基于機(jī)器視覺的水果檢測算法實(shí)現(xiàn)

? ? ? ? 這是一款基于卷積神經(jīng)網(wǎng)絡(luò)和數(shù)字圖像處理的智能水果檢測和分類系統(tǒng)，由檢測，分類兩個部分組成。通過互聯(lián)網(wǎng)下載和使用多媒體處理工具對水果拍攝視頻剪輯處理得到大量水果圖片，對圖片進(jìn)行標(biāo)定獲得數(shù)據(jù)集，并將數(shù)據(jù)集分成訓(xùn)練集和測試集。檢測部分使用 Keras搭建的FASTER RCNN目標(biāo)檢測算法進(jìn)行對不同水果的檢測，在10多個小時的網(wǎng)絡(luò)訓(xùn)練后，得到多個權(quán)值文件，選取總錯誤率最小的權(quán)值文件進(jìn)行預(yù)測。其中預(yù)測返回了被檢測的目標(biāo)以及圈定目標(biāo)的框的位置信息，通過框截取輸入圖片中的目標(biāo)，并通過蘋果的顏色和圓形度以及香蕉表面斑點(diǎn)的多少分別對兩種水果進(jìn)行等級分類。本設(shè)計(jì)已完成代碼的設(shè)計(jì)、FASTER RCNN模型的訓(xùn)練、多種水果的檢測以及對蘋果和香蕉的等級分類，使用PyQt5進(jìn)行界面設(shè)計(jì)與實(shí)現(xiàn)。通過測試，本系統(tǒng)能夠檢測五種不同的水果，且能夠?qū)μO果和香蕉進(jìn)行三級有效分類。

? ? ? ? 本數(shù)據(jù)集包含蘋果、香蕉、火龍果、草莓和橘子在內(nèi)的五種不同的水果，數(shù)據(jù)集采用LabelImg進(jìn)行制作。LabelImg是一個可視化的圖像標(biāo)定工具，許多目標(biāo)檢測網(wǎng)絡(luò)（如FASTER RCNN，YOLO，SSD）訓(xùn)練時所需要的數(shù)據(jù)集，均需要借助這個工具進(jìn)行圖像中目標(biāo)的標(biāo)定。生成的XML文件時遵循PASCAL VOC格式。打開LabelImg，進(jìn)行對訓(xùn)練集中圖片的標(biāo)定。所謂標(biāo)定，就是選取大小合適的框，將圖片中需要檢測的物體進(jìn)行框起來，并標(biāo)注上框內(nèi)目標(biāo)的類別名稱。標(biāo)定過程如圖所示：

? ? ? ? ? ? ? ??

? ? ? ?標(biāo)定結(jié)束后，就會生成對應(yīng)圖片的XML文件。XML文件不僅包含該圖片的基本信息，比如文件路徑，圖片的大小以及是否時彩色圖片等等。其中文件中的前景包含了每一個目標(biāo)的名字以及所處的位置，位置信息由左上角坐標(biāo)和右下角坐標(biāo)進(jìn)行區(qū)分。某個標(biāo)定結(jié)束的XML文件內(nèi)容如圖所示：

? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ?本系統(tǒng)主要包含檢測和分類兩個部分。其中，檢測過程包括水果圖片的獲取與Pascal VOC格式訓(xùn)練集的制作，F(xiàn)ASTER RCNN目標(biāo)檢測網(wǎng)絡(luò)的搭建，網(wǎng)絡(luò)的預(yù)測過程。其中網(wǎng)絡(luò)的預(yù)測部分可以通過調(diào)用攝像頭進(jìn)行驗(yàn)證，或者輸入帶有目標(biāo)的圖片進(jìn)行預(yù)測。檢測系統(tǒng)整體架構(gòu)如圖所示：

? ? ? ? ? ? ? ? ? ? ?

