学院网站建设项目,室内设计学校哪些,wordpress jupiter,网络舆情系统我是一名来自苏州的机器视觉开发者#xff0c;从事传统的机器视觉算法开发有11年了#xff0c;从2018年开始#xff0c;因为一些复杂微弱的瑕疵检测项目遇到的传统算法瓶颈#xff0c;开始接触到了深度学习#xff0c;并选择了使用TensorFlow#xff0c;期间也是不断摸索… 我是一名来自苏州的机器视觉开发者从事传统的机器视觉算法开发有11年了从2018年开始因为一些复杂微弱的瑕疵检测项目遇到的传统算法瓶颈开始接触到了深度学习并选择了使用TensorFlow期间也是不断摸索前进同时得到了很多行业大佬的指导TensorFlow优秀的性能和快速的模型训练部署上手起来感受非常舒适。使用TensorFlow以后确实提升了生产现场的检查能力提高了生产产品的品质和生产效率主要的提升是 误报警率的下降、微弱特征的识别率和检查结果分类的精准化。借此机会我想总结下个人的关于TensorFlow在工业图像视觉领域的应用经验。工业CV领域的深度学习应用和互联网行业或者研发类行业还是有一定差异的主要在以下几个方面1. 工业图像的主要特点工业领域不管是3C、半导体、面板、SMD、汽车还是饮料食品、标签、纺织等不管检测对象是表面瑕疵划痕污染、印刷喷涂异常、组装灌装测量还是读码和字符识别都有一个和我们日常手机摄影头拍摄照片不一样的地方。那就是工业取像使用更稳定的视觉硬件包括工业相机、工业镜头和工业光源会尽可能地打造一个稳定的成像环境图像的背景和目标一般在位置分布和灰度上不会有太多动态的变化但是不排除复杂的纹理特征和复杂的轮廓边界而这也是深度学习最契合的应用场景。因此基于工业上的图像集的特点如果有较好推理应用的模成熟型的话在训练好的模型基础上做迁移学习可能会有意外的好效果。 2. 负样本严重不足正常的工业生产中良品率一般是非常高的90%因此负样本的收集非常困难有些品质要求严格的产品可能1个月只会产生10几个不良这样就对训练集的均衡提出了挑战。需要自主开发图像预处理算法对样本进行增强不能局限于TensorFlow或OpenCV自带的的一些传统的图像集样本增强算法。有时候甚至会减少或者取消预测集和测试集以最大限度地喂给模型训练。另一方面生产现场也是允许前期一定的测试成本和评价周期允许粗糙版本先上线边生产边优化升级。 3. 深度学习如何适配老旧的系统众所周知因为设备更新和维护成本非常高工业设备的迭代速度是很低的设备稳定性很好。这也造成一个问题目前的工业领域的PC系统大多老旧虽然是很稳定的工控机抗击恶劣环境和连续工业性能很强但PC配置大多较低系统版本也不高。经常会遇到10年前的双核处理器搭配win2000操作系统这也给深度学习的部署应用提出了一些难题。一般的解决方案是通过在设备外部搭建深度学习服务器和产线设备组成内网文件共享和实时通讯实时地读取设备内生成的图像进行推理并将推理结果通过网络反馈设备。 4. 模型部署推理如何和现有程序集成工业上使用的检查程序大多数是基于.NET或者C和较流行的python不同而且开发者也无法再切换原有程序的语言因为涉及到PC内很多运动控制、各种板卡和通讯交互等外部依赖的商业类库更换语言的成本很高也几乎不可能完成。目前一般2种方式对应通过post通讯python上训练和部署并通过flask服务和原程序通讯交互或者采用C版本或者.net版本支持GPU的TensorFlow扩展直接集成到现在程序中进行训练和推理实时内存中共享图像变量和结果。个人建议采用第2种方式开发起来更快高效。 5. 模型不需要前沿 需要稳定高效工业上的算法应用一般略微落后于前沿技术以稳定高效为主。像图像处理方面一般还是使用一些传统的经典的算法以深度学习做图像分类为例简单的项目使用LeNet和AlexNet网络就足够复杂的项目一般使用到VGG Net就可以。但也有部分较前沿的技术应用比如超分算法对图像进行扩展以增加细节帮助提升分类精准性。 6. 算法落地的配套工具开发量占比高工业中一个完整项目的落地需要交付一整套系统其中生产人员的便捷应用和人性化的交互UI也是比较重要的。因此深度学习在工业现场应用很大一部分开发工作量在于配套的工具。例如数据集标注制作、模型训练、模型快速部署和训练推理过程的可视化这些都需要封装成易用稳定的工具交付客户时可以让无编程经验的客户也能快速开展深度学习的业务。7. 传统算法为主 深度学习辅助虽然现在深度学习技术已经看上去无所不能但在工业应用上还是主要以传统算法为主深度学习辅助的模式。