|
>> 您現(xiàn)在的位置： |
|
00 引言 |
|
|
檢驗和測試QWGDR內(nèi)核工作于多種運行模式的應用場景，及其通用性和適應性技術(shù)指標，通過以下兩種方式進行（共22個應用場景）：
1）部分實際應用或測試場景（共15個應用場景，后綴"*"區(qū)分）；
2）網(wǎng)絡開源公共測試數(shù)據(jù)集（共07個應用場景，后綴"+"區(qū)分）。
這里，凡是使用到網(wǎng)絡開源公共測試數(shù)據(jù)集的（共07個應用場景，后綴"+"區(qū)分），作者都會在問題描述中明確注明數(shù)據(jù)來源（如有侵權(quán)，請聯(lián)系作者刪除）和數(shù)據(jù)集協(xié)議（如果有的話），并在此聲明：這些數(shù)據(jù)集僅用于測試QWGDR的通用性和適應性技術(shù)指標。
對于無明確注明數(shù)據(jù)來源的，均默認為部分實際應用或測試場景（共15個應用場景，后綴"*"區(qū)分）。其它更多實際應用場景請聯(lián)系作者私聊。
|
|
|
|
01
公安視頻偵查* |
返回 |
|
|
01.00 工具介紹
隨處可見的視頻監(jiān)控，無非就是攝像頭不停地抓拍錄像。然而，一旦須要檢索視頻中的特定目標，人們面對的往往是在成千上萬個小時的海量視頻中大海撈針，傳統(tǒng)上須要投入的人力和時間，簡直讓人不敢想象，也很不現(xiàn)實。因此，如何通過計算機程序快速從海量視頻中搜索特定目標，已經(jīng)成為當前視頻檢索和視頻偵查迫切須要解決的問題。
市場上存在過的其它視頻偵查系統(tǒng)，普遍僅僅是依賴于傳統(tǒng)局限的"幀差法"、"背景建模法"、"顏色分類法"等，從視頻中檢測所有運動目標，開發(fā)出的系統(tǒng)大多停留在"視頻摘要"、"視頻濃縮"、"拌線檢測"、"人車分類"等初期檢索階段，并沒有進行特定目標的搜索，在海量視頻檢索任務中，人工篩選工作量仍然非常巨大，甚至無法接受。
前些年，很多開發(fā)者將重點投入到"以圖搜圖"這一熱點主題的研究上，希望能夠取得明顯進展成果。然而，因技術(shù)方面主要存在很大的困難和挑戰(zhàn)，如同類別差異、視點變化、光照差異、遮擋問題、復雜背景等，指望單純通過"以圖搜圖"計算的"圖像相似度"搜索海量視頻中的特定目標，研究進展舉步維艱，實際應用效果也非常局限，滿足不了復雜多變的海量視頻偵查任務。
這十多年來，作者從未中斷過海量視頻偵查技術(shù)的研究和開發(fā)，曾于2015年完成開發(fā)的"梯度海量視頻內(nèi)容搜索系統(tǒng)"（獲得2015年度全國公安科技創(chuàng)新成果獎），繼承并突破傳統(tǒng)圖像處理技術(shù)，允許用戶根據(jù)實際情況，自定義視頻偵查任務，創(chuàng)新性地提出并構(gòu)建"級聯(lián)檢測器檢測+驗證器校驗"的多級多個神經(jīng)網(wǎng)絡組成的神經(jīng)計算專家系統(tǒng)，實現(xiàn)海量視頻"多目標多場景"的同時搜索。
QWGDR細分應用之公安視頻偵查，相比作者之前開發(fā)的"梯度海量視頻內(nèi)容搜索系統(tǒng)"，在以下幾個方面均有明顯的改進和突破：
1）搜索準確率有很大的提升；
2）極大地減少了搜索誤判率；
3）目標排名比之前更加靠前；
4）搜索速度比之前很大提升；
5）夜間和小目標搜索更可靠；
6）搜索結(jié)果可用于多次比對。
01.01 運行視頻偵查 |
|
|
 |
|
|
根目錄路徑：內(nèi)核根目錄路徑\n不能包含空格。
案件名稱：案件名稱\n不能包含空格。
案件描述：案件描述\n不能包含空格。
感興趣區(qū)域：格式：左,上,右,下\n每個取值均為[0,1]的相對位置\n例如：0,0,1,1。
偵查類型：視頻搜索；視頻摘要；視頻濃縮 (普通)；視頻濃縮 (精細)。
起始文件相對索引：取值為[0,1]的相對索引\n例如：0。
終止文件相對索引：取值為[0,1]的相對索引\n例如：1。
運行參數(shù)：格式：nProcessCountV,nThreadCountIV,nThreadCountS\n例如：32,8,1。
起始幀相對索引：取值為[0,1]的相對索引\n例如：0。
終止幀相對索引：取值為[0,1]的相對索引\n例如：1。
視頻目錄：視頻目錄\n不能為空。
"加載"按鈕：加載案件內(nèi)核KNL文件。程序啟動完成后，如果想繼續(xù)之前的案件偵查，應先加載該案件名稱對應的工作目錄下的內(nèi)核KNL文件。
"瀏覽"按鈕：瀏覽文件夾。
"標注"按鈕：標注感興趣區(qū)域。
"運行"按鈕：開始運行。
"停止"按鈕：停止運行。
"清空"按鈕：清空嫌疑目標。
"查看"按鈕：查看嫌疑目標。
當偵查類型為"視頻搜索"時，程序支持從現(xiàn)場周邊線索視頻、未標注的線索圖像和已標注的線索圖像三種方式添加嫌疑目標，同時支持組合、多次添加嫌疑目標。如暫無線索視頻和圖像，可先不添加，直接先運行視頻偵查，后續(xù)再通過人工研判添加嫌疑目標。
01.01.01 從現(xiàn)場周邊線索視頻添加嫌疑目標
單擊"從現(xiàn)場周邊線索視頻添加嫌疑目標"按鈕，彈出"選取線索視頻"對話框： |
|
 |
|
|
選取線索視頻并單擊"打開"按鈕后，彈出"正在分析線索視頻…"對話框： |
|
 |
|
|
完成線索視頻的分析后，程序自動關(guān)閉"正在分析線索視頻…"對話框（如果沒有自動關(guān)閉，且進度條顯示980，請手動單擊"關(guān)閉"按鈕繼續(xù)），彈出"選取嫌疑目標"對話框： |
|
 |
|
|
手動選取嫌疑目標完成后，直接單擊右上角的"×"按鈕關(guān)閉"選取嫌疑目標"對話框，程序會自動將選取的嫌疑目標添加到內(nèi)置的嫌疑目標目錄中。
01.01.02 從未標注的線索圖像添加嫌疑目標
單擊"從未標注的線索圖像添加嫌疑目標"按鈕，彈出"線索圖像目錄"對話框： |
|
 |
|
|
選取線索圖像目錄并單擊"確定"按鈕后，彈出"標注嫌疑目標"對話框（具體請參見"圖像標注工具"的使用說明）： |
|
 |
|
|
手動標注嫌疑目標完成后，直接單擊右上角的"×"按鈕關(guān)閉"標注嫌疑目標"對話框，程序會自動將標注的嫌疑目標添加到內(nèi)置的嫌疑目標目錄中。
01.01.03 從已標注的線索圖像添加嫌疑目標
單擊"從已標注的線索圖像添加嫌疑目標"按鈕，彈出"線索圖像目錄"對話框： |
|
 |
|
|
選取線索圖像目錄并單擊"確定"按鈕后，彈出"選取嫌疑目標"對話框： |
|
 |
|
|
手動選取嫌疑目標完成后，直接單擊右上角的"×"按鈕關(guān)閉"選取嫌疑目標"對話框，程序會自動將選取的嫌疑目標添加到內(nèi)置的嫌疑目標目錄中。