? ? ? ?系統(tǒng)使用的編程語言為Python，作為一種計(jì)算機(jī)編程語言，近年來，隨著人工智能相關(guān)研究的不斷發(fā)展，成為最近幾年比較熱門的語言。Python語言簡單易學(xué)，且包含許多的開發(fā)庫，比如Matplotlib，Numpy，OpenCv等庫。如今Python版本的迭代較快，最近一版為3.9.5。最新版本擁有的功能更加強(qiáng)大，但由于剛出不久，開發(fā)資料少，相關(guān)函數(shù)庫的改動仍需一段時間的磨合，故我們選取穩(wěn)定的Python3.6版本。本文中所涉及的實(shí)驗(yàn)均在Windows10作系統(tǒng)，Intel i5 7th處理器，GTX1050的顯卡下完成的。

? ? ? 作為谷歌發(fā)布的一個端到端開源機(jī)器學(xué)習(xí)平臺，一經(jīng)發(fā)布就受到廣大開發(fā)者的熱愛。繼TensorFlow1.0版本發(fā)布后， 2.0版本將更多的精力放在了簡潔性和易用性上面，相較于1.0版本API復(fù)雜難懂，2.0版本的入門學(xué)習(xí)難度降低很多。盡管如此，2.0版本的難度依然很高。由于我們用到了contrib模塊，而2.0版本已經(jīng)去掉，且1.0版本網(wǎng)絡(luò)資源較多，這可以為我們解決開發(fā)中的問題提供很大的幫助。Keras庫為研究機(jī)器學(xué)習(xí)算法的強(qiáng)大實(shí)驗(yàn)工具，能夠創(chuàng)建復(fù)雜的拓?fù)洌ㄊ褂脷埐顚印⒆远x多輸入/輸出模型以及強(qiáng)制編寫的正向傳遞。并可與更高級別的抽象一起工作，以實(shí)現(xiàn)完全可定制的邏輯。同時，TensorFlow每個版本都會有速度更快的Gpu版本和普通的Cpu版本，前者對顯卡等電腦硬件的要求較高，為提高運(yùn)行的速度，我們安裝Gpu版本的TensorFlow。Gpu版本會用到Cuda10.0和Cudnn7.4.1.5，因此在使用之前需要安裝Cuda。系統(tǒng)的開發(fā)環(huán)境如圖所示：??

? ? ? ?TensorFlow是谷歌開發(fā)的機(jī)器學(xué)習(xí)系統(tǒng)，他是基于數(shù)據(jù)流編程的符號數(shù)學(xué)系統(tǒng)，作為人工智能領(lǐng)域的一個重要軟件工具，廣泛應(yīng)用于各類機(jī)器學(xué)習(xí)算法的編程實(shí)現(xiàn)。FASTER RCNN作為一種目標(biāo)檢測的算法，使用的TensorFlow進(jìn)行實(shí)現(xiàn)是個非常好的選擇。根據(jù)FASTER RCNN相關(guān)理論以及TensorFlow提供的許多的函數(shù)模塊，使用Python語言便可快速搭建數(shù)學(xué)模型。

? ? ? ? FASTER RCNN目標(biāo)檢測網(wǎng)絡(luò)共包含了兩次解碼過程，先進(jìn)行初略的篩選再細(xì)調(diào)。值得注意的是，第一次獲得的建議框解碼后的結(jié)果是對共享特征層進(jìn)行截取。

? ? ? ? 主干特征提取網(wǎng)絡(luò)使用卷積，歸一化等函數(shù)根據(jù)上文所述的主干提取網(wǎng)絡(luò)的運(yùn)行流程圖進(jìn)行搭建。其他層同樣可以采用TensorFlow的所集成API進(jìn)行構(gòu)建。

