Grundläggande bildigenkänning

Grundläggande bildigenkänning är en process där datorer och programvaror identifierar och kategoriserar objekt eller funktioner i en bild eller ett videoklipp. Det används inom en rad olika tillämpningar, från kvalitetskontroll inom tillverkning till övervakningssystem och medicinsk bildbehandling.

I denna artikel kommer vi att utforska grundläggande bildigenkänning och hur det fungerar, inklusive traditionella och moderna metoder, populära algoritmer och hur man använder Python för bildigenkänning. Vi kommer även att gå igenom några exempel och djupinlärningsapplikationer samt populära bildigenkänningsprogram.

Vad är grundläggande bildigenkänning?

Bildigenkänning är uppgiften att identifiera objekt av intresse inom en bild och känna igen vilken kategori bilden tillhör. Bildigenkänning, fotoidentifikation och bildidentifiering är termer som används omväxlande. När vi visuellt ser ett objekt eller en scen identifierar vi automatiskt objekt som olika instanser och kopplar dem till individuella definitioner. Dock är visuell igenkänning en mycket komplex uppgift för maskiner att utföra, vilket kräver betydande bearbetningskraft.

Bildigenkänning med artificiell intelligens är ett långvarigt forskningsproblem inom datorseende-området. Medan olika metoder för att imitera mänsklig syn utvecklades över tid, är det gemensamma målet för bildigenkänning att klassificera upptäckta objekt i olika kategorier (bestämma vilken kategori en bild tillhör). Därför kallas det också för objektigenkänning.

Under de senaste åren har maskininlärning, särskilt djupinlärningsteknik, uppnått stora framgångar inom många datorvision- och bildförståelseuppgifter. Djupinlärningstekniker för bildigenkänning ger idag de bästa resultaten när det gäller prestanda och flexibilitet.

Betydelse och definition av bildigenkänning

Inom området datorseende används ofta termer som segmentering, klassificering, igenkänning och detektion omväxlande, och de olika uppgifterna överlappar varandra. Även om detta för det mesta är oproblematiskt blir det förvirrande om din arbetsflöde kräver att du specifikt utför en viss uppgift.

Bildigenkänning kontra datorseende

Termerna bildigenkänning och datorseende används ofta omväxlande men är faktiskt olika. Faktum är att bildigenkänning är en tillämpning av datorseende som ofta kräver mer än en datorseendeuppgift, såsom objektdetektion, bildidentifiering och bildklassificering.

Bildigenkänning kontra objektlokalisering

Objektlokalisering är en annan delmängd av datorvision som ofta förväxlas med bildigenkänning. Objektlokalisering syftar till att identifiera platsen för ett eller flera objekt i en bild och rita en inneslutande ruta runt deras omkrets. Objektlokalisering inkluderar dock inte klassificering av upptäckta objekt.

Bildigenkänning kontra bilddetektion

Termerna bildigenkänning och bilddetektion används ofta istället för varandra. Det finns dock viktiga tekniska skillnader.

Bilddetektion är uppgiften att ta en bild som inmatning och hitta olika objekt inom den. Ett exempel är ansiktsdetektion, där algoritmer syftar till att hitta ansiktsmönster i bilder (se exemplet nedan). När vi strikt hanterar detektion bryr vi oss inte om de upptäckta objekten är betydande på något sätt. Målet med bildigenkänning är endast att skilja ett objekt från ett annat för att bestämma hur många distinkta enheter som finns inom bilden. Således ritas inneslutande rutor runt varje separat objekt.

Å andra sidan är bildigenkänning uppgiften att identifiera objekten av intresse inom en bild och känna igen vilken kategori eller klass de tillhör.

Hur fungerar bildigenkänning?

Använda traditionell datorvision

Det konventionella datorseende-tillvägagångssättet för bildigenkänning är en sekvens (datorvisionspipeline) av bildfiltrering, bildsegmentering, funktionsutvinning och regelbaserad klassificering.

Men att utveckla sådana pipelines kräver djup expertis inom bildbehandling och datorvision, mycket utvecklingstid och testning, med manuell parameterjustering. Generellt är traditionella datorvision- och pixelbaserade bildigenkänningssystem mycket begränsade när det gäller skalbarhet eller förmågan att återanvända dem i varierande scenarier/platser.