01.02 研判搜索結(jié)果 |
|
 |
|
|
圖像目錄：當前圖像目錄。
頁索引：當前頁索引。
行數(shù)：每頁分行數(shù)。
列數(shù)：每頁分列數(shù)。
"☆"按鈕：彈出快捷菜單[F12]。 |
|
 |
|
|
快捷菜單：刷新；瀏覽文件夾；顯示（所有得分、1級得分、2級得分、3級得分、4級得分、5級得分、6級得分、7級得分、8級得分、9級得分、文件源、關(guān)鍵串）；控制（文件源升序、文件源降序、關(guān)鍵串升序、關(guān)鍵串降序、跳過無標注）；全部選擇；全部不選；反向選擇；復制；移動；刪除；復制源；移動源；刪除源；加入忽略列表。
"┠"按鈕：第一頁[Home]。
"《"按鈕：上一頁[Up/PgUp]。
"》"按鈕：下一頁[Down/PgDn]。
"┨"按鈕：最后一頁[End]。
"→"按鈕：跳轉(zhuǎn)到。
"刷新"按鈕：刷新圖像目錄[F5]。
"瀏覽"按鈕：瀏覽文件夾[Ctrl+B]。
"修改"按鈕：修改行列數(shù)。
"切換排序"按鈕：在"文件源升序"和"得分降序"之間切換排序方式。
"添加目標"按鈕：選中的圖像添加為嫌疑目標，并重新比對后更新搜索結(jié)果。
"切換目錄"按鈕：在"研判搜索結(jié)果"和"查看嫌疑目標"之間切換圖像目錄。
左鍵單擊：選擇圖像。
Control鍵+左鍵單擊：取消選擇。
Shift鍵+左鍵單擊：從前往后時，區(qū)間選擇圖像；從后往前時，取消區(qū)間選擇。
左鍵雙擊：跳轉(zhuǎn)到原始視頻幀位置（具體請參見"視頻編解碼器"的使用說明）。
中鍵單擊：全部不選。
01.03 研判視頻摘要
視頻摘要平均準確率約96.75%。 |
|
 |
|
|
01.04 觀看濃縮視頻
視頻濃縮平均濃縮比約38倍。 |
|
 |
|
|
01.05 實戰(zhàn)測評
平均運行速度和平均目標排名是實戰(zhàn)測評公安視頻偵查的兩個關(guān)鍵性能指標。平均運行速度同時受計算機配置和視頻數(shù)據(jù)復雜度的影響很大，而平均目標排名則更主要是受視頻數(shù)據(jù)復雜度的影響較大。
實戰(zhàn)測評QWGDR細分應用之公安視頻偵查，所使用的視頻數(shù)據(jù)集，具有以下幾點普適性：
1）實戰(zhàn)案例：181個實戰(zhàn)案例共832個嫌疑目標，每個實戰(zhàn)案例的嫌疑目標出現(xiàn)個數(shù)在[2,28]之間不等；
2）視頻時長：共約350個小時；
3）視頻大小：共約264GB；
4）涵蓋地區(qū)：湖北、上海、北京、重慶、陜西、江蘇、安徽、河南、河北、湖南、廣西、貴州、甘肅、山東、黑龍江等；
5）監(jiān)控場所：學校、火車站、菜市場、主次干道、大橋匝道、廣場街道、小區(qū)內(nèi)外、商場店鋪、酒店網(wǎng)吧等；
6）天氣條件：晴天、陰天、雨天、雪天；
8）拍攝時間：春、夏、秋、冬四個季節(jié)的白天和夜間各個時間段；
9）圖像質(zhì)量：超高清、高清、標清、模糊。
使用雙路AMD EPYC
7T83處理器（128核256線程），視頻總時長約350個小時，運行時間約2個小時，平均運行速度約175倍。
原始視頻共約350個小時，總幀數(shù)約3000萬張圖像，程序自動提取視頻摘要后（平均準確率約96.75%），得到一個由280萬張圖像組成的圖庫，其中絕大多數(shù)為行人、機動車、非機動車、寵物等有潛在意義的運動目標。然后，對于每個實戰(zhàn)案例，逐一使用其中1個嫌疑目標作為樣本，快速訓練神經(jīng)網(wǎng)絡，然后對該實戰(zhàn)案例其它N個嫌疑目標和圖庫中280萬張圖像都用神經(jīng)網(wǎng)絡評分，將它們按照得分降序排列，統(tǒng)計出該實戰(zhàn)案例用其中1個嫌疑目標作為樣本時其它N個嫌疑目標在圖庫中的排名。181個實戰(zhàn)案例共832個嫌疑目標，須要訓練832次神經(jīng)網(wǎng)絡，同時圖庫中280萬張圖像也要用神經(jīng)網(wǎng)絡評分832次，經(jīng)過完備的交叉1:N評分及其排名統(tǒng)計，最后得到4732個排名數(shù)據(jù)。經(jīng)數(shù)據(jù)分析與數(shù)值計算，最終得到平均目標排名統(tǒng)計結(jié)果（后續(xù)版本升級內(nèi)核后排名將會有變化）： |
|
★
排名前05%的嫌疑目標個數(shù)約為55.98%； ★
排名前30%的嫌疑目標個數(shù)約為83.07%；
★
排名前10%的嫌疑目標個數(shù)約為66.59%； ★
排名前35%的嫌疑目標個數(shù)約為85.11%；
★
排名前15%的嫌疑目標個數(shù)約為72.60%； ★
排名前40%的嫌疑目標個數(shù)約為86.85%；
★
排名前20%的嫌疑目標個數(shù)約為77.18%； ★
排名前45%的嫌疑目標個數(shù)約為88.30%；
★
排名前25%的嫌疑目標個數(shù)約為80.41%； ★
排名前50%的嫌疑目標個數(shù)約為89.47%。 |
|
|
|
02
監(jiān)控視頻摘要* |
返回 |
|
|
02.01 工具介紹
QWGDR細分應用之監(jiān)控視頻摘要，就是程序通過訓練好的神經(jīng)網(wǎng)絡，檢測監(jiān)控視頻中的行人、機動車、非機動車、寵物等有潛在意義的運動目標，將它們以摘要圖像的形式對視頻進行二次描述和重新刻畫，人們分頁快速瀏覽靜止的摘要縮略圖像，當對某個摘要感興趣的時候，可以雙擊跳轉(zhuǎn)到原始視頻的對應幀位置，并可以截取保存有價值的視頻片段或幀圖像，從而壓縮人們觀看監(jiān)控視頻的時間，同時也提高了監(jiān)控視頻的使用效率。
平均運行速度和平均準確率是實戰(zhàn)測評監(jiān)控視頻摘要的兩個關(guān)鍵性能指標。平均運行速度同時受計算機配置和視頻數(shù)據(jù)復雜度的影響很大，而平均準確率則更主要是受視頻數(shù)據(jù)復雜度的影響較大。
實戰(zhàn)測評QWGDR細分應用之監(jiān)控視頻摘要，所使用的視頻數(shù)據(jù)集，具有以下幾點普適性：
1）實戰(zhàn)案例：181個實戰(zhàn)案例共832個嫌疑目標，每個實戰(zhàn)案例的嫌疑目標出現(xiàn)個數(shù)在[2,28]之間不等；
2）視頻時長：共約350個小時；
3）視頻大?。汗布s264GB；
4）涵蓋地區(qū)：湖北、上海、北京、重慶、陜西、江蘇、安徽、河南、河北、湖南、廣西、貴州、甘肅、山東、黑龍江等；
5）監(jiān)控場所：學校、火車站、菜市場、主次干道、大橋匝道、廣場街道、小區(qū)內(nèi)外、商場店鋪、酒店網(wǎng)吧等；
6）天氣條件：晴天、陰天、雨天、雪天；
