圖像識別是識別圖像或視頻中的目標或特征的過程。這項技術已應用于多個領域，如缺陷檢測、醫(yī)學成像和安全監(jiān)控。

圖像識別的重要性

圖像識別不僅可以加速處理繁瑣的任務，而且還可以比人工圖像檢查更快速或更準確地處理圖像。圖像識別是應用于諸多領域的關鍵技術，也是深度學習應用的主要驅(qū)動因素，如：

視覺檢查：在制造過程中識別零部件是否有缺陷，可以快速檢查裝配線上的數(shù)千個零部件。

圖像分類：根據(jù)圖像內(nèi)容對圖像進行分類。這在電子商務領域的圖像檢索和推薦系統(tǒng)等應用中特別有用。

自動駕駛：識別圖像中的停車標志或行人的能力對于自動駕駛應用至關重要。

機器人：機器人可以利用圖像識別來識別目標，并通過識別路徑上的位置或目標來增強自主導航。

圖像識別在零部件缺陷視覺檢查中的應用。

圖像識別是支持這些應用的核心技術。它可以識別圖像中的目標或場景，然后利用這些信息做出決策。而它做出的決策將作為更大的系統(tǒng)的一部分。圖像識別將會幫助這些系統(tǒng)增強感知能力，其本質(zhì)是通過為系統(tǒng)提供洞察力來支持其做出更好的決策。

圖像識別與目標檢測

圖像識別和目標檢測這兩項技術十分相似，經(jīng)常會一起使用。圖像識別用于識別圖像中的目標或場景，而目標檢測用于查找圖像中這些目標的實例和位置。

常見的目標檢測技術有 Faster R-CNN 和 YOLOv3。

圖像識別的工作原理

圖像識別使用的方法

圖像識別使用了很多方法，包括機器學習和深度學習方法。使用哪種方法取決于具體應用，但一般來說，問題越復雜，需要探索深度學習方法的可能性就越高。

使用深度學習進行圖像識別

圖像識別的深度學習方法可能涉及使用卷積神經(jīng)網(wǎng)絡，從示例圖像中自動學習相關特征，然后在新圖像中自動識別這些特征。

圖像識別的典型深度學習工作流：

準備訓練數(shù)據(jù)：從一組圖像入手，將其匯集為不同的關聯(lián)類別。這其中可能還包括預處理步驟。其目的是讓圖像更加一致，從而得到更準確的模型。

創(chuàng)建深度學習模型：雖然您可以從頭構建深度學習模型，但最好的方法可能是從預訓練模型入手，并將其用作應用的起點。

訓練模型：模型訓練就是將測試數(shù)據(jù)呈現(xiàn)給模型。之后，模型會多次遍歷數(shù)據(jù)，并自動學習與圖像相關的最重要特征。隨著訓練的繼續(xù)，模型將學習更復雜的特征，直到能夠準確地辨別訓練集中的圖像類。

測試數(shù)據(jù)：測試模型前所未見的新數(shù)據(jù)，了解模型對圖像的識別情況。如果結果未能達到預期，請重復執(zhí)行以上四個步驟，直到準確度令人滿意。

~~ 小 Tips ~~

深度學習方法常用于圖像識別，因為這些方法可以提供高度準確且可靠的結果。深度學習往往適用于處理大量訓練數(shù)據(jù)，而遷移學習等方法可以簡化圖像識別工作流。Deep Learning Toolbox 提供了一個框架，用于通過算法、預訓練模型和 App 設計和實現(xiàn)深度神經(jīng)網(wǎng)絡。

使用機器學習進行圖像識別

圖像識別的機器學習方法就是從圖像中識別并提取關鍵特征，然后將其用作機器學習模型的輸入。

訓練數(shù)據(jù)：您可以先從一組圖像入手，將其編譯為關聯(lián)的類別。

提取特征：選擇每個圖像中的相關特征。特征提取算法可能會提取可用于區(qū)分數(shù)據(jù)類的邊緣或角特征。

創(chuàng)建機器學習模型：這些特征會添加到機器學習模型中，再由機器學習模型將其分為各自不同的類別，然后使用這些信息對新目標進行分析和分類。

圖像識別的機器學習工作流。

您可以使用各種機器學習算法和特征提取方法。這些算法和方法可有多種組合以供創(chuàng)建準確的目標識別模型。

使用 HOG 特征和 SVM 分類器分類數(shù)字的圖像識別機器學習示例

~~ 小 Tips ~~

使用機器學習進行目標識別可以靈活地選擇最佳的特征和分類器組合以用于學習。這樣，便可以最少的數(shù)據(jù)獲得準確的結果。Statistics and Machine Learning Toolbox 提供了一系列函數(shù)和 App，可用于數(shù)據(jù)描述、分析和建模。

圖像識別：深度學習與機器學習

如何知道何時使用深度學習，何時使用機器學習來進行圖像識別？

從較高層面講，二者區(qū)別在于機器學習需要手動選擇特征，而深度學習可以自動學習特征。

使用傳統(tǒng)圖像處理方法進行圖像識別

除了深度學習和機器學習之外，很多經(jīng)典的圖像處理方法在處理某些應用的圖像識別方面卓有成效。圖像處理方法往往非常適用于“基于像素”的識別應用，如：

基于顏色的圖像識別：顏色通?？梢詾閳D像識別提供良好的特征。色調(diào)、飽和度和明度 (HSV) 或紅色、綠色、藍色 (RGB) 等特征有助于深入了解圖像。

模板匹配：這種方法使用小圖像或模板在較大的圖像中查找匹配區(qū)域。

圖像分割和斑點分析：這種方法使用簡單的目標屬性，如大小、顏色或形狀。

~~ 小 Tips ~~

通常，如果目標可以使用圖像分割等簡單方法進行識別，則最好先使用這種方法。您有的可能是功能強大，不需要成百上千訓練圖像的解決方案，也可能是復雜的解決方案。不管怎么樣，Image Processing Toolbox 都有您需要的所有工具。

使用 MATLAB 進行圖像識別

MATLAB 簡化了圖像識別中較為困難的任務。

1. 圖像標注 App：

經(jīng)過清理和預處理的數(shù)據(jù)可確保圖像識別有更大的成功機會。使用圖像標注器，可以自動執(zhí)行圖像裁剪和標注過程。

以交互方式標注圖像和視頻。

2. 探索深度學習和機器學習算法：

一開始時，您可能并不清楚到底是使用深度學習還是機器學習方法。MATLAB 讓您可以嘗試各種方法組合。探索深度學習預訓練模型或機器學習分類算法。

您可以使用 ONNX（開放式神經(jīng)網(wǎng)絡交換）的導入和導出功能通過 TensorFlow、Keras、PyTorch 和 Caffe2 等框架與網(wǎng)絡和網(wǎng)絡架構進行互操作。

與基于 Python 的框架集成。

3. 自動為部署生成代碼：

最終，您的算法可能需要在桌面環(huán)境之外應用。MATLAB 提供了代碼生成工具，可用于在任何位置部署圖像識別算法：Web、嵌入式硬件或產(chǎn)品級服務器。

創(chuàng)建算法之后，可以使用自動化工作流，通過 GPU Coder 生成 TensorRT 或 CUDA 代碼，以用于硬件在環(huán)測試。生成的代碼可與現(xiàn)有工程集成，并可用于在桌面 GPU 或嵌入式 GPU（如 NVIDIA Jetson 或 NVIDIA Drive 平臺）上驗證目標檢測算法。

審核編輯：湯梓紅