? ? ? ? FASTER RCNN的訓(xùn)練過程包含兩部分，分別為建議框網(wǎng)絡(luò)的訓(xùn)練，以及ROI網(wǎng)絡(luò)的訓(xùn)練。在預(yù)測過程中，如果想要調(diào)整先驗(yàn)框獲得建議框，我們需要對共享特征層進(jìn)行一次3*3的卷積進(jìn)行特征整合，然后進(jìn)行兩個卷積作。該目標(biāo)檢測網(wǎng)絡(luò)的預(yù)測結(jié)果，并不是建議框在圖片上的真實(shí)位置，需要解碼才能得到真是位置。而在訓(xùn)練的時候，我們需要計(jì)算損失函數(shù)，該損失函數(shù)是相對于FASTER RCNN建議框網(wǎng)絡(luò)的預(yù)測結(jié)果的。計(jì)算損失函數(shù)我們需要進(jìn)行兩步作，分別是將圖片輸入到當(dāng)前的FASTER RCNN建議框的網(wǎng)絡(luò)中，得到建議框網(wǎng)絡(luò)的預(yù)測結(jié)果，同時還需要對真實(shí)框進(jìn)行編碼，這個編碼的輸入時真實(shí)框的位置信息，輸出FASTER RCNN建議框預(yù)測結(jié)果的格式信息。也就是說，我們需要找到每一張用于訓(xùn)練的圖片的真實(shí)框所對應(yīng)的先驗(yàn)框，并且要知道建議框預(yù)測結(jié)果如何作才能得到這樣一個真實(shí)框。從建議框預(yù)測結(jié)果獲得真實(shí)框的過程稱作解碼，而從真實(shí)框獲得建議框預(yù)測結(jié)果的過程就是編碼的過程。

? ? ? ?解碼過程的逆過程就是編碼過程，因此，我們要找到每一個真實(shí)框?qū)?yīng)的先驗(yàn)框，代表這個真實(shí)框由某個先驗(yàn)框進(jìn)行預(yù)測得到的。首先，我們需要將每一個真實(shí)框和所有先驗(yàn)框及進(jìn)行一個IOU計(jì)算，此步驟的工作時計(jì)算每一個真實(shí)框和所有先驗(yàn)框的重合程度。目標(biāo)檢測中的IOU，其描述的是檢測到的結(jié)果（當(dāng)然是一個包含目標(biāo)的框）與標(biāo)注的結(jié)果（真實(shí)框）的重合程度。在獲得所有先驗(yàn)框和每一個真實(shí)框的重合程度信息后，選出先驗(yàn)框中與真實(shí)框重合程度大于一定門限的先驗(yàn)框，代表這些先驗(yàn)框負(fù)責(zé)預(yù)測該實(shí)際框。由于一個先驗(yàn)框只能負(fù)責(zé)一個真實(shí)框的預(yù)測，所有當(dāng)某個先驗(yàn)框與多個真實(shí)框的重合程度較大時，那么與其IOU最大的真實(shí)框的預(yù)測由該先驗(yàn)框負(fù)責(zé)。在這一步后，我們據(jù)可以找到每一個先驗(yàn)框所負(fù)責(zé)預(yù)測的真實(shí)框，然后進(jìn)行上面的編碼行為。在建議框網(wǎng)絡(luò)的訓(xùn)練過程中，會忽略一些重合度相對較高但是不是非常高的先驗(yàn)框，一般將重合度在0.3-0.7之間的先驗(yàn)框進(jìn)行忽略。

? ? ? ? 接下來進(jìn)行ROI網(wǎng)絡(luò)的訓(xùn)練。通過上一步的訓(xùn)練，就可以接下來對建議框網(wǎng)絡(luò)進(jìn)行訓(xùn)練了，建議框網(wǎng)絡(luò)會提供一些位置的建議，并根據(jù)這些建議對建議框進(jìn)行一定的截取，并獲得對應(yīng)的預(yù)測結(jié)果，事實(shí)上就是將上一步建議框當(dāng)作了ROI網(wǎng)絡(luò)的先驗(yàn)框。因此，我們需要計(jì)算所有真實(shí)框和建議框的重合程度，并進(jìn)行篩選，如果某個真實(shí)框和建議框的重合程度大于0.5則認(rèn)為該建議框時正樣本，如果重合程度小于0.5則認(rèn)為該建議框?yàn)樨?fù)樣本。我們再對真實(shí)框進(jìn)行編碼，這個編碼是相對與建議框而言的，也就是說，當(dāng)這些建議框存在的時候，ROI預(yù)測網(wǎng)絡(luò)才能根據(jù)需要什么樣的預(yù)測結(jié)果將這些建議框調(diào)整成真實(shí)框。