8）拍攝時間：春、夏、秋、冬四個季節(jié)的白天和夜間各個時間段；
9）圖像質(zhì)量：超高清、高清、標清、模糊。
使用雙路AMD EPYC
7T83處理器（128核256線程），視頻總時長約350個小時，運行時間約2個小時，平均運行速度約175倍。
181個實戰(zhàn)案例共832個嫌疑目標，程序自動提取視頻摘要后，遺漏27個嫌疑目標，平均準確率約為：(832-27)/832*100%=96.75%。這里，遺漏的27個目標多是因為目標太遠太小、扭曲變形很大、夜間模糊難辨、強光照射或運動拖影等造成的程序漏檢。
02.02 實戰(zhàn)操作
02.02.01 自動提取視頻摘要 |
|
|
 |
|
|
|
02.02.02 人工研判視頻摘要 |
|
|
 |
|
|
|
|
03
監(jiān)控視頻濃縮* |
返回 |
|
|
03.01 工具介紹
QWGDR細分應用之監(jiān)控視頻濃縮，就是程序通過訓練好的神經(jīng)網(wǎng)絡，檢測監(jiān)控視頻中的行人、機動車、非機動車、寵物等有潛在意義的運動目標，將它們所在的原始視頻幀圖像重新組合在一起，合成新的濃縮視頻，剔除那些沒有潛在意義的靜止和干擾幀圖像，從而壓縮人們觀看監(jiān)控視頻的時間，同時也提高了監(jiān)控視頻的使用效率。
平均運行速度和平均濃縮比是實戰(zhàn)測評監(jiān)控視頻濃縮的兩個關(guān)鍵性能指標。平均運行速度同時受計算機配置和視頻數(shù)據(jù)復雜度的影響很大，而平均濃縮比則更主要是受視頻數(shù)據(jù)復雜度的影響較大。
實戰(zhàn)測評QWGDR細分應用之監(jiān)控視頻濃縮，所使用的視頻數(shù)據(jù)集，具有以下幾點普適性：
1）實戰(zhàn)案例：181個實戰(zhàn)案例共832個嫌疑目標，每個實戰(zhàn)案例的嫌疑目標出現(xiàn)個數(shù)在[2,28]之間不等；
2）視頻時長：共約350個小時；
3）視頻大小：共約264GB；
4）涵蓋地區(qū)：湖北、上海、北京、重慶、陜西、江蘇、安徽、河南、河北、湖南、廣西、貴州、甘肅、山東、黑龍江等；
5）監(jiān)控場所：學校、火車站、菜市場、主次干道、大橋匝道、廣場街道、小區(qū)內(nèi)外、商場店鋪、酒店網(wǎng)吧等；
6）天氣條件：晴天、陰天、雨天、雪天；
8）拍攝時間：春、夏、秋、冬四個季節(jié)的白天和夜間各個時間段；
9）圖像質(zhì)量：超高清、高清、標清、模糊。
使用雙路AMD EPYC
7T83處理器（128核256線程），視頻總時長約350個小時，運行時間約2個小時，平均運行速度約175倍。
原始視頻共約350個小時，程序處理后的濃縮視頻共約9個小時，平均濃縮比約38倍。這里，181個實戰(zhàn)案例共832個嫌疑目標，程序自動運行視頻濃縮后，遺漏0個嫌疑目標。
03.02 實戰(zhàn)操作
03.02.01 自動運行視頻濃縮 |
|
|
 |
|
|
|
03.02.02 人工觀看濃縮視頻 |
|
|
 |
|
|
|
|
04
花邊缺陷檢測* |
返回 |
|
|
|
04.01 系統(tǒng)介紹
作為我國針織行業(yè)的重要分支，花邊行業(yè)得到了快速發(fā)展，是紡織業(yè)中發(fā)展比較早、也比較成熟的傳統(tǒng)行業(yè)和優(yōu)勢產(chǎn)業(yè)。福建長樂花邊行業(yè)總量位居全國首位，其花邊產(chǎn)品占據(jù)全國同類市場份額的70%-80%。據(jù)2013年統(tǒng)計，長樂地區(qū)擁有近千家花邊企業(yè)，其中較具規(guī)模的有300多家，規(guī)模以上的有50家，年產(chǎn)值110億。同時，長樂擁有各類花邊機10000臺，其中世界最先進的福建鑫港紡織機械、德國卡爾邁耶公司生產(chǎn)的電腦花邊機4000臺左右。
然而，花邊蕾絲面料的生產(chǎn)，卻是勞動密集型的。盡管采用先進的紡織機械生產(chǎn)布匹，也加裝了激光裝置進行局部斷線檢測，實際準確率不到20%，仍然依賴工人不停地在5米多長的機臺之間來回巡檢，往往布匹缺陷發(fā)生相當長時間后才被發(fā)現(xiàn)，浪費人力資源成本的同時，還影響花邊蕾絲面料的生產(chǎn)質(zhì)量。
近十年來，很多公司和研究者試圖通過計算機視覺實現(xiàn)花邊缺陷的自動檢測，期間曾出現(xiàn)過其它各種專利和不成熟的實驗產(chǎn)品，始終未能達到實際運行要求，主要是因為花邊缺陷檢測的難度巨大，影響因素繁多且又復雜，諸如：柔性面料之間的拉扯變形、原材料紗線的材質(zhì)差異、各種毛糙線和油污垢的干擾、工作環(huán)境光照和磁場的變化、蕾絲花型的千差萬別、花邊機臺的震動/跳針/斷針/斷紗、工人巡檢和換線引起的晃動和干擾、紗線用完沒有及時更換等。
QWGDR應用于花邊缺陷檢測，已在紡織廠裝配運行，一旦缺陷發(fā)生，檢測系統(tǒng)能夠在最短的時間內(nèi)發(fā)出警報，并且自動停機，顯著提高花邊布匹的生產(chǎn)質(zhì)量，同時節(jié)約人力資源成本。
04.02 研究水平
QWGDR在花邊缺陷檢測的投入運行，克服了紡織業(yè)困擾多年的檢測難題，填補了花邊機智能改造的技術(shù)空白。
04.03 整體設(shè)計
QWGDR細分應用之花邊缺陷檢測，硬件支持包括：工業(yè)計算機、高速工業(yè)相機、工業(yè)鏡頭、工業(yè)POE千兆網(wǎng)卡、工業(yè)串口卡、工業(yè)觸摸顯示器、相機光源、RS485警報燈、電流傳感器、機械支架、接地保護等。
整體設(shè)計布局（機械支架和PLC電控由軟件作者的同學劉福樹設(shè)計制造）： |
|
|
 |
 |
 |
 |
 |
 |
 |
|
|
|
04.04 運行實況 |
|
|
 |
|
|
 |
|
|
 |
|
|
 |
|
|
 |
|
|
 |
|
|
|
|
05
自動跟隨糾偏* |
返回 |
|
|
05.01 系統(tǒng)介紹
在工業(yè)生產(chǎn)中，帶有圖案的柔性材料的裁切是比較難于實現(xiàn)的工藝，一個是柔性材料本身的拉伸和不平整，另外一個是因為柔性材料在收放卷時裁切基準線會有扭曲和偏移的情況，意味著即使是最簡單的直線裁切也會變得沒那么規(guī)則，視覺糾偏是解決這個問題的最佳方案。
視覺糾偏利用高速相機采集運動狀態(tài)下的裁切圖案的圖像數(shù)據(jù)，用算法去識別和計算實時偏差，然后根據(jù)誤差去調(diào)整裁切機構(gòu)以得到理想的結(jié)果。實現(xiàn)過程看似簡單，實際上對柔性材料的數(shù)據(jù)偏差計算很考驗算法人員的經(jīng)驗。
當然，視覺糾偏的用途不僅限于此，在各種須要實時跟蹤或者調(diào)整的場合，甚至于更高級的異形跟隨切割等都可以采用。
