madobet
madobet
> 作者：Tom Hardy > Date：2020-2-17 > 来源：公众号【3D 视觉工坊】 ## 前言 缺陷检测是工业上非常重要的一个应用，由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中，下面将会介绍几种深度学习算法在缺陷检测领域中的应用。 ## 1、A fast and robust convolutional neural network-based defect detection model in product quality control 检测对象：布匹缺陷。 主要思想：这是一篇比较早的文章了，主要通过对输入图像进行切片，然后把切片图像送入深度学习网络中做判断，较为简单。在推理时，通过滑窗检测方式进行逐位置识别。  ...
全球最大的汽车半导体供应商恩智浦半导体 (NXP Semiconductors N.V.)（纳斯达克代码：NXPI）与中国自动驾驶软件解决方案 Momenta 今日宣布将合作开发车规级驾驶员监测解决方案（DMS），携手提升道路安全。该解决方案将为驾驶员注意力监测技术的发展提供基础，并助力汽车制造商满足下一代新车评价规程（NCAP）的要求。 DMS 与高级驾驶辅助系统（ADAS）密不可分，对 L3 至更高级别的自动驾驶发展至关重要。这一系统利用深度学习算法，通过视觉技术监控并检测驾驶员注意力，并可在必要时发出碰撞预警。 欧盟新车安全评鉴协会（Euro NCAP）也已决定在 2020 年前将驾驶员监测系统作为一种主要的安全功能纳入其新车评价规程当中。根据 Strategy Analytics 的市场预测，到 2026 年该行业市场规模预计将超过 10 亿美元。 恩智浦与 Momenta 携手打造的解决方案将结合高性能、低功耗架构的恩智浦开放视觉平台（S32V2）和 Momenta 的深度学习软件与技术，以达到优化、压缩和加速深度神经网络的目的，使其能在车规级 DMS 嵌入式平台上高效运行。 恩智浦副总裁兼 ADAS...
2018 年 4 月 25 日，在 creAIte 创以智用——2018 商汤人工智能峰会上，商汤科技发布首款智能汽车产品 SenseDrive DMS 驾驶员监控系统。该系统以原创领先的计算机视觉与深度学习技术，通过深度学习技术和嵌入式芯片优化技术结合，实现对驾驶员疲劳驾驶、驾驶分心、危险动作等驾驶员状态的实时智能检测与提醒，为驾乘安全保驾护航。  大会现场，大屏幕首先播放了一段由行车记录仪拍摄的一名大货车司机的日常驾驶过程。通过这段真实的记录，我们看到随着驾驶时间的增长，司机在驾驶中闭眼、打哈气、分心等行为频率不断提升，让人触目惊心。而相关数据显示，若驾驶员能在交通事故发生前 0.5 秒收到警示，60% 的交通事故可以得到避免，若是能提前 1.5 秒预警，则能避免 90% 的事故发生。 安全是驾车出行的基础，为更好地减少人为失误导致的事故、保障人们的驾驶安全，商汤科技以原创 AI 技术赋能汽车行业，推出了 SenseDrive DMS 驾驶员监控系统，这一系统拥有功能齐备、响应速度快、识别准确率高、鲁棒性好四大核心优势。 #### 功能齐备，轻松实现全方位监控 商汤科技...