? ? ?本文采用現(xiàn)在深度學(xué)習(xí)很多框架采用的VOC數(shù)據(jù)集進(jìn)行訓(xùn)練。一般VOC數(shù)據(jù)集都包括Annotations,ImageSets,JPEFImages。其中第一個文件中放著所有圖片的標(biāo)記信息，是以XML為文件后綴。第二個文件中的layout，包含train，trainval和val三個txt格式數(shù)據(jù)，train是訓(xùn)練數(shù)據(jù)，均為圖片名，沒有后綴，val是驗(yàn)證數(shù)據(jù)，trainval 則是所有訓(xùn)練和驗(yàn)證數(shù)據(jù)test為測試數(shù)據(jù)。其Main文件夾中保存的是各類目標(biāo)出現(xiàn)的統(tǒng)計(jì)。在訓(xùn)練前分別將圖片文件和標(biāo)簽文件放入JPEGImages和Annotation文件中，并運(yùn)行voc2faster-rcnn.py文件生成對應(yīng)的txt。最后鍵入自己數(shù)據(jù)集所包含的種類，初始的權(quán)值文件便可訓(xùn)練我們的數(shù)據(jù)集了。

? ? ? ?由于FASTER RCNN沒有采用傳統(tǒng)的方法，而是通過RPN生成待檢測區(qū)域，這樣在生成ROI區(qū)域的時候，運(yùn)行的時間相應(yīng)減少了。我們使用標(biāo)定結(jié)束的數(shù)據(jù)集放入建立好的FASTER RCNN目標(biāo)檢測網(wǎng)絡(luò)，設(shè)置好訓(xùn)練的次數(shù)，權(quán)值文件保存的路徑，運(yùn)行train.py次數(shù)越多損失的值就越小，相應(yīng)的運(yùn)行的時間也會增加，同樣會出現(xiàn)過擬合的現(xiàn)象。經(jīng)歷大概10多個小時的訓(xùn)練后，便得到許多的權(quán)值文件，每個權(quán)值文件都包含了這一次訓(xùn)練的各種評判參數(shù)，根據(jù)損失值的大小可以選取合適權(quán)值文件作為預(yù)測的權(quán)值文件。程序運(yùn)行過程和每一次運(yùn)行生成的權(quán)值文件如圖所示：

? ? ? ? ? ? ?

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ?目標(biāo)檢測網(wǎng)絡(luò)訓(xùn)練結(jié)束后，選取獲得的權(quán)重文件中最終損失值最小或者Val Loss最小的。然后選取要分的類，也就是要區(qū)分出幾種水果，最后將待檢測的圖片輸入到網(wǎng)絡(luò)中進(jìn)行預(yù)測。預(yù)測的輸出在原圖中將目標(biāo)檢測出來并且標(biāo)示出可信度，本系統(tǒng)訓(xùn)練時只訓(xùn)練了五種不同的水果，故也只能實(shí)現(xiàn)訓(xùn)練集所包含的五種水果的預(yù)測。預(yù)測結(jié)果如圖所示：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

? ? ? ? 同時，我們可以使用攝像頭對包含有水果的圖片進(jìn)行檢測。測試步驟為：手機(jī)打開一張水果的圖片，放到電腦攝像頭前，命令行就會打印出檢測結(jié)果。同樣我們包含水果的圖片進(jìn)行測試，圖3.8是利用筆記本攝像頭檢測一張圖片，fps指每秒的幀數(shù)。圖3.9是對應(yīng)圖片的終端輸出，輸出了檢測信息，包含水果的類別和位置坐標(biāo)。圖3.10是對實(shí)物的檢測結(jié)果以及相應(yīng)的置信度。? ?

