Supplyframe Supplyframe XQ Datasheet5 芯耀 Findchips 与非AI
关注我们
设计助手
电子硬件助手 电子硬件助手
元器件查询 元器件查询

加入星计划，您可以享受以下权益：

  • 创作内容快速变现
  • 行业影响力扩散
  • 作品版权保护
  • 300W+ 专业用户
  • 1.5W+ 优质创作者
  • 5000+ 长期合作伙伴
立即加入

图像识别

加入交流群
扫码加入
获取工程师必备礼包
参与热点资讯讨论

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域。图像的传统识别流程分为四个步骤：图像采集→图像预处理→特征提取→图像识别。图像识别软件国外代表的有康耐视等，国内代表的有图智能、海深科技等。另外在地理学中指将遥感图像进行分类的技术。

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域。图像的传统识别流程分为四个步骤：图像采集→图像预处理→特征提取→图像识别。图像识别软件国外代表的有康耐视等，国内代表的有图智能、海深科技等。另外在地理学中指将遥感图像进行分类的技术。收起

查看更多
类型
新鲜 热门

电路方案

查看更多

设计资料

查看更多

文章

查看更多
  • 深度学习实战-基于ResNet50的葡萄叶图像分类识别模型
    本文介绍了基于ResNet50的深度学习方法，用于识别葡萄叶片上的5种主要品种：Ak、Ala Idris、Büzgülü、Dimnit和Nazli。通过迁移学习和局部微调策略，模型在训练集上达到了95%的准确率和0.1559的损失值。在独立测试集中，模型的加权平均F1分数达到0.82，特别对Dimnit品种实现了100%的精准识别。此研究证实了计算机视觉技术在智慧果园管理和葡萄品种鉴定方面的潜力。
    411
    07/14 14:19
    深度学习 图像识别
  • 深度学习实战-基于BiT-M ResNet50的快餐图像分类识别模型
    该项目利用Google研发的BiT-M ResNet50预训练模型，针对Kaggle快餐分类数据集进行深度学习训练，通过冻结预训练模型基座并引入BatchNormalization和Dropout层，实现了快餐图像的精细分类。实验结果显示，模型在6轮迭代后达到高精度分类效果，验证集准确率达到约92%，展示了预训练模型的强大泛化能力和迁移学习的优势。
    813
    07/10 10:55
    深度学习 图像识别
    深度学习实战-基于BiT-M ResNet50的快餐图像分类识别模型
  • 深度学习实战-基于CNN卷积神经网络的番茄病害叶片图像识别模型
    该项目旨在利用卷积神经网络（CNN）构建一套适用于番茄叶片病害识别的智能化系统，涵盖数据集准备、模型构建与训练、模型评估等多个步骤。通过大量样本训练，模型在测试集上达到了较高的准确率和召回率，展现了良好的分类效果。此系统有望应用于移动端，助力农民实时监测作物健康状况，提高农业生产效率和安全性。
    452
    07/07 09:54
    深度学习 图像识别
    深度学习实战-基于CNN卷积神经网络的番茄病害叶片图像识别模型
  • 深度学习实战-基于MobileNetV2的羊驼图像分类识别模型
    本实验基于 Kaggle 提供的轻量化羊驼图像数据集，针对其样本规模较小的特性，成功应用了迁移学习技术构建了高效的分类系统。实验利用 MobileNetV2 在大规模视觉任务中积累的特征提取能力，通过对“羊驼”与“非羊驼”（包含高度相似干扰项）样本的深度学习，实现了从通用视觉逻辑到特定物种特征的快速转化。
    493
    06/12 09:25
    深度学习 图像识别
    深度学习实战-基于MobileNetV2的羊驼图像分类识别模型
  • 深度学习实战-基于EfficientNet的黑色素瘤癌症图像分类识别模型
    该项目旨在开发一款基于EfficientNetV2S模型的自动化辅助诊断工具，用于识别黑色素瘤。使用Kaggle提供的13,900张皮肤病灶图像数据集，通过高效的深度学习模型实现高精度的恶性样本召回率。实验结果显示，在训练集上AUC达0.9976，准确率为0.9793；在验证集上，val_AUC为0.9790，验证准确率为0.9225。模型在恶性病变识别上表现出色，召回率达到0.97，显著降低漏诊风险，为黑色素瘤的早期精准干预提供了技术支持。
    554
    05/20 11:28
    深度学习 图像识别
    深度学习实战-基于EfficientNet的黑色素瘤癌症图像分类识别模型

课程

查看更多
热门企业 换一换
相关标签