這里的視覺糾偏可以單獨地給出偏差值，也可以包含控制柜直接給出控制信號。
QWGDR細分應用之自動跟隨糾偏，硬件支持包括：工業(yè)觸摸一體機、高速工業(yè)相機、工業(yè)鏡頭、PLC控制柜等。
05.02 操作方法
開機流程：
1）旋轉(zhuǎn)電源旋鈕上電，電源指示燈亮；
2）松開急停按鈕，啟動復位按鈕，使裁刀組件置于絲杠中位(復位按鈕的功能僅是使裁刀回絲桿中間位置，看需要使用，即如果裁刀在絲桿中間也可以不用操作此步驟)；
3）調(diào)整整體裁刀組件（用配送的短六角扳手松開中間螺絲）使裁刀對準布面黑線然后用扳手固定??；
4）松開相機固定旋鈕滑動相機使相機中心對準布面黑線與紅色基準尺的中間位置然后鎖緊；
5）按啟動按鈕使糾偏系統(tǒng)開始工作（頁面上運行碼開始跳動，系統(tǒng)狀態(tài)由待機變?yōu)檫\行)；
6）設(shè)置針距和速度兩個參數(shù)和主機一致后即可開啟主機進行生產(chǎn)。
關(guān)機流程：
1）確保糾偏系統(tǒng)處于運行狀態(tài)下（如果不是在運行狀態(tài)必須啟動至運行狀態(tài)）按觸摸屏上的關(guān)機按
鈕使系統(tǒng)主機先關(guān)閉；
2）等待5-10秒后關(guān)閉電源旋鈕，電源指示燈熄滅。
特別說明：
1）一定要啟動糾偏系統(tǒng)并確認糾偏系統(tǒng)處于運行狀態(tài)后再開機生產(chǎn)?。?！正常情況下無論主機是否處
于運行狀態(tài)都可以不用單獨關(guān)閉糾偏系統(tǒng)。
2）嚴格按照關(guān)機流程關(guān)機，不得直接關(guān)閉電源旋鈕，里面有電腦主版，直接掉電容易產(chǎn)生使用故障
并直接影響使用壽命！??！
3）如果需要關(guān)閉糾偏統(tǒng)可以按下急停按鈕使糾偏系統(tǒng)停止運行，想要再次啟動糾偏時，松開急停按
鈕，按啟動按鈕，待頁面上運行碼開始跳動后即再次啟動成功。
4）運行過程中如果發(fā)生糾偏異常，想要進行手動調(diào)整（比如紅色基準尺完全在布邊外側(cè)，此時需要
臨時手動調(diào)整紅色基準尺，使紅色基準尺位置在布邊以內(nèi)），可以按下急停按鈕使糾偏系統(tǒng)停止運
行，接著松開急停按鈕，然后根據(jù)需要按前進（無論那一邊按前進都是使切刀或者基準尺向版印
線內(nèi)側(cè)移動，后退相反）或者后退按鈕使基準尺移動到想要的位置，最后在按系統(tǒng)啟動按鈕啟動
糾偏系統(tǒng)。
布面黑線版印要求： |
|
|
 |
|
|
|
1）黑線距離布邊最小5cm，印刷左右波動不超過10cm；
2）黑線最佳印刷寬度為2-2.5mm，最小寬度不得小于1.5mm；
3）布面接頭處黑線需要接順。
糾偏失效原因：
1）紅色基準尺在布邊之外（圖例3）； |
|
|
 |
|
|
|
2）黑線沒有在紅色基準尺的內(nèi)側(cè)或者重合（圖例5-6）；
3）黑線與基準尺的距離超過10cm；
4）基準尺或者黑線超過相機的視野范圍（相機中心左右
10cm）。
遠程服務說明：
1）提供一個無線WiFi信號給主機，無線WiFi的名字和密碼設(shè)置如下（注意大小寫）：
Wifi名稱 密碼
iPhone 12345678
B087205 12345678
2）利用手機開熱點提供無線WiFi，蘋果手機在設(shè)置--通用--關(guān)于本機--名稱--改為iPhone（注意第
二個P是大寫）然后返回到設(shè)置--個人熱點--無線局域網(wǎng)密碼設(shè)為12345678--打開最大兼容性和
允許其他人加入開關(guān)，安卓系統(tǒng)手機在設(shè)置界面--個人熱點--打開個人熱點--設(shè)置 WLAN--把熱
點的名稱和密碼分別改為B087205和12345678，建議使用安卓系統(tǒng)的熱點更穩(wěn)定。 |
|
|
 |
|
|
|
05.03 運行實況 |
|
|
 |
|
|
 |
|
|
 |
|
|
|
06
工件標記識別* |
返回 |
|
|
06.01 系統(tǒng)介紹
上海某集團機械分廠，因生產(chǎn)工藝要求，連桿須分開兩半進行制造加工，并加以標記，然后再根據(jù)標記進行裝配焊接，形成最終的拼接連桿部件。
據(jù)了解，連桿標記不僅僅是一個編號，它代表著諸如高溫退火、應力消除等加工條件。所以，拼接的兩半連桿須確保標記相同，否則，將因存在質(zhì)量安全隱患而成為廢品。
該廠每天生產(chǎn)拼接連桿3000件，送往質(zhì)檢車間，由9名工人3班倒進行標記檢驗，每件連桿都須要3名工人同時檢驗通過才算合格。因此，每名工人每天都須要檢驗1000件拼接連桿的標記。由于各種客觀條件限制，這種傳統(tǒng)的人工檢驗不僅費時費力，而且正確率不足80%。
因此，須要定制一臺"拼接連桿標記識別"裝置，改由1名工人進行計算機自動識別檢驗。工人只須每隔1秒向識別裝置傳遞連桿部件，讓其自動識別后，給出識別成功提示或錯誤聲音警報。
實踐應用證明，這種先進的計算機識別裝置，不僅省時省力，而且正確率大于99.7%。先進識別裝置的使用，不僅為該廠節(jié)約人力資源成本，降低連桿部件的廢品率，創(chuàng)造可觀的經(jīng)濟效益，還提升其市場競爭能力。
06.02 操作方法
在該機械分廠車間工人的配合下，隨機采樣拍照2000多個工件的待識別圖像，將其分成兩組，一組用于訓練，另一組用于測試，最后驗收時，工人現(xiàn)場操作3天，每個工件由1名工人操作，待程序自動識別后，再由另1名工人檢查程序識別是否正確，3天統(tǒng)計下來近1萬個工件，錯誤率不到0.003。 |
|
 |
|
|
1）使用"樣本標注工具"，對訓練樣本進行標記子圖的人工標注（俗稱摳圖），并完成自動分割，得到訓練目標檢測器的正樣本集。
2）使用步驟1）分割好的正樣本集，負樣目錄為初始含有0張圖像的目錄，糾錯目錄為不含標記子圖的十多萬張圖像組成的圖庫，使用Nvidia
GeForce RTX 4090顯卡或AMD Ryzen Threadripper
3990X 64-Core Processor或AMD EPYC 7T83
64-Core Processor（GPU+CPU聯(lián)合訓練、純GPU訓練、純CPU訓練），自動訓練目標檢測器。
3）使用步驟1）分割好的正樣本集，人工標記每個字符的位置方框，并以此自動訓練目標定位器。
4）使用步驟3）標記好且分割后的字符，人工歸類得到字符集樣本，并以此自動訓練目標識別器。 |
|
 |
|
|
5）至此，訓練好的目標檢測器，實現(xiàn)從圖像中搜索定位標記子圖，傳給目標定位器進行字符定位分割，最后再傳給目標識別器進行標記識別，即本應用場景的內(nèi)核運行模式為"目標檢測->目標定位->目標識別"。（下圖檢測出工件裝配焊接錯誤，標記識別左右兩邊不同警報：0929
0726）。
06.03 運行實況 |
|
 |
|
|
|
07
火車故障檢測* |
返回 |
|
|
07.01 需求介紹
機器視覺是檢測鐵路列車安全性的重要方法。查看列車底部、側(cè)面是否有零件脫落是一項重要的檢查項目。如果使用人工肉眼檢測，須要提供專業(yè)的場地，且列車須要停駛，造成效率低下，人力成本增加。相反如果使用相機拍攝列車的底部、側(cè)面等信息，不需要列車停駛，且在正常的鐵路上就可實施，效率高，檢測穩(wěn)定。
列車故障類型多達五百多種，甚至還會更多，比如剎車片（閘片）磨損、防塵帽破損、油壓減震器漏油等各種預報故障。
這里，同時檢測8個點位的剎車片和防塵帽是否正常，從上到下、從左往右依次：剎車片、剎車片、防塵帽、防塵帽、防塵帽、防塵帽、剎車片、剎車片。
07.02 操作方法
1）使用"樣本標注工具"，對訓練樣本進行感興趣區(qū)域子圖的人工標注（俗稱摳圖），并完成自動分割，得到訓練目標檢測器的正樣本集。
2）使用步驟1）分割好的正樣本集，負樣目錄為初始含有0張圖像的目錄，糾錯目錄為不含感興趣區(qū)域子圖的十多萬張圖像組成的圖庫，使用Nvidia
GeForce RTX 4090顯卡或AMD Ryzen Threadripper
3990X 64-Core Processor或AMD EPYC 7T83
64-Core Processor（GPU+CPU聯(lián)合訓練、純GPU訓練、純CPU訓練），自動訓練目標檢測器。
3）使用步驟1）分割好的正樣本集，人工標記8個點位的位置方框，并以此自動訓練目標定位器。
4）使用步驟3）標記好且分割后的點位圖，人工歸類得到故障類型樣本，并以此自動訓練目標識別器。
5）至此，訓練好的目標檢測器，實現(xiàn)從圖像中搜索感興趣區(qū)域子圖，傳給目標定位器進行8個點位定位分割，最后再傳給目標識別器進行故障類型識別，即本應用場景的內(nèi)核運行模式為"目標檢測->目標定位->目標識別"。（下圖檢測出剎車片磨損和防塵帽破損的故障警報）。
07.03 運行實況 |
|
 |
|
|
|
08
佩戴口罩檢測* |
返回 |
|
|
08.01 需求介紹
從健康角度出發(fā)，佩戴口罩對于生活中的每個人來說是非常重要的。除了疫情的影響，工廠車間、商場或者食堂后廚人員都要求必須佩戴口罩作業(yè)，特別是面對頻頻發(fā)生的食品安全事件，對食品安全企業(yè)及餐飲單位進行監(jiān)管，佩戴口罩檢測系統(tǒng)價值越來越大。
佩戴口罩檢測系統(tǒng)對學校明廚亮灶、餐飲后廚區(qū)域進行在線檢測，當系統(tǒng)檢測到后廚廚師進入廚房未佩戴口罩或者中途摘下口罩，立即發(fā)出警告，同時將警報截圖推送給相關(guān)管理人員，提升監(jiān)控區(qū)域的管控效率，有效避免食品安全事件頻發(fā)，對廚房違規(guī)行為形成強大的管束作用。
佩戴口罩檢測，首先要先進行人臉檢測，然后再對檢測到的人臉的口罩佩戴情況進一步識別：沒戴口罩、口罩沒戴好、口罩已戴好。
這里，測試QWGDR內(nèi)核運行模式為"目標檢測->目標識別"的應用場景。
08.02 操作方法
1）通過互聯(lián)網(wǎng)收集和組織人工摳圖兩種途徑，綜合整理后，得到一個包含幾十萬張人臉的大型人臉樣本數(shù)據(jù)庫。該樣本數(shù)據(jù)庫包含不同的口罩佩戴情況：沒戴口罩、口罩沒戴好、口罩已戴好。
2）使用步驟1）得到的人臉正樣本集，負樣目錄為初始含有0張圖像的目錄，糾錯目錄為不含人臉的十多萬張圖像組成的圖庫，使用Nvidia
GeForce RTX 4090顯卡或AMD Ryzen Threadripper
3990X 64-Core Processor或AMD EPYC 7T83
64-Core Processor（GPU+CPU聯(lián)合訓練、純GPU訓練、純CPU訓練），自動訓練目標檢測器。
3）使用步驟1）得到的人臉正樣本集，自動訓練目標識別器。
4）至此，訓練好的目標檢測器，實現(xiàn)從圖像中搜索定位人臉子圖，傳給目標識別器進行佩戴口罩檢測（下圖檢測結(jié)果：口罩沒戴好）。
08.03 運行實況 |
|
 |
|
|
|
09 安全帽檢測* |
返回 |
|
|
09.01 需求介紹
隨著社會的發(fā)展和人們生活水平的進步，大家對工地、工廠等場景的安全行為、穿戴作業(yè)越來越重視，而對于工地安全作業(yè)而言，安全帽是工地必不可少的一種安全用具，如果工地施工人員進入工地不按要求戴安全帽，就可能在施工作業(yè)過程中受到工地現(xiàn)場的東西砸中頭部傷害，以及一些想象不到的傷害，每個施工人員都應該牢記佩戴安全帽。
基于圖像的安全帽佩戴檢測系統(tǒng)，自動對現(xiàn)場人員是否佩戴安全帽進行檢測識別，一旦發(fā)現(xiàn)現(xiàn)場工地施工人員沒有按要求佩戴安全帽，立即發(fā)出警報，后臺管理人員就可以及時處理，這為安全生產(chǎn)和創(chuàng)建平安工地提供有力的支持保障。
這里，使用收集的安全帽圖像數(shù)據(jù)，測試QWGDR內(nèi)核運行模式為"目標檢測"的應用場景。
09.02 操作方法
1）使用"樣本標注工具"，對訓練樣本目錄進行安全帽子圖的人工標注（俗稱摳圖），并完成自動分割，得到訓練目標檢測器的正樣本集。
2）使用步驟1）分割好的正樣本集，負樣目錄為初始含有0張圖像的目錄，糾錯目錄為不含安全帽的十多萬張圖像組成的圖庫，使用Nvidia
GeForce RTX 4090顯卡或AMD Ryzen Threadripper
3990X 64-Core Processor或AMD EPYC 7T83
64-Core Processor（GPU+CPU聯(lián)合訓練、純GPU訓練、純CPU訓練），自動訓練目標檢測器。
3）使用訓練好的目標檢測器，對測試樣本進行安全帽檢測（下圖檢測到5個戴安全帽）。
09.03 運行結(jié)果 |
|
 |
|
|
|
10
滴塑反面檢測* |
返回 |
|
|
10.01 需求介紹
當前市面上的滴塑機擺盤上料系統(tǒng)，絕大多數(shù)都是針對某一特定行業(yè)開發(fā)而成，不具有跨產(chǎn)品通用性。
開發(fā)通用的滴塑機擺盤上料系統(tǒng)，當工廠要更換滴塑標簽時，工人只須將新產(chǎn)品的樣品放到相機下采樣一次自動學習后，就可以直接進入新的工作狀態(tài)，而不須要再由滴塑機生產(chǎn)廠商提供技術(shù)服務和更新支持。
