摘要: One-Hot编码,又称为一位有效编码,主要是采用N位状态寄存器来对N个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候只有一位有效。 One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后,每个整数值被表示为二进制向量,除了整数的索引之外,它都是零值,它被 阅读全文
posted @ 2020-03-02 23:15 李是李雅普诺夫的李 阅读(2691) 评论(0) 推荐(0) 编辑
摘要: 本文记录机器视觉硬件学习内容,第一部分:光源 1、为什么要使用光源 目的:将被测物体与背景分离,获取高质量、高对比度的图像,好的光源可以很大程度上减少无关的背景信息,突出被测物体的特征。 重要性:直接影响处理精度和速度,甚至机器视觉系统的成败,优秀的打光工程能够降低算法开发的难度。 2、光源的种类 阅读全文
posted @ 2020-03-02 20:04 李是李雅普诺夫的李 阅读(1584) 评论(0) 推荐(0) 编辑
摘要: 图像分类与检测领域常用数据集汇总 图像分类与检测领域常用数据集 数据库 图像数目 类别数目 每类图像数目 图像大小(pixel) 数据库论文(点击即可获取论文,如果无法下载,推荐使用SCI-HUB) MNIST 60000 10 6000 28x28 Gradient-based learning 阅读全文
posted @ 2020-03-01 21:35 李是李雅普诺夫的李 阅读(2998) 评论(0) 推荐(1) 编辑
摘要: 本文将从以下三个方面介绍如何制作自己的数据集 数据标注 数据扩增 将数据转化为COCO的json格式 参考资料 一、数据标注 在深度学习的目标检测任务中,首先要使用训练集进行模型训练。训练的数据集好坏决定了任务的上限。下面介绍两种常用的图像目标检测标注工具:Labelme和LabelImg。 (1) 阅读全文
posted @ 2019-10-11 21:42 李是李雅普诺夫的李 阅读(10704) 评论(2) 推荐(1) 编辑
摘要: 在某些场景下的目标检测中,样本数量较小,导致检测的效果比较差,这时就需要进行数据扩增。本文介绍常用的6类数据扩增方式,包括裁剪、平移、改变亮度、加入噪声、旋转角度以及镜像。 每一部分的参考资料也附在代码的介绍位置,大家可以参考。 裁剪(需要改变bbox):裁剪后的图片需要包含所有的框,否则会对图像的 阅读全文
posted @ 2019-10-11 14:09 李是李雅普诺夫的李 阅读(7839) 评论(0) 推荐(0) 编辑
摘要: 在excel中,当数字和字母混合在一起的时候,会出现排序错误的情况 比如下图的这种情况。我们希望的是2排在1后面,但是实际上10却排在了1的后面。这时候我们就需要把字符串中的数字提取出来进行排序 第一步:建立辅助排序列 我们在旁边新建一个列 用于存储提取出来的数字字符 第二步:提取数字 提取代码: 阅读全文
posted @ 2019-05-21 16:22 李是李雅普诺夫的李 阅读(2522) 评论(0) 推荐(0) 编辑
摘要: 本文为转载整理,我转过来作为备份留作自己查看,请点击链接阅读原文。原文链接为:点此 Python类与实例的讲解,相当通俗易懂。非常推荐! class Person: 注意,类的名称一般用大写字母开头,这是惯例。当然,如果故意不遵循此惯例,也未尝不可,但是,会给别人阅读乃至于自己以后阅读带来麻烦。既然 阅读全文
posted @ 2019-05-09 21:34 李是李雅普诺夫的李 阅读(1135) 评论(0) 推荐(0) 编辑
摘要: 写在前面:该篇文章的内容以及相关代码(代码在最后),都是我亲自手敲出来的,相关结论分析也是花了挺长时间做出来的,如需转载该文章,请务必先联系我,在后台留言即可。 在深度学习中,神经网络的权重初始化方式非常重要,其对模型的收敛速度和性能有着较大的影响。一个好的权值初始值有以下优点: 梯度下降的收敛速度 阅读全文
posted @ 2019-05-08 10:30 李是李雅普诺夫的李 阅读(5587) 评论(0) 推荐(0) 编辑
摘要: 深度学习技术极大的影响了我们的生活:无人驾驶在可预见的未来走向我们的生活,人脸识使我们的出行更便利、支付更便捷,人像美颜更是让广大人民群众喜闻乐见、欲罢不能, 除此之外还有拍立淘、语音识别、文本翻译、识别诈骗、垃圾短信分类、辅助医疗等等.....可以说,深度学习等AI技术在潜移默化中影响着我们的生活 阅读全文
posted @ 2019-04-28 19:45 李是李雅普诺夫的李 阅读(1190) 评论(0) 推荐(0) 编辑
摘要: 文章下载地址:A Surface Defect Detection Method Based on Positive Samples 第一部分 论文中文翻译 摘要:基于机器视觉的表面缺陷检测和分类可以大大提高工业生产的效率。利用足够的已标记图像,基于卷积神经网络的缺陷检测方法已经实现了现有技术的检测 阅读全文
posted @ 2019-04-18 16:15 李是李雅普诺夫的李 阅读(8706) 评论(0) 推荐(0) 编辑
该文被密码保护。 阅读全文
posted @ 2019-04-08 19:46 李是李雅普诺夫的李 阅读(18) 评论(0) 推荐(0) 编辑
摘要: 基本参数:(如何基本参数和我的电脑不一致,有可能会出意外的错误) 操作系统:Windows 10,64位 Anaconda版本:Python 3.6版本。关于Anaconda的介绍、安装及使用教程可查看:点击 本文写作时间:2019年3月26日 全程手打,不可避免的可能出现某些错误,如果您发现请及时 阅读全文
posted @ 2019-03-27 15:06 李是李雅普诺夫的李 阅读(8240) 评论(2) 推荐(1) 编辑
摘要: 出现这个问题,有几种解决办法,可以调低一下keras的版本,比如: pip install keras==2.1 不过还有个更方便的方法,从错误可知softmax中不包含axis这个参数,那么把axis参数替换成dim就可以了。源代码是这样的: def softmax(x, axis=-1): "" 阅读全文
posted @ 2019-03-24 16:59 李是李雅普诺夫的李 阅读(7599) 评论(0) 推荐(0) 编辑
摘要: 为了方便大家阅读,整理出这份目录,内容持续更新中。 机器视觉系统硬件系列(已更新完) 【机器视觉硬件】硬件学习笔记1——光源 【机器视觉硬件】机器视觉硬件学习笔记2——工业相机 【机器视觉硬件】工业相机的主要接口类型 【机器视觉硬件】工业相机的主要参数 【机器视觉硬件】工业相机的分类 【机器视觉硬件 阅读全文
posted @ 2019-03-01 22:51 李是李雅普诺夫的李 阅读(2994) 评论(0) 推荐(0) 编辑
摘要: 现在是2019年的1月8号,2017年读了研究生,转眼间一年半就过去了。回首过去的一年半,学到了一些东西,但是又因为没成体系在脑子里乱呼呼的。 今天下定决心,要开通博客记录自己的学习过程,回顾自身的同时,也许能帮助到其他的人(水平比较低,哈哈,希望别人发现博客的错误之后手下留情) 总之,努力学习! 阅读全文
posted @ 2019-01-08 22:19 李是李雅普诺夫的李 阅读(120) 评论(0) 推荐(0) 编辑