机器视觉（AOI）之深度学习怎么助力图画切割方法
广东吉洋视觉：SMT AOI,LED AOI,焊线AOI,焊线检测AOI。现代图画切割技能以深度学习技能为动力。下面是几种用于切割的深度学习架构：运用CNN进行图画切割，是将图画的patch作为输入输入给卷积神经网络，卷积神经网络对像素进行符号。CNN不能一次处理整个图画。它扫描图画，每次看一个由几个像素组成的小“滤镜”，直到它映射出整个图画。传统的cnn网络具有全衔接的层，不能处理不同的输入巨细。FCNs运用卷积层来处理不同巨细的输入，可以工作得更快。终究的输出层具有较大的感受野，对应于图画的高度和宽度，而通道的数量对应于类的数量。卷积层对每个像素进行分类，以确认图画的上下文，包含目标的位置。集成学习 将两个或两个以上相关分析模型的结果合成为单个。集成学习可以进步预测精度，减少泛化误差。这样就可以对图画进行准确的分类和切割。通过集成学习尝试生成一组弱的基础学习器，对图画的部分进行分类，并组合它们的输出，而不是企图创立一个单一的最优学习者。DeepLab 运用DeepLab的一个首要动机是在帮助操控信号抽取的一起执行图画切割 —— 减少样本的数量和网络有必要处理的数据量。另一个动机是启用多标准上下文特征学习 —— 从不同标准的图画中聚合特征。DeepLab运用ImageNet预练习的ResNet进行特征提取。DeepLab运用空洞卷积而不是规则的卷积。每个卷积的不同扩张率使ResNet块可以捕获多标准的上下文信息。DeepLab由三个部分组成：Atrous convolutions — 运用一个因子，可以扩展或收缩卷积滤波器的视场。ResNet — 微软的深度卷积网络(DCNN)。它供给了一个框架，可以在坚持性能的一起练习数千个层。ResNet强大的表征才能促进了计算机视觉应用的发展，如物体检测和人脸识别。Atrous spatial pyramid pooling (ASPP) — 供给多标准信息。它运用一组具有不同扩展率的复杂函数来捕获大范围的上下文。ASPP还运用大局均匀池(GAP)来兼并图画级特征并增加大局上下文信息。
郑重声明：
1、部分内容来源于网络，本文版权归原作者所有，转载文章仅为传播更多信息之目的。
2、本文仅供学术交流，非商用。如果某部分不小心侵犯了大家的利益，请联系删除。