Använda maskininlärning och djupinlärning

Bildigenkänning med maskininlärning använder algoritmer för att lära sig dold kunskap från en uppsättning bra och dåliga exempel (se övervakad kontra oövervakad inlärning). Den mest populära maskininlärningsmetoden är djupinlärning, där flera dolda lager av ett neuralt nätverk används i en modell.

Introduktionen av djupinlärning, i kombination med kraftfull AI-hårdvara och GPU:er, möjliggjorde stora genombrott inom bildigenkänningsområdet. Med djupinlärning uppnår bildklassificerings- ochansiktsigenkänningsalgoritmer över-mänsklig prestanda och realtidsobjektdetektion.

Det är dock en utmaning att balansera prestanda och databehandlingseffektivitet. Hårdvara och programvara med djupinlärningsmodeller måste vara perfekt anpassade för att övervinna kostnadsproblem för datorvision.

Därför har förmågan att alltid använda den senaste algoritmen direkta kostnadsimplikationer: Den mest kraftfulla och effektiva algoritmen kräverflera gånger billigare hårdvara eller uppnårflera gånger bättre prestanda på motsvarande hårdvara jämfört med äldre algoritmer. Genom åren har vi sett betydande språng i datorvisionsalgoritmens prestanda:

• År 2017 var Mask RCNN-algoritmen den snabbaste realtidsobjektdetektorn på MS COCO-mätningen, med en inferenstid på330 ms per bildruta.
• Jämfört med detta uppnådde YOLOv7-algoritmen från 2022 en inferenstid på endast 30 ms per bildruta, vilket innebär en 11x förbättring jämfört med Mask RCNN.

Traditionell och modern djupinlärning för bildigenkänning

I detta avsnitt kommer vi att utforska både traditionella och moderna metoder för bildigenkänning, inklusive maskininlärning och djupinlärningsteknik.

Traditionell bildigenkänning

Traditionella metoder för bildigenkänning innefattar användning av bildbehandlingstekniker och maskininlärningsalgoritmer för att hitta och extrahera nyckelfunktioner från bilder. Dessa funktioner används sedan som indata för en maskininlärningsmodell som lär sig att skilja mellan olika kategorier baserat på dessa funktioner.

Exempel på traditionella bildbehandlingstekniker som används för bildigenkänning inkluderar:

• Färgbaserad bildigenkänning: Färg kan ofta ge en utmärkt funktion för bildigenkänning. Funktioner som hue, saturation och value (HSV) eller red, green, blue (RGB) kan ge inblick i en bild.
• Mallmatchning: Denna teknik använder en liten bild, eller mall, för att hitta matchande regioner i en större bild.
• Bildsegmentering och blob-analys: Detta använder enkla objektegenskaper, såsom storlek, färg eller form.

Djupinlärning för bildigenkänning

Djupinlärning för bildigenkänning innebär att använda konvolutionella neurala nätverk (CNN) för att automatiskt lära sig relevanta funktioner från provbilder och automatiskt identifiera dessa funktioner i nya bilder. Djupinlärningstekniker har blivit mycket populära för bildigenkänning eftersom de ger mycket noggranna och robusta resultat.

Exempel på djupinlärningsarkitekturer och algoritmer som används för bildigenkänning inkluderar:

• Convolutional Neural Networks (CNN): Dessa nätverk använder konvolutionella lager för att automatiskt lära sig funktioner från bilder och använda dessa funktioner för att känna igen objekt i nya bilder.
• Residual Networks (ResNet): Dessa nätverk är en typ av CNN som inkluderar ”residual connections” för att förbättra inlärningen av djupa nätverk.
• Generative Adversarial Networks (GAN): Dessa nätverk består av två delar, en generator och en diskriminator, som arbetar tillsammans för att generera och förbättra bildigenkänning.

Populära algoritmer för bildigenkänning

Det finns flera populära algoritmer för bildigenkänning som används idag. Några av de mest kända inkluderar:

1. Convolutional Neural Networks (CNN): CNN är en av de mest populära djupinlärningsmodellerna för bildigenkänning och används ofta i applikationer som bildklassificering, objektdetektion och bildsegmentering. CNN består av flera konvolutionella och pooling-lager som lär sig att extrahera funktioner från bilder, följt av helt anslutna lager som används för klassificering.
2. YOLO (You Only Look Once): YOLO är en snabb och effektiv objektdetektionsalgoritm som använder en enda konvolutionellt neuralt nätverk för att både detektera och klassificera objekt i en bild. YOLO är särskilt populärt för realtidsapplikationer på grund av dess snabba bearbetningstid.
3. Single Shot MultiBox Detector (SSD): SSD är en annan populär objektdetektionsalgoritm som också använder ett konvolutionellt neuralt nätverk för att både detektera och klassificera objekt i en bild. SSD är känd för sin snabba bearbetningstid och höga noggrannhet.
4. Mask R-CNN: Mask R-CNN är en utvidgning av Faster R-CNN som lägger till en segmenteringsmask för varje detekterat objekt. Detta gör det möjligt för Mask R-CNN att inte bara detektera och klassificera objekt, utan också segmentera dem, vilket ger en mer detaljerad och exakt bildigenkänning.

Använda Python för bildigenkänning

Python är ett populärt programmeringsspråk som ofta används för maskininlärning och djupinlärningsapplikationer, inklusive bildigenkänning. Det finns flera bibliotek och ramverk tillgängliga för att hjälpa dig att bygga och träna bildigenkänningsmodeller med Python, inklusive:

• TensorFlow: Ett öppenkällkodsbibliotek för maskininlärning och djupinlärning som utvecklats av Google. TensorFlow är mycket populärt för att bygga och träna djupinlärningsmodeller för bildigenkänning.
• Keras: Ett högnivå-API för att bygga och träna djupinlärningsmodeller, som kör på toppen av TensorFlow. Keras är användarvänligt och gör det enkelt att snabbt prototypa och bygga bildigenkänningsmodeller.
• PyTorch: Ett annat öppenkällkodsbibliotek för maskininlärning och djupinlärning, utvecklat av Facebook. PyTorch är känt för sin flexibilitet och användarvänlighet och är mycket populärt för forskning inom bildigenkänning.
• OpenCV: Ett öppenkällkodsbibliotek för datorseende och bildbehandling som inkluderar flera funktioner och verktyg för bildigenkänning.

Exempel och djupinlärningsapplikationer

1. Självkörande bilar: Bildigenkänning är en viktig del av självkörande bilar och används för att detektera och känna igen objekt som fotgängare, andra fordon och trafiksignaler.
2. Medicinsk bildbehandling: Bildigenkänning används i medicinsk bildbehandling för att automatiskt detektera och diagnostisera sjukdomar och skador, såsom tumörer, brister och frakturer.
3. Säkerhet och övervakning: Bildigenkänning används i säkerhetssystem för att automatiskt detektera och identifiera misstänkta personer eller objekt, såsom obehöriga personer eller övergivna paket.
4. Tillverkning och kvalitetskontroll: Bildigenkänning används för att automatiskt inspektera och identifiera defekter på produkter under tillverkningsprocessen, vilket minskar kostnader och förbättrar kvaliteten.
5. E-handel och bildsökning: Bildigenkänning används för att automatiskt kategorisera och rekommendera produkter baserat på bilder, vilket förbättrar användarupplevelsen och ökar konverteringsfrekvensen.

Populära bildigenkänningsprogram

Det finns flera populära bildigenkänningsprogram och verktyg tillgängliga för att hjälpa dig att bygga och implementera bildigenkänningsmodeller, inklusive:

• Viso Suite: En ledande end-to-end-datorvisionsplattform som gör det möjligt för organisationer över hela världen att bygga, distribuera, skala och säkra alla sina datorvisionsapplikationer på en infrastruktur.Få en personlig demo.
• Google Cloud Vision API: Ett molnbaserat API för att bygga och träna bildigenkänningsmodeller med hjälp av Google’s TensorFlow och andra maskininlärningsbibliotek.
• Amazon Rekognition: En molnbaserad bildigenkänningstjänst från Amazon Web Services (AWS) som använder djupinlärning för att detektera och analysera objekt, scener och ansikten i bilder.
• Microsoft Azure Cognitive Services: En uppsättning molnbaserade tjänster som erbjuder bildigenkänning, ansiktsigenkänning, textigenkänning och andra AI-funktioner för att bygga intelligenta applikationer.

Sammanfattning

Grundläggande bildigenkänning är en viktig tillämpning av artificiell intelligens och datorvision, och används för att driva en rad olika verkliga användningsfall idag. Genom att förstå de grundläggande koncepten och metoderna för bildigenkänning, inklusive traditionella och moderna djupinlärningstekniker, kan du börja utforska och använda bildigenkänning i dina egna projekt och applikationer.