机器视觉是指利用相机、摄像机等传感器，配合机器视觉算法赋予智能设备人眼的功能，从而进行物体的识别、检测、测量等功能。按照应用的领域与细分技术的特点，机器视觉进一步可以分为工业视觉、计算机视觉两类，相应地，其应用领域可以划分为智能制造和智能生活两类。  因为工业视觉和计算机视觉在功能目标、硬件需求、算法侧重、产业成熟度上有一定差异。在功能目标上，工业视觉主要解决以往需要人眼进行的工件的定位、测量、检测等重复性劳动； 计算机视觉的主要任务是赋予智能机器人视觉，利用测距、物体标定与识别等功能实现对于外界位置信息、图像信息等的识别与判断。在硬件需求上，工业视觉相对较高，需要对工业相机的帧频、分辨率等指标依据自身的需求进行筛选；而计算机视觉则除少部分特殊情况外，大部分对于相机或摄像头的要求并不高。 在算法侧重上，工业视觉的算法往往侧重于精确度的提高；而计算机视觉的算法难度相对较高，侧重于或采用数学逻辑或采用深度学习方法进行物体的标定与识别。在产业成熟度上，工业视觉已经相对较为成熟，在半导体、包装等行业的测量检测已有较为广泛的应用；而计算机视觉整体来讲还是一个刚起步的状态，初创企业层出不穷。 机器视觉作为人工智能领域的重要分支，已经协同其他技术开始对社会产生重大影响。虽然人工智能领域内的各个前沿技术存在着不同程度的交叉，难以细分，但依据主要采用的技术类别，可以将人工智能行业分为：深度学习、机器视觉、自然语言处理、语音识别、情境感知计算、模式识别等等。其中，深度学习、机器视觉、自然语言处理是优质企业参与最多的三大领域，也是人们在人工智能领域付诸探索实践最多、获得应用成果最为丰厚的主要领域。 深度学习、机器视觉、自然语言处理这三大方向是计算机智能化发展的三大功能，分别代表着教会机器思考、教会机器观察外界、教会机器理解文字。机器视觉（www.lrist.com）作为一种基础功能性技术，是机器人自主行动的前提，能够实现计算机系统对于外界环境的观察、识别以及判断等功能，相当于赋予了机器人视觉，对于人工智能的发展具有极其重要的作用。[返回搜狐，查看更多](https://www.sohu.com/?strategyid=00001&spm=smpc.content.content.2.1591153762927G8xG2bW "点击进入搜狐首页") 责任编辑：
2018-12-25 · 18:00 2018-12-25 **\[ 亿欧导读 ]** 随着各类技术的不断完善，机器视觉下游应用领域也不断拓宽。从最开始主要用于电子装配检测，已发展到在识别、质量检测、尺寸测量和机械手定位等越来越广泛的工业应用领域。  作者：赖燕芳，图片来自 “123rf.com.cn” 纵观自动化行业发展，[机器视觉](https://www.iyiou.com/t/jiqishijiao/ "机器视觉")随着技术的革新及行业的需求，成为逐渐崛起的新兴行业。随着全球制造中心向中国的转移，中国机器视觉市场已经成为国际厂商关注的焦点。据高工产业机器人研究所（GGII）数据显示，中国机器视觉市场规模预计到 2020 年将超过 120 亿元，2017-2020 年年均增速将达 15% 以上。 随着我国配套基础建设的完善，技术、资金的积累，各行各业对采用机器视觉技术的工业自动化、智能化需求开始广泛出现。国内有关院校、研究所和企业近两年在机器视觉技术领域也进行了积极探索和尝试，逐步开始了在工业领域的应用布局。 ### [工业视觉](https://www.iyiou.com/t/gongyeshijiao/ "工业视觉")发展现状 机器视觉是指通过摄取图像模拟人的视觉功能，并提取信息，加以处理，最终用于检测、测量、判断和控制。**目前在国外，机器视觉的应用普及主要体现在半导体及电子行业，其中大概 40%-50% 都集中在半导体行业。诸如电路板印刷、电子封装、SMT 表面贴装、电子电路焊接等，均需要使用机器视觉系统技术。** 一般而言，机器视觉产业链主要包括上游的零部件级市场、中游的系统集成 /...
误删掉的文章，现在补上（不然转载的源都找不到了：）） * * * 驾驶员监控系统（driver monitoring system，DMS）一般是对 L2-L3 级别的自动驾驶系统而言的，对 L4 级别是没有意义的，除非系统仍然是需要安全员的测试环节。 监控的目的是发现驾驶员走神（distraction）、疲劳（fatigue）或者打瞌睡（drowsiness），甚至出现无法驾驶的意外情况，比如欺骗辅助驾驶系统用矿泉水代替双手在方向盘上，或者与乘客争吵打架等。另外，如果作为自动驾驶的研发阶段，监控驾驶员可以提供驾驶行为的第一手数据，甚至用于仿真模拟系统中。 非侵入式（non-intrusive）方法是监测的首选方法，而基于视觉的系统更具有吸引力。主要的视觉线索包括面部特征、手特征或身体特征。许多检测系统仅使用单个视觉线索，这种系统鲁棒性差，比如出现遮挡或光照变化时，容易被干扰。所以将多种视觉线索组合才是关键，也是具有挑战性的。 一个驾驶员面部监控系统是基于驾驶员面部图像处理来研究驾驶员身心状况的实时系统。可以从眼睑闭合、眨眼、凝视方向、打哈欠和头部运动等，检测到驾驶员状态。基本分成两大类： 1. 仅从眼部区域检测驾驶员； 2. 不仅可以从眼睛中检测，还可以从脸部和头部的其他区域检测。 下图是一个驾驶员脸部监控系统框图：检测人脸，还有眼睛和其他脸部特征，同时跟踪变化，提取症状，实现疲劳和分心检测。驾驶员面部监控系统的主要挑战是：  - （1）“如何测量疲劳？” 第一个挑战是如何准确定义疲劳以及如何测量疲劳; 疲劳与体温，皮肤电阻，眼球运动，呼吸频率，心率和大脑活动之间存在关系; 第一个也是最重要的疲劳迹象会在眼睛中出现。 - （2）“如何测量注意力？” 第二个挑战是测量驾驶员对道路的注意力；可以从驾驶员头部和注视方向（gaze direction）估计驾驶员的注意力。 人脸检测方法可参照一般目标检测的方法，现在深度学习也已经在这个领域展示...