該系統(tǒng)的核心算法在于，循環(huán)傳送過來的滴塑標簽，它們的位置和正反面是隨機的，程序須要檢測出反面朝上的標簽位置坐標，并計算好它們各自的朝向角度，每次一組5個目標發(fā)送給PLC，驅(qū)動蜘蛛手/吸盤運動到指定位置，完成抓取/吸附和擺盤上料。當檢測反面數(shù)量少于5個時，蜘蛛手/吸盤繼續(xù)等待；當檢測反面數(shù)量多于5個時，循環(huán)傳送停下等待，滿足5個一組的，全部抓取/吸附完再繼續(xù)傳送運動。
這里，使用滴塑標簽數(shù)據(jù)，測試QWGDR內(nèi)核運行模式為"目標檢測"的應用場景。
10.02 操作方法
1）使用"圖像處理工具"，對工人拍照的單張6*6樣品圖像進行滴塑標簽子圖的自動分割，并且每隔1度進行360度旋轉(zhuǎn)，以此自動擴大樣本集規(guī)模，得到訓練目標檢測器的正樣本集。
2）使用步驟1）分割好的正樣本集，負樣目錄和糾錯目錄均為空, 快速自動訓練目標檢測器。
3）使用訓練好的目標檢測器，對滴塑標簽進行反面檢測（下圖檢測到14個反面滴塑標簽）。
10.03 運行結(jié)果 |
|
 |
|
|
|
11 火焰檢測* |
返回 |
|
|
11.01 需求介紹
智慧工地和智慧工廠的建設(shè)，防火于未然，避免小火變大火，將火災撲滅于搖籃之中，是確保安全生產(chǎn)的核心要務。
人工巡檢火災險情，費時費力，而且效率低下。
預先準備好大量的火焰和煙霧樣本，訓練神經(jīng)網(wǎng)絡，實現(xiàn)在圖像中檢測火焰和煙霧。
在工廠園區(qū)相應位置安裝攝像頭，進行24小時全天候監(jiān)控，一旦程序檢測到火焰和煙霧，立即發(fā)出警報。
將準備好的火焰樣本分為兩組數(shù)據(jù)，一組用于訓練，另一組用于測試。
這里，使用火焰數(shù)據(jù)，測試QWGDR內(nèi)核運行模式為"目標檢測"的應用場景。
11.02 操作方法
1）使用"樣本標注工具"，對訓練樣本目錄進行火焰子圖的人工標注（俗稱摳圖），并完成自動分割，得到訓練目標檢測器的正樣本集。
2）使用步驟1）分割好的正樣本集，負樣目錄為初始含有0張圖像的目錄，糾錯目錄為不含火焰的十多萬張圖像組成的圖庫，使用Nvidia
GeForce RTX 4090顯卡或AMD Ryzen Threadripper
3990X 64-Core Processor或AMD EPYC 7T83
64-Core Processor（GPU+CPU聯(lián)合訓練、純GPU訓練、純CPU訓練），自動訓練目標檢測器。
3）使用訓練好的目標檢測器，對測試樣本進行火焰檢測（下圖檢測火焰：0.987932）。
11.03 運行結(jié)果 |
|
 |
|
|
|
12 寵物識別+ |
返回 |
|
|
12.01 問題描述
寵物識別數(shù)據(jù)來源：http://www.robots.ox.ac.uk/~vgg/data/pets/
數(shù)據(jù)集協(xié)議：CC-BY 4.0。
圖像在比例、姿勢和光線方面有很大的變化。
這里，使用37類寵物的圖像數(shù)據(jù)，測試QWGDR內(nèi)核運行模式為"目標檢測->目標識別"的應用場景。
12.02 操作方法
1）使用"樣本標注工具"，對37個樣本目錄進行寵物子圖的人工標注（俗稱摳圖），并完成自動分割，得到訓練目標檢測器的正樣本集。
2）使用步驟1）分割好的正樣本集，負樣目錄為初始含有0張圖像的目錄，糾錯目錄為不含寵物的十多萬張圖像組成的圖庫，使用Nvidia
GeForce RTX 4090顯卡或AMD Ryzen Threadripper
3990X 64-Core Processor或AMD EPYC 7T83
64-Core Processor（GPU+CPU聯(lián)合訓練、純GPU訓練、純CPU訓練），自動訓練目標檢測器。
3）使用步驟1）分割好的正樣本集，自動訓練目標識別器。
4）至此，訓練好的目標檢測器，實現(xiàn)從圖像中搜索定位寵物子圖，傳給目標識別器進行寵物識別（下圖識別結(jié)果：dog_basset_hound即巴塞特獵犬）。
12.03 運行結(jié)果 |
|
 |
|
|
|
13 豬臉識別+ |
返回 |
|
|
13.01 問題描述
豬臉識別數(shù)據(jù)來源：JDD—2017京東金融全球數(shù)據(jù)探索者大賽。
家住北京周邊的養(yǎng)豬專業(yè)戶老張最近遇見了一個難題，經(jīng)過多年辛苦的勞動與努力，他家的養(yǎng)豬場規(guī)模越來越大，豬的數(shù)量從原來的幾頭發(fā)展到現(xiàn)在的上百頭?？粗@么多的肥豬老張心里美滋滋的。但伴隨著豬數(shù)量的增長，愁人的問題也隨之而來，這么多的豬體型都很相近，老張想要清晰的分辨出每頭豬變得越來越困難。
賽題要求對30頭豬的視頻素材進行提取和訓練，建立一個能夠識別豬身份ID的算法模型。
這里，使用賽題數(shù)據(jù)，測試QWGDR內(nèi)核運行模式為"目標檢測->目標識別"的應用場景。
13.02 操作方法
1）使用"視頻編解碼器"，對30頭豬的視頻素材，播放速度調(diào)到32，即每隔32幀，保存圖像序列到A001-A010、B001-B010、C001-C010共30個樣本目錄中，文件夾名稱代表豬身份ID。
2）使用"樣本標注工具"，對步驟1）保存的30個樣本目錄進行豬臉子圖的人工標注（俗稱摳圖），并完成自動分割，得到訓練目標檢測器的正樣本集。
3）使用步驟2）分割好的正樣本集，負樣目錄為初始含有0張圖像的目錄，糾錯目錄為不含豬臉的十多萬張圖像組成的圖庫，使用Nvidia
GeForce RTX 4090顯卡或AMD Ryzen Threadripper
3990X 64-Core Processor或AMD EPYC 7T83
64-Core Processor（GPU+CPU聯(lián)合訓練、純GPU訓練、純CPU訓練），自動訓練目標檢測器。
4）使用步驟2）分割好的正樣本集，自動訓練目標識別器。
5）至此，訓練好的目標檢測器，實現(xiàn)從圖像中搜索定位豬臉子圖，傳給目標識別器進行豬臉識別（下圖識別結(jié)果：C010）。
13.03 運行結(jié)果 |
|
 |
|
|
|
14 茶餅識別* |
返回 |
|
|
14.01 需求介紹
普洱茶餅制作過程中，經(jīng)歷揉捻、蒸茶、壓制等工序后，形成特殊的紋理形狀是完全隨機的。如同世界上沒有完全一模一樣的人臉，世界上也不存在完全一模一樣的普洱茶餅，即普洱茶餅的紋理形狀是唯一的。
由于普洱茶餅具有飲用價值和收藏價值，故其在運輸、銷售等過程中，會出現(xiàn)交易掉包、以次充好的現(xiàn)象。傳統(tǒng)上普洱茶餅防偽多是通過二維碼或NFC芯片模式，很難保證實物的唯一性。
從某普洱茶生產(chǎn)合作企業(yè)取得一千多個茶餅，使用兩個不同的手機，每個手機正對每個茶餅的正、反面各拍一張照片。兩個手機拍照，最終將得到兩組研究數(shù)據(jù)。每組數(shù)據(jù)都有這一千多個茶餅的正、反面照片。
這里，使用研究數(shù)據(jù)，測試QWGDR內(nèi)核運行模式為"目標檢測->目標匹配"的應用場景。
14.02 操作方法
1）使用"樣本標注工具"，對第一組茶餅進行人工標注（俗稱摳圖），并完成自動分割，得到訓練目標檢測器的正樣本集。
2）使用步驟1）分割好的正樣本集，負樣目錄為初始含有0張圖像的目錄，糾錯目錄為不含普洱茶餅的十多萬張圖像組成的圖庫，使用Nvidia
GeForce RTX 4090顯卡或AMD Ryzen Threadripper
3990X 64-Core Processor或AMD EPYC 7T83
64-Core Processor（GPU+CPU聯(lián)合訓練、純GPU訓練、純CPU訓練），自動訓練目標檢測器。
3）使用步驟1）分割好的正樣本集，自動訓練目標匹配器。
4）至此，訓練好的目標檢測器，實現(xiàn)從圖像中搜索定位普洱茶餅子圖，傳給目標匹配器進行茶餅ID識別（下圖識別結(jié)果：0000000110）。
14.03 運行結(jié)果 |
|
 |
|
|
|
15
蘋果樹病害識別+ |
返回 |
|
|
15.01 問題描述
蘋果樹病害識別數(shù)據(jù)來源：Kaggle競賽，植物病理學2020-FGVC7，Plant
Pathology 2020 - FGVC7。
數(shù)據(jù)集協(xié)議：CC-BY 4.0。
對影響農(nóng)作物的許多疾病的誤診會導致化學藥品的濫用，導致耐藥菌病原體的出現(xiàn)，投入成本的增加，以及更多爆發(fā)，造成重大的經(jīng)濟損失和環(huán)境影響。
當前基于人類偵察的疾病診斷既耗時又昂貴，盡管基于計算機視覺的模型有望提高效率，但是由于受感染組織的年齡，遺傳變異和樹木內(nèi)的光照條件導致的癥狀差異很大檢測的準確性。
蘋果樹病害數(shù)據(jù)集，一共由六類數(shù)據(jù)：Healthy（健康）、Rust(銹病)、Scab（瘡痂?。?、Alternaria_Boltch
(斑點落葉病)、Grey_Spot(灰斑病)、Mosaic(花葉病)。
這里，使用賽題數(shù)據(jù)，測試QWGDR內(nèi)核運行模式為"目標檢測->目標識別"的應用場景。
15.02 操作方法
1）使用"樣本標注工具"，進行蘋果樹葉子圖的人工標注（俗稱摳圖），并完成自動分割，得到訓練目標檢測器的正樣本集。
2）使用步驟1）分割好的正樣本集，負樣目錄為初始含有0張圖像的目錄，糾錯目錄為不含蘋果樹葉的十多萬張圖像組成的圖庫，使用Nvidia
GeForce RTX 4090顯卡或AMD Ryzen Threadripper
3990X 64-Core Processor或AMD EPYC 7T83
64-Core Processor（GPU+CPU聯(lián)合訓練、純GPU訓練、純CPU訓練），自動訓練目標檢測器。
3）使用步驟1）分割好的正樣本集，自動訓練目標識別器。
4）至此，訓練好的目標檢測器，實現(xiàn)從圖像中搜索定位蘋果樹葉子圖，傳給目標識別器進行蘋果樹病害識別（下圖識別結(jié)果：灰斑?。?。
15.03 運行結(jié)果 |
|
 |
|
|
|
16
血常規(guī)散點圖診斷* |
返回 |
|
|
16.01 需求介紹
近年來，全自動血細胞分析儀廣泛應用于臨床工作。
但須要明白的事情：
1）散點圖作用很大，但是局限性很明顯，血細胞分析儀散點圖對檢查結(jié)果的異常有很好的提示作用，但是實際工作中血細胞形態(tài)多變，血常規(guī)圖形表現(xiàn)缺乏特異性，僅可作為參考，不可代替人工鏡檢。
2）因為疾病種類繁多，和儀器種類多樣，散點圖更是復雜多變，看懂所有的散點圖與疾病的對應關(guān)系變得沒那么容易。
3）常見的異常散點圖類型并不多，正常和異常的散點圖差別還是挺大的，雖然不容易鑒別什么疾病，但是可以基本區(qū)分是否異常。
4）散點圖的主要作用是一個初步判斷，區(qū)分正常與異常，異常的圖形須要進一步檢查，鏡檢或者骨髓穿刺等。
從某知名合作醫(yī)院取得幾千張包含15個科室/疾病的血常規(guī)散點圖，研究數(shù)據(jù)包含15個科室/疾病：甲狀腺癌、乳腺癌、肺癌、肝癌、結(jié)腸癌、胃癌、腸道病毒、科薩奇3、科薩奇5、新型布尼亞病毒、內(nèi)分泌、心內(nèi)住院、眼科住院、V5乳甲外科、甲狀腺癌術(shù)后。
這里，通過訓練人工神經(jīng)網(wǎng)絡，實現(xiàn)根據(jù)血常規(guī)散點圖自動診斷疾病類別，測試QWGDR內(nèi)核運行模式為"目標識別"的應用場景。
16.02 操作方法
1）使用第一組數(shù)據(jù)，自動訓練目標識別器。
2）使用第二組數(shù)據(jù)，進行血常規(guī)散點圖診斷（下圖診斷結(jié)果：新型布尼亞病毒）。
16.03 運行結(jié)果 |
|
 |
|
|
|
17
瘧疾細胞檢測+ |
返回 |
|
|
12.01 問題描述
瘧疾細胞檢測數(shù)據(jù)來源：https://ceb.nlm.nih.gov/repositories/malaria-datasets/
數(shù)據(jù)集協(xié)議：CC0 公共領(lǐng)域共享。
該數(shù)據(jù)集包含2個文件夾：
感 染 ：Infected
未感染 ：Uninfected
共有27558張圖片。
這里，隨機將數(shù)據(jù)分成兩組，第一組用于訓練，第二組用于測試QWGDR內(nèi)核運行模式為"目標識別"的應用場景。
12.02 操作方法
1）使用第一組數(shù)據(jù)，自動訓練目標識別器。
2）使用第二組數(shù)據(jù)，對細胞圖像進行瘧疾細胞檢測（下圖檢測結(jié)果：感染）。
12.03 運行結(jié)果 |
|
 |
|
|
|
18
阿爾茨海默病分類+ |
返回 |
|
|
18.01 問題描述
阿爾茨海默病分類數(shù)據(jù)來源：
https://adni.loni.usc.edu/
https://www.alzheimers.net/
https://www.kaggle.com/datasets/jboysen/mri-and-alzheimers
https://ieeexplore.ieee.org/document/9521165
https://catalog.data.gov/dataset/alzheimers-disease-and-healthy-aging-data
