Profile Measurement
Our client required software to measure the width of panels and the positions of profiles on their production line. We developed a solution using an Nvidia Jetson AI computer and an 8k camera. The system operates by starting the image capturing when the camera detects a
Nvidia Jetson
Nvidia Jetson modules and advanced cameras are a powerful combination when it comes to providing custom tailored machine vision software solutions.
Meie ettevõte pakub lahendusi, mis on mõeldud objektide, tootmises olevate autode, t
Masinnägemine on tehnoloogia, mis võimaldab masinatel näha ja tuvastada objekte reaalajas.
IOU (Intersection Over Union) is an evaluation metric used to measure the accuracy of an object detection model
At Visioline, we are proud to offer custom machine vision devices and solutions that are designed to meet the needs of a wide range
In terms of the actual loss values, it’s difficult to say what is “normal” as they can vary widely depending on the factors mentioned above. However, some practitioners have reported achieving classification losses around 1.0-2.0 and regression losses around 0.1-0.2 for SSD MobileNet v1 on common object detection datasets like
SSD mAP, or mean average precision, is a metric used to measure the accuracy of object detection algorithms. It is calculated by taking into account the true positive rate, false positive rate, and precision of an algorithm. The higher the mAP value, the better the algorithm’s performance.
Common mAP
Learning rate in training an SSD model is the step size used when updating the weights of the model during backpropagation. It determines
Üldiselt suudavad suuremad mudelid, nagu MobileNet 512, tuvastada piltidel väiksemaid objekte kui väiksemad mudelid, nagu MobileNet 300. Seda seetõttu, et suurematel mudelitel on rohkem võimalusi õppida erinevatel skaaladel funktsioone, mis võimaldab neil piltidel olevaid väikseid objekte paremini ära tunda. . Suuremad mudelid on aga ka
VOC (Pascal Visual Object Classes) on standardne andmestik, mis sisaldab piltide ja nende annoteerimisega seotud andmeid, mida kasutatakse masinõppe tööriistade arendamiseks ja hindamiseks. Annoteerimine tähendab piltidel olevate objektide tähistamist ja kirjeldamist.
VOC andmestiku annoteerimisel tuleb järgida teatud strateegiat, et tagada andmestiku ühtlus ja kvaliteet. Siin on mõned näpunäited
MobileNet V1 ja VGG16 on mõlemad konvolutsioonilised neuronaalsed võrgud (CNN), mis on spetsiaalselt loodud pilditöötluse ja visuaalse tunnustamise ülesannete jaoks. Need kaks mudelit erinevad aga oma arhitektuuri poolest.
MobileNet V1 on loodud selleks, et saavutada
Masinnägemine võib olla tõhus lahendus puidutööstuses, sest see võimaldab automatiseerida paljusid tööprotsesse ja parandada töötlemiskiirust ja tõhusust. Siin on mõned näited, kuidas masinnägemine võib puidutööstuses rakenduda:
Masinnägemine on tõhus tööstuses, sest see võimaldab automatiseerida paljusid tööprotsesse, parandades seeläbi efektiivsust ja tõhusust. Masinnägemise rakendused võivad tööstuses hõlmata näiteks järgmist:
Masinnägemislahenduse riistvara valikul tuleb arvestada:
Masinnägemine ja mudeli valik on olulised, sest:
Masinanägemise projekti piltidele märgistuste tegemisel on oluline arvestada järgmiste teguritega: