Le deep learning peut-il remplacer d'autres algorithmes de traitement d'images ?

Avec l'émergence de la technologie du deep learning, le traitement des images visuelles est devenu de plus en plus populaire ces dernières années et a été largement utilisé dans divers domaines. Parallèlement, un grand nombre de praticiens ont émergé. Cependant, de nombreuses personnes n’utilisent que le deep learning et pensent que les algorithmes traditionnels de traitement d’images sont dépassés. J'ai entendu un jour quelqu'un dire que le traitement d'images est devenu si courant que les algorithmes traditionnels sont obsolètes et que le seuil est très bas et que tout le monde peut l'utiliser. Pour être honnête, quand j'entends de telles remarques, parfois je suis vraiment sans voix

J'ai juste un peu de temps aujourd'hui et je veux parler de cette question. Tout d’abord, analysons, à quoi sert principalement le traitement d’image ? Quel que soit le secteur dans lequel le traitement d'image est utilisé, ses principales fonctions incluent l'identification, la classification, le positionnement, la détection, la mesure de la taille et le guidage visuel. Puisque certaines personnes disent que l'apprentissage profond a remplacé la technologie de traitement d'image traditionnelle, je vais vous donner un exemple aujourd'hui. Jetons un coup d'œil à quelques cas spécifiques pour voir l'application du deep learning. Dans le même temps, il convient également de voir si la technologie traditionnelle de traitement de l’image a encore sa place. Tout d’abord, présentons brièvement quelles sont les principales fonctions de la vision mentionnées ci-dessus. Il existe un certain lien entre l'identification et la classification. La reconnaissance faciale, la reconnaissance de plaques d'immatriculation, la reconnaissance de caractères, la reconnaissance de codes-barres/codes QR, la reconnaissance de catégories de produits, la reconnaissance de fruits, etc. sont toutes des technologies de reconnaissance d'images. Une fois la reconnaissance terminée, les résultats de la reconnaissance sont parfois donnés directement et parfois une classification est requise. . Par exemple, les produits identifiés dans la chaîne de production mixte doivent être classés et emballés

Réécrit en chinois : Il existe de nombreuses méthodes de positionnement. Parfois, il vous suffit de connaître approximativement l'emplacement cible, et parfois vous avez besoin d'un positionnement précis pour que le robot puisse le saisir automatiquement. Les méthodes de détection comprennent la détection de cibles et la détection de défauts. La détection de cible n'a généralement besoin que de savoir si la cible existe dans la scène, tandis que la détection de défauts détecte non seulement si le défaut existe, mais doit également déterminer la taille et la catégorie du défaut. L'objectif de la mesure de la taille est très clair, c'est-à-dire. , pour détecter visuellement si la taille spécifique de l'objet cible répond aux exigences. Le guidage visuel est combiné à la préhension automatique du robot. Il doit localiser avec précision la position de la cible et également déterminer l'emplacement spécifique de la pince pour éviter que la cible ne tombe lorsque le robot se déplace.

Je vais énumérer ci-dessous quelques cas spécifiques, montrant comment vous pouvez utiliser l’apprentissage profond pour y parvenir. Étant donné que l'entreprise ne souhaite pas que ces images soient rendues publiques, les images ci-dessous n'en capturent qu'une petite partie et le contenu spécifique ne peut pas être déterminé.

Tous les exemples suivants sont des besoins réels de l'entreprise, et les images ont également été prises sur place. Examinons d’abord un cas simple de reconnaissance de caractères. L'exigence de ce cas est de déterminer si ces caractères sont corrects. 20 caractères doivent être traités par seconde. Le budget est de 20 000 yuans par système visuel. Il y a 100 lignes de production et le coût total est de 2 millions de yuans. Pensez-vous que cela devrait être fait ou non ? Bien que 2 millions de yuans représentent déjà beaucoup d'argent, chaque système de vision ne coûte que 20 000 yuans. Alors, est-ce que ce sera rentable ? De plus, lorsque l'ordinateur hôte reconnaît des caractères erronés, ils doivent être automatiquement éliminés

Une brève analyse montre que 20 produits peuvent être détectés par seconde, ce qui signifie que chaque produit doit être terminé en 50 millisecondes. Dans le même temps, l'ordinateur hôte doit envoyer un signal au mécanisme de rejet. Afin de garantir la stabilité du signal, 20 millisecondes doivent être réservées. Les 30 millisecondes restantes sont utilisées pour prendre des photos et traiter les images. Pour une formation en deep learning, la configuration de l’ordinateur industriel doit être prise en compte. De plus, le coût du PLC, du dispositif de rejet, de la caméra, de la source de lumière, de l'objectif, de l'armoire et d'autres petits accessoires doit être pris en compte. Combien coûte une mise en service manuelle sur site ? Quel est le coût total ?

Donnons un autre exemple. L'image ci-dessous montre la détection des défauts de soudage. Il existe de nombreux types de défauts de soudure. Quelqu’un a déjà passé une semaine à utiliser l’apprentissage profond pour s’entraîner et les détecter. Ils m'ont dit que les résultats des tests étaient excellents, mais ils sont revenus vers moi un mois plus tard et m'ont dit qu'ils ne pouvaient pas se permettre le coût et que les résultats des tests étaient médiocres. Pensez-y, pourquoi cela arrive-t-il ?

Prenons un autre exemple. L'image ci-dessous est un exemple de reconnaissance de code-barres. Vous voyez que le code-barres est très flou et difficile à identifier, non ? Nous pouvons utiliser l'apprentissage profond pour l'identifier

À titre d'exemple, jetons un œil à l'image ci-dessous. Nous devons vérifier si l'épaisseur des deux côtés est cohérente et s'il y a des défauts sur la surface. Alors, comment pouvons-nous utiliser l’apprentissage profond pour résoudre ce problème ? Quelqu'un l'a déjà débogué sur place pendant six mois, mais au final le client n'était pas satisfait

Comment utiliser le deep learning pour saisir automatiquement le robot et détecter l'angle d'inclinaison de l'objet saisi pour ajuster la posture du robot ?