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ? 前面提到，我們的分類過程是在檢測過程之后，檢測后不僅返回圖片中目標(biāo)的類別，同時返回出檢測框的左上角和右下角坐標(biāo)，就可以根據(jù)這兩個坐標(biāo)進(jìn)行截取圖片。我們將蘋果分為三等，顏色亮麗且形狀非常規(guī)整視為一等，二等則是那種顏色一般或形狀也湊合的，三等則是顏色很差或形狀不規(guī)整的蘋果。并采用最近鄰方法進(jìn)行預(yù)測和訓(xùn)練。我們?nèi)圆捎肞ython語言進(jìn)行編寫程序，蘋果分類軟件開發(fā)平臺與上面的檢測平臺一致，這里就不贅述。使用Python集成的OpenCv和PIL進(jìn)行圖像的讀取與處理，結(jié)合數(shù)字圖像處理中的理論并選取OpenCv中API的合適參數(shù)。在求取圖像色澤度時，原圖和RGB轉(zhuǎn)HSV后H分量后的圖片如圖所示：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ? ? ?在求取面積時，在圖像增強(qiáng)后使用大津閾值分割法獲得二值化圖像，如圖所示：? ?

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

?上面演示了一個圖片獲得對應(yīng)特征值的過程，然后我們將多個圖片進(jìn)行特征提取，做成我們的訓(xùn)練集，采用模式識別中最近鄰算法進(jìn)行預(yù)測檢測后的蘋果的品級。訓(xùn)練集的分布如圖所示：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ?從圖中可以看出，一等品（紅色）集中在色澤度高且形狀規(guī)整的部分，雖然三個等級的蘋果呈現(xiàn)出集中的趨勢，但是仍然有誤差。由于最近鄰的判斷結(jié)果與訓(xùn)練集有很大的關(guān)系，但基本上是可以滿足要求的。圖4.4為蘋果分類的結(jié)果，輸出包括直徑和紅色程度。

? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ? 由前面香蕉分類流程圖可知，最重要的是灰度增強(qiáng)時參數(shù)的調(diào)整以及霍夫變換時參數(shù)的調(diào)整。對比度增強(qiáng)主要調(diào)節(jié)下圖一中兩個點(diǎn)坐標(biāo)，而霍夫變換主要調(diào)節(jié)目標(biāo)中圓的半徑范圍和圓心距離小于多少時認(rèn)為是同一個圓。參數(shù)如表所示。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

Para

Disc.

Image

輸入圖像，必須是八位的單通道灰度圖像

Circles

輸出結(jié)果，發(fā)現(xiàn)的圓信息，包括圓點(diǎn)和半徑

Method

目前只有 HOUGH_GRADIENT，通過梯度來尋找

Dp

dp = 1：在原圖上尋找；dp = 2, 原圖寬高減半

Mindist

如果兩個圓的圓心距離小于 mindist 則認(rèn)為是同一個圓

Param1

Canny 檢測時的 高閾值，低閾值是 param1 的一半

Param2

中心點(diǎn)累加器閾值，小于該閾值的會被忽略

Minradius,Maxradius

搜尋半徑范圍

? ? ? ?在參數(shù)調(diào)節(jié)結(jié)束后，便可以在原圖上根據(jù)霍夫圓變換獲得的圓的三個參數(shù)進(jìn)行標(biāo)注。我們灰度增強(qiáng)的效果是要將香蕉體表上的斑點(diǎn)視為前景，背景以及蕉身視為背景。效果如圖所示：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ??由于香蕉體表的斑點(diǎn)比較小，且相鄰兩個圓的距離也較小，因此設(shè)置的待檢測圓的半徑范圍也比較小。圖4.7左側(cè)圖中，香蕉表面雖然有斑點(diǎn)，但是不影響食用，檢測到的斑點(diǎn)也較少。下圖右側(cè)的香蕉質(zhì)量明顯很差，用霍夫圓變換得到的表面的圓也比較多，也即斑點(diǎn)的個數(shù)比較多。

? ? ? ? ? ? ? ? ??

? ? ? ?霍夫圓變換可以檢測到圖片中圓的半徑和圓心坐標(biāo)，每個圓也就代表了香蕉表面的斑點(diǎn)。根據(jù)返回的參數(shù)便可統(tǒng)計(jì)斑點(diǎn)的個數(shù)，進(jìn)而相應(yīng)的判斷香蕉的分類結(jié)果。