简介：人脸识别是计算机视觉研究领域的一个热点，同时人脸识别的研究领域非常广泛。因此，本技术综述限定于：一，在 LFW 数据集上（[Labeled Faces in the Wild](https://link.zhihu.com/?target=http%3A//vis-www.cs.umass.edu/lfw/)）获得优秀结果的方法; 二，是采用深度学习的方法。 **前言** LFW 数据集（[Labeled Faces in the Wild](https://link.zhihu.com/?target=http%3A//vis-www.cs.umass.edu/lfw/)）是目前用得最多的人脸图像数据库。该数据库共 13，233 幅图像，其中 5749 个人，其中 1680 人有两幅及以上的图像，4069 人只有一幅图像。图像为 250\*250 大小的 JPEG 格式。绝大多数为彩色图，少数为灰度图。该数据库采集的是自然条件下人脸图片，目的是提高自然条件下人脸识别的精度。该数据集有 6 中评价标准： 一，Unsupervised； 二，Image-restricted...
注：欢迎关注本人分享有关个性化推荐系统公众号：Tiany_RecoSystem 转自： [穆文：\[CV\] 通俗理解『卷积』——从傅里叶变换到滤波器](https://zhuanlan.zhihu.com/p/28478034) 一般来讲，我们涉及到的系统都是『时不变系统』(time invariant system)，即 输入响应不随激励时间的改变而变化，并且是『线性系统』(linear system)。而我们所处理的时间信号一般分为四种情形： 1. 连续非周期 2. 连续周期 3. 离散非周期 4. 离散周期 这四种信号对应的频谱也是各有特点，时域的『周期』性质对应到频域是频谱『离散』，『非周期』对应『连续』，而时域的『连续』和『离散』对应到频域则是『非周期』和『周期』。图像可以看做是『离散非周期信号』(因为图像的像素点是离散的且大多没有周期性)，更严谨地说，是『有限长离散非周期序列』，其频谱是连续周期性的，且 z 变换和傅里叶变换都存在。 说到『傅里叶变换』，其实傅里叶变换的本质是实频域分析，但对于某些信号 (比如不稳定信号) 并不存在这样的变换，所以更通用的做法是『z 变换』，映射到复频域进行分析。更多内容，见参考资料\[1] 和\[2] ## 一维信号 我们最常接触到的『信号』是一维时间信号，比如人的声音、乐曲、无线电波等，横坐标是时间 t，纵坐标是信号的幅度，代表不同时刻的信号强度。而在教科书上，最常见的是如下正弦波 ...
经过 R-CNN 和 Fast RCNN 的积淀，Ross B. Girshick 在 2016 年提出了新的 Faster RCNN，在结构上，Faster RCNN 已经将特征抽取 (feature extraction)，proposal 提取，bounding box regression(rect refine)，classification 都整合在了一个网络中，使得综合性能有较大提高，在检测速度方面尤为明显。 > 目录 > 1 Conv layers > 2...
 [残月飞雪](https://me.csdn.net/majinlei121) 2015-07-03 15:34:34  91762  收藏 32 最后发布: 2015-07-03 15:34:34 首发: 2015-07-03 15:34:34 转自：[http://baike.baidu.com/view/3038019.htm 和 http://blog.sina.com.cn/s/blog_672c5a470100pmj6.html](http://baike.baidu.com/view/3038019.htm和http://blog.sina.com.cn/s/blog_672c5a470100pmj6.html) 缩小图像（或称为下采样（subsampled）或降采样（downsampled））的主要目的有两个：1、使得图像符合显示区域的大小；2、生成对应图像的缩略图。放大图像（或称为上采样（upsampling）或图像插值（interpolating））的主要目的是放大原图像, 从而可以显示在更高分辨率的显示设备上。对图像的缩放操作并不能带来更多关于该图像的信息, 因此图像的质量将不可避免地受到影响。然而，确实有一些缩放方法能够增加图像的信息，从而使得缩放后的图像质量超过原图质量的。 ** 下采样原理：**对于一幅图像 I 尺寸为 M\*N，对其进行 s 倍下采样，即得到 (M/s)\*(N/s) 尺寸的得分辨率图像，当然...