这并非是孰是孰非的问题而是当前时期传统视觉算法在兼顾运算速度、像素计算精度和算法开发速度上还是略微占优势。而深度学习一般作为补充弥补传统算法在复杂纹理和复杂特征描述上的不足将传统算法达到的90%准确率助推至95%。以上是我个人的一些工业应用中的心得接下来和大家分享一下我自己学习TensorFlow 2.x的一些经验和故事。最初我是在B站偶然的看到Google的官方账号的然后在这里学习了一些TensorFlow一手视频资料同时结合TensorFlow官网的API手册进行边学边用。然后在今年年初的 Google 开发者大会 TensorFlow DEV SUMMIT 2020 上学习了解到了很多东西。包括TensorFlow 2.2的新特性TensorFlow致力打造的生态TFUG(TensorFlow User Groups)以及TensorFlow Certificate开发者认证体系。在这次开发者大会后我开始接触并使用TensorFlow 2.x工作中的项目也逐渐从1.x转换至2.x。同时我也关注了TensorFlow官方微信公众号加入了TFUG社区成为其中一员。关注TensorFlow官方公众号真的给我带来了很多一手新鲜的资讯和前沿技术信息。通过这个公众号我参加了第1期TensorFlow机器学习Study Jam课程并获得第1批通过在线考试的证书卡片和精美定制背包礼品。也陆续参加了后续的一系列Study Jam课程以及每一次的视频直播收获颇丰。课程里我发现了GDE李锡涵大佬的“简单粗暴TensorFlow2”的在线网站并注册成为第1批早期论坛会员在论坛上和大家积极交流互动。“简单粗暴TensorFlow2”一直是我强烈推荐给身边同事好友的我认为是快速入门TensorFlow最好的教材也特别适合一些偏现场应用的攻城狮们可以低学习成本快速进入深度学习殿堂。也是在今年初的开发者大会上我了解到了TensorFlow开发者认证。在国内和国外一些前几位通过TF认证的大佬们的指导帮助下我系统地学习了Coursera上面吴恩达老师旗下deeplearning.ai出品的Laurence Moroney老师的著名课程“TensorFlow In Practice专项课程”并且认真准备全部满分通过了该课程的所有课后练习和考试顺利拿到了该课程的全部结业认证证书。通过接下来的一个月每天晚上下班后在家的复习备考我也顺利通过TensorFlow Certificate认证成为国内前几位拿到证书的开发者。为了帮助国内更多地了解TF认证也方便大家交流学习将大佬们无私指导我的精神传承下去我利用业余时间翻译了官方的考试手册整理出中文版认证考试手册方便大家了解并建立交流群方便大家交流学习目前已经有好多群友陆续通过认证。同时我也是一位.NET开发者如何让TensorFlow 2.x和.NET框架紧密集成也是我在工作中遇到的挑战。通过github上查找资源我认识了SciSharp社区的TensorFlow .Net开发者并加入SciSharp社区一起帮忙广大.NET开发者更方便地使用TensorFlow 2.x通过半年多的努力目前TensorFlow .NET终于绑定升级到TensorFlow 2.3实现了大部分的2.x API可以十分快速地使用C#进行TensorFlow的项目应用。以上就是我今年学习TensorFlow 2的一些经验分享主要的节点是关注了 TesnsorFlow 官方公众号通过上面的新鲜信息资讯进一步发现了大量优秀的学习资源大大拓宽了自己的学习视野也认识了很多大牛们。以上是个人的一些学习经历分享欢迎大家交流指正加入TFUG苏州参与TFUG社区活动可以是组织者志愿者讲师不一定是大牛只要能分享相关经验即可等也可以是合作伙伴为社区提供各种资源。如果您想作为TFUG苏州的组织者或志愿者或者有任何意见或建议欢迎给我们的公众号留言微信公众号: TFUG苏州Join UsIf you love TensorFlow, machine learning and willing to share, if you have other great ideas about our activities, if you are interested in our community and activities here, please contact us! WeChat: TFUGSuzhou关注我们的公众号第一时间获取最新活动消息Gmail: tfugsuzhougmail.com 微信号
相关文章：