? ? ? ? 如前面所述，界面的設(shè)計(jì)采用Qt設(shè)計(jì)師這個軟件進(jìn)行設(shè)計(jì)，我們使用的控件有按鈕，文本框以及對話框。整個GUI界面的背景是選取一個圖片，然后設(shè)置一個跟其他組件沒有繼承關(guān)系的ListView，然后鋪開作為背景，這樣不會遮擋其他組件。文本框顯示我們打開的圖片和處理的圖片在整個界面上面的位置。我們使用按鈕進(jìn)行設(shè)計(jì)所要完成的功能，我們的功能有四個，分別是打開圖片，檢測目標(biāo)，水果的分類和退出。打開圖片并能夠在圖片顯示控件上顯示出來，其中兩個圖片顯示控件的大小都是100*100，因此界面中顯示的圖片是進(jìn)行壓縮后的。檢測后點(diǎn)擊檢測，便可以得到被檢測圖片。當(dāng)點(diǎn)擊分類時，首先進(jìn)行對檢測結(jié)果的截取，使用分類算法得到其品級。退出按鈕即結(jié)束所有的工作，退出界面，退出程序的執(zhí)行。設(shè)計(jì)的界面如下圖所示：?

? ? ? ? ? ? ? ? ? ? ??

? ? ? ?界面設(shè)計(jì)好后通過指令將界面轉(zhuǎn)化成Python文件，該P(yáng)ython文件是一個類，該類包含了所有的組件信息，比如其名字，位置，以及調(diào)用函數(shù)。我們再建立一個新的Python文件，并把表示界面的類導(dǎo)入，就可以進(jìn)行對四個按鈕函數(shù)內(nèi)容的編寫了。由于我們前面已經(jīng)把檢測和分類的代碼實(shí)現(xiàn)，故只需稍加改動，便可遷移到我們界面中實(shí)現(xiàn)功能和界面的互動。

? ? ? ?在設(shè)計(jì)結(jié)束界面后，編輯按鈕的事件函數(shù)。將前面所調(diào)試成功的實(shí)驗(yàn)內(nèi)容相應(yīng)的放入事件函數(shù)中，并分別在打開和檢測按鈕的事件處理函數(shù)中加入圖片顯示的作。由于處理時所用的圖片格式和顯示時的格式不統(tǒng)一，便導(dǎo)致顯示上有些瑕疵，但并不影響其結(jié)果的準(zhǔn)確性。下圖1是三種水果的檢測結(jié)果，包括邊界框以及置信度信息。下圖2是五種水果的檢測結(jié)果，圖下圖3，4，5分別顯示了香蕉三種品級的分類結(jié)果，下圖6,7,8分別顯示了蘋果三種品級的分類結(jié)果。? ?

? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? ?

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

?演示視頻https://b23.tv/In8fBM6

1.? ??ffmpeg視頻轉(zhuǎn)圖片

2.? ?水果劃分等級的標(biāo)準(zhǔn)

3.? ?PyQt5簡單教程

4.? ?PyQt5編寫簡單GUI

5.? ?Qt -- QImage使用總結(jié)

6.? ?Qt Designer設(shè)置背景圖片 ??

7.? ?從RCNN-FASTER RCNN

8.? ?理解卷積神經(jīng)網(wǎng)絡(luò)中的特征圖（feature map）

9.? ?目標(biāo)檢測綜述

10??理解FASTERR CNN（知乎知乎知乎）?

11?Faster RCNN網(wǎng)絡(luò)簡介

12??labelimg標(biāo)定圖片

13??windows下的tensorflow-gpu=1.13.2環(huán)境配置

14??windows下的tensorflow-gpu=2.2.0環(huán)境配置

15??對比度增強(qiáng)算法

16??opencv 圖像增強(qiáng)

17??opencv圖像的灰度處理

18???faster rcnn中rpn的anchor，sliding windows，proposals的理解?

19??霍夫變換圓檢測原理及 OpenCV API 應(yīng)用

20??Faster RCNN算法解析

21??Keras搭建Faster-RCNN目標(biāo)檢測平臺

注：如果要代碼資源的話：【閑魚】https://m.tb.cn/h.Ussr9ca?tk=FxIZdPJ0jAW CZ0001 「我在閑魚發(fā)布了【水果識別】」 點(diǎn)擊鏈接直接打開

? ? ? ? ? ? ? ? ? ? ? ? ??