


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 ?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!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Editeur | Radis Skin Depuis la sortie du puissant AlphaFold2 en 2021, les scientifiques utilisent des modèles de prédiction de la structure des protéines pour cartographier diverses structures protéiques dans les cellules, découvrir des médicaments et dresser une « carte cosmique » de chaque interaction protéique connue. Tout à l'heure, Google DeepMind a publié le modèle AlphaFold3, capable d'effectuer des prédictions de structure conjointe pour des complexes comprenant des protéines, des acides nucléiques, de petites molécules, des ions et des résidus modifiés. La précision d’AlphaFold3 a été considérablement améliorée par rapport à de nombreux outils dédiés dans le passé (interaction protéine-ligand, interaction protéine-acide nucléique, prédiction anticorps-antigène). Cela montre qu’au sein d’un cadre unique et unifié d’apprentissage profond, il est possible de réaliser