Comment utiliser le deep learning pour mesurer la taille d'un ressort qui a été utilisé pendant un certain temps afin de déterminer s'il est qualifié ? Comment mesurer d'autres paramètres similaires des roulements, des engrenages, des filetages, etc. ?

Les exemples ci-dessus ne représentent qu'une petite partie de nombreux cas réels. Des méthodes de détection similaires apparaissent sans cesse, telles que le serrage automatique des boulons, la saisie désordonnée et le positionnement précis au niveau du micron. Cependant, malheureusement, de nombreuses personnes n'utilisent que l'apprentissage profond, et certaines personnes affirment que le traitement d'image est obsolète et que l'apprentissage profond a remplacé d'autres méthodes de traitement d'image sans même comprendre les concepts de base de l'image. Si vous étiez exposé à plus de cas réels, vous ne diriez pas une telle chose.

Beaucoup de gens croient à tort qu'il leur suffit de saisir des images dans le modèle d'apprentissage en profondeur pour s'entraîner. Si l'effet n'est pas bon, ils peuvent augmenter la formation. Échantillons ou ajustez les paramètres pour obtenir l'effet idéal. Tout ce que je peux dire, c'est que cette compréhension des images est trop superficielle. Les applications d'image les plus courantes sont la reconnaissance faciale et la reconnaissance de plaques d'immatriculation. Pour ces tâches de reconnaissance, l'utilisation du deep learning ne pose pas de gros problèmes car les exigences en matière de reconnaissance ne sont pas élevées. Même si la reconnaissance prend beaucoup de temps ou si une erreur de reconnaissance se produit, cela ne posera pas de trop gros problèmes. Par exemple, avec le paiement par reconnaissance faciale, si le visage ne peut pas être reconnu, vous pouvez également choisir de payer manuellement ; avec les systèmes de reconnaissance de plaque d'immatriculation et de contrôle d'accès, si la plaque d'immatriculation ou le visage ne peuvent pas être reconnus, vous pouvez également choisir d'ouvrir la porte. manuellement. Mais dans un scénario d'application entièrement automatique, cette situation n'est pas autorisée. Pour la détection, la classification et l'identification des défauts du produit, l'apprentissage en profondeur est une méthode couramment utilisée, mais elle doit également être décidée en fonction de la situation spécifique. De plus, avant la formation, il est généralement nécessaire d'utiliser d'autres algorithmes de traitement d'image

Certaines personnes utilisent simplement des ensembles de données publiques pour former des modèles d'apprentissage en profondeur et rédiger des articles, ce qui ne pose aucun problème. Cependant, il reste encore un long chemin à parcourir si l’on veut appliquer ces modèles dans des applications pratiques. Une entreprise que je connaissais a recruté des docteurs pour travailler sur l'inspection visuelle. Cependant, six mois plus tard, aucun résultat n'a été obtenu. En conséquence, ils ont été sévèrement critiqués par le dirigeant. Savez-vous pourquoi ?

Le deep learning a sa place dans le domaine applicatif, c'est un fait indéniable. Cependant, il ne s’agit que d’une partie de l’inspection visuelle et ne peut pas être mise en œuvre sous de nombreux autres aspects. La technologie de détection visuelle actuelle ne peut être appliquée qu'à certaines scènes simples. Pour de nombreuses scènes complexes, quel que soit l'algorithme utilisé, une détection efficace ne peut pas être obtenue. Par conséquent, les algorithmes de traitement d’images visuelles ont encore un long chemin à parcourir. Lorsque l’apprentissage profond entraîne des images, il nécessite généralement certains traitements de l’image originale, tels que le filtrage, l’amélioration, la segmentation par seuil, la détection des contours et les opérations morphologiques. Parfois, il est également nécessaire de traiter l’image puis d’en extraire directement les caractéristiques pour une formation en deep learning. De nombreuses personnes engagées dans le travail visuel comprennent ce principe

Il a déjà été mentionné que si vous voulez simplement rédiger un article, il suffit d'étudier une direction en profondeur. Des recherches théoriques approfondies sont également prometteuses, mais elles nécessitent des capacités théoriques personnelles plus élevées. Si vous n'avez pas été exposé aux applications de vision réelles, il est préférable de ne pas prétendre avec désinvolture que le traitement d'image est obsolète. Les autres algorithmes de traitement d'image ne sont plus utilisés. L'apprentissage profond a donc remplacé les autres algorithmes de traitement d'image. traitement ? Qu’en est-il des algorithmes de traitement ? Je pense que la réponse à cette question est claire. Si quelque chose n’est toujours pas clair, réfléchissez bien au nombre de projets liés à la vision auxquels vous avez été exposé et à ce que vous ne savez pas. Comprenez-vous vraiment ce que l’inspection visuelle peut faire et comment la faire ? Très peu d’inspections visuelles sont réalisées uniquement en s’appuyant sur un seul algorithme de traitement d’image. Par conséquent, au niveau des applications, nous devons maîtriser l’utilisation de divers algorithmes de traitement d’images et l’application combinée de divers algorithmes afin de pouvoir opérer facilement dans l’industrie visuelle. Les vacances d'été arrivent bientôt. Les vacances d'été sont une très bonne période pour apprendre. Utilisez ces vacances et cette plateforme d'apprentissage pour maîtriser rapidement l'application des algorithmes liés au traitement d'images

.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!