AI恐龍」，為基礎設施檢測帶來革命性變革。
影像辨識(Object Recognition)是什麼？
影像辨識也就是在一張照片裡辨識出裡面的物件。電腦的識別比人類還要優秀可以一眼看出車子的類型，甚至是出廠年份。
影像辨識可應用在很多地方，例如美國的大型機場，有著24小時的全面監控，如果有人的行李或包裹離開身邊太久，就會請清潔人員或者警衛清
YOLO (You Only Look Once) 是一種快速且準確的即時物件偵測模型，它能一次處理整張影像，並同時預測物件種類、位置和大小。相較於傳統分步驟方法，YOLO 的速度優勢使其適用於自動駕駛、無人機巡檢、即時品管等應用。其優勢包含速度快、準確率高、能學習全局資訊等。
類神經網路在圖形辨識應用中需要大量資料進行訓練，並常透過分批訓練來優化模型。本文介紹如何使用「MNIST」資料庫進行手寫數字辨識，並透過「資料分批」來有效處理訓練資料。最終，分批訓練的手法能夠提升模型的辨識能力，實現持續學習。
本文介紹使用 PyTorch 及類神經網路進行圖形資料集的分類。Fashion-MNIST 提供了機器學習研究上的著名範例；服飾的灰階圖像的分類。本文指導讀者從安裝 torchvision 到建立類神經網路，進行圖形分類的完整過程。也詳述了資料處理及訓練過程，幫助理解類神經網路在圖形分類上的應用。
本文要探討AI的任務與實戰場景。AI技術已深入生活各層面，從違約預測到都市交通管理。AI任務主要有三類：數值型資料處理、自然語言處理（NLP）和電腦影像辨識。時間序列資料和強化學習方法（如AlphaGo）也引起廣泛關注。AI演算法和方法因應不同學派和技術發展而多樣化，了解這些基礎有助選擇適合研究方向
付費限定
在影像辨識中，若遇到物件與背景難以分辨的狀況下，先做一下色彩分析，知道了色彩強度階層上的像素數，有助於了解後續需要做什麼處理，比較好分割出辨識物。
若想辨識的物件與背景的RGB值過於接近，也比較好說明此狀況，為什麼較難分割出物件。
成果呈現
第一張圖：左邊為原圖，右邊為分析結果的圖，用其他顏
付費限定
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
付費限定
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