https://www.nature.com/articles/s41598-020-79243-9
https://cordis.europa.eu/article/id/429468-the-final-epad-dataset-is-now-available-on-the-alzheimer-s-disease-workbench
數(shù)據(jù)是從多個網(wǎng)站/醫(yī)院/公共存儲庫收集的。數(shù)據(jù)集由預處理的MRI（磁共振成像）圖像組成。所有圖像都調(diào)整為128*128像素。數(shù)據(jù)集有四類圖像。數(shù)據(jù)集由總共
6400 張MRI圖像組成。1級：輕度癡呆（896張）；2級：中度癡呆（64張）；3級：非癡呆（3200張）；4級：非常輕度癡呆（2240張）。
這里，隨機將數(shù)據(jù)分成兩組，第一組用于訓練，第二組用于測試QWGDR內(nèi)核運行模式為"目標識別"的應用場景。
18.02 操作方法
1）使用第一組數(shù)據(jù)，自動訓練目標識別器。
2）使用第二組數(shù)據(jù)，對MRI圖像進行阿爾茨海默病分類（下圖分類結(jié)果：中度癡呆）。
18.03 運行結(jié)果 |
|
 |
|
|
|
19
胸部X射線圖像診斷+ |
返回 |
|
|
19.01 問題描述
胸部X射線圖像診斷數(shù)據(jù)來源：https://data.mendeley.com/datasets/rscbjbr9sj/2
數(shù)據(jù)集分為3個文件夾（訓練、測試、val），并包含每個圖像類別（肺炎/正常）的子文件夾。有5863張X射線圖像（JPEG）和2個類別（肺炎/正常）。
胸部X線圖像（前后）選自廣州市婦幼醫(yī)學中心1~5歲兒科患者的回顧性隊列。所有胸部X射線成像都是作為患者常規(guī)臨床護理的一部分進行的。
對于胸部X射線圖像的分析，最初通過刪除所有低質(zhì)量或不可讀的掃描來篩選所有胸部X光片以進行質(zhì)量控制。然后，兩名專家醫(yī)生對圖像的診斷進行了評分，然后才被批準用于訓練AI系統(tǒng)。為了解釋任何分級錯誤，評估集也由第三位專家進行了檢查。
這里，隨機將數(shù)據(jù)分成兩組，第一組用于訓練，第二組用于測試QWGDR內(nèi)核運行模式為"目標識別"的應用場景。
19.02 操作方法
1）使用第一組數(shù)據(jù)，自動訓練目標識別器。
2）使用第二組數(shù)據(jù)，進行胸部X射線圖像診斷（下圖診斷結(jié)果：肺炎）。
19.03 運行結(jié)果 |
|
 |
|
|
|
20
新冠病毒檢測+ |
返回 |
|
|
20.01 問題描述
新冠病毒檢測數(shù)據(jù)來源：https://github.com/UCSD-AI4H/COVID-CT
數(shù)據(jù)集協(xié)議：CC-BY 4.0。
加州大學開源的CONVID-19 CT圖像數(shù)據(jù)集。
該數(shù)據(jù)集總共有 349 張CT圖像，其中183個是新冠病毒
CT圖像、另外146個是非新冠病毒 CT圖像。
這里，隨機將數(shù)據(jù)分成兩組，第一組用于訓練，第二組用于測試QWGDR內(nèi)核運行模式為"目標識別"的應用場景。
20.02 操作方法
1）使用第一組數(shù)據(jù)，自動訓練目標識別器。
2）使用第二組數(shù)據(jù)，對CT圖像進行新冠病毒檢測（下圖檢測結(jié)果：感染）。
20.03 運行結(jié)果 |
|
 |
|
|
|
21
視頻廣告檢測* |
返回 |
|
|
21.01 需求介紹
廣告監(jiān)測，概括來講分兩層含義，一類是商業(yè)行為，二類是政府行為。
商業(yè)行為：對媒體發(fā)布的廣告進行全方位的監(jiān)測，分析廣告主發(fā)布廣告的趨勢，為廣告投放提供客觀的分析依據(jù)。
政府行為：商業(yè)發(fā)布的廣告眾多，其中不乏違法違規(guī)的廣告，那么政府職能部門有責任和權(quán)力，監(jiān)督廣告的發(fā)布情況，職能部門包括：工商局，藥監(jiān)局等。
廣告監(jiān)測是企業(yè)投放廣告及廣告業(yè)務流程中必不可少的組成部分，為廣告投放提供有力保障，同時也是了解競爭品牌廣告投放走勢的捷徑，還可以讓你即使了解異地廣告投放。廣告監(jiān)測數(shù)據(jù)的另一個作用就是可以用來分析媒體的競爭環(huán)境。
這里，使用某廣告監(jiān)測中心對電視臺節(jié)目連續(xù)抓取的視頻數(shù)據(jù)，測試QWGDR內(nèi)核運行模式為"目標檢測"且目標檢測器搜索模式為"整圖比對"在視頻中檢測"敢為人先、追求卓越"武漢精神公益廣告的應用場景。
21.02 操作方法
1）學習廣告樣本：使用一張"敢為人先、追求卓越"武漢精神公益廣告作為正樣本，負樣目錄和糾錯目錄均為空，快速自動訓練目標檢測器。
2）檢測視頻廣告：對連續(xù)抓取的視頻數(shù)據(jù)，運行QWGDR進行視頻廣告檢測。
3）研判檢測結(jié)果：可以在研判界面中雙擊某一張圖像，程序?qū)⑻D(zhuǎn)到視頻中該廣告所對應的時間幀位置。
21.03 運行結(jié)果 |
|
 |
|
|
|
22 以圖搜圖* |
返回 |
|
|
22.01 需求介紹
以圖搜圖/以圖識圖，是指用戶一次性給定一張或多張圖像，要求在視頻或圖像數(shù)據(jù)庫中，基于給定的圖像內(nèi)容進行相似子圖搜索。以圖搜圖/以圖識圖這種應用場景，用戶并不希望在訓練樣本的時候等待過長時間，允許搜索結(jié)果中存在誤判，但是搜到的目標必須絕大部分在搜索結(jié)果中靠前排名。
這里，給定三張待搜索的圖像，要求一次性快速訓練目標檢測器，然后在圖像數(shù)據(jù)庫中同時搜索跟這三張圖像相似的子圖，按相似度得分從大到小排序。 |
|
|
 |
|
|
|
上面三張待搜索圖像中，0001圖像的尺寸是31*34，0002圖像的尺寸是163*151，0003圖像的尺寸是65*69。
22.02 操作方法
1）學習目標樣本：內(nèi)核恢復默認配置，取消"目標檢測器特征向量擴展模式：水平翻轉(zhuǎn)"，使用三張待搜索圖像為正樣本，負樣目錄和糾錯目錄均為空，快速自動訓練目標檢測器。
2）搜索相似子圖：將目標檢測器最小得分閥值從默認的0.25改為0.61，運行QWGDR，在圖像數(shù)據(jù)庫中搜索相似子圖。
3）研判搜索結(jié)果：對搜索結(jié)果按相似度得分從大到小排序，可以雙擊某一張圖像，程序?qū)⑻D(zhuǎn)到圖像數(shù)據(jù)庫中該子圖所對應的原圖位置。
22.03 運行結(jié)果 |
|
|
 |
|
|
 |
|
|
 |
|
|
|
