Встроенная возможность классификации изображений на основе «машины поддержки векторов (SVM)».
Классификация изображений в последнее время оказалась очень полезной в ряде отраслей, от BFSI до здравоохранения, телекоммуникаций, автомобилей, розничной торговли, сельского хозяйства и т. д., где она не только классифицирует изображения и предсказывает ярлыки, но и играет важную роль. роль в автоматизации процессов от начала до конца (сквозная обработка).
Классификаторы изображений быстрые и эффективные, но когда-нибудь задумывались, как они работают !!!?
На очень высоком уровне классификация представляет собой последовательность следующих действий.
Извлечение функций
В машинном обучении извлечение признаков - это процесс уменьшения размерности, когда исходный набор необработанных переменных сокращается до более управляемых групп (функций) для обработки, при этом все еще точно и полностью описывая исходный набор данных.
Платформа INTELLIBOT обеспечивает встроенную поддержку алгоритмов извлечения признаков, таких как Fast Retina Keypoint (FREAK), гистограмма ориентированных градиентов (HOG) и т. Д. Эти алгоритмы помогают извлекать векторы признаков и тренируйте модель на функциях, а не на пикселях.
Модель поезда
Перед обучением модели разделение данных (между обучением и тестированием) должно быть настроено как процентное соотношение, например 80/20, 70/30 и т. Д., Как показано ниже.
Параметры классификатора (такие как ядро, сложность, допуск и т. Д.) Можно настроить для повышения точности модели по мере необходимости на основе входного набора данных.
Модель потребления
Модель можно легко использовать с поверхности визуального программирования, как показано ниже, и при необходимости можно связать соответствующие действия.
USECASE - Обнаружение заболеваний
Теперь давайте углубимся в классификацию изображений и рассмотрим пример использования для обнаружения здоровых и больных листьев яблони.
Установить плагин
Установите плагин «INTELLIBOT - Machine Learning» из диспетчера плагинов и добавьте его в качестве ссылки на проект.
Перетащите коннектор «Классификация изображений» в папку «Глобальные объекты» в проводнике процессов.
Щелкните правой кнопкой мыши «Экземпляр классификатора изображений» в папке «Глобальные объекты» и нажмите «Настроить», чтобы перейти к конструктору модели.
Обучите модель
Давайте создадим два класса для категорий здоровые и больные и импортируем изображения, как показано ниже.
Нажмите кнопку обучения, чтобы обучить модель предоставленному набору данных изображения.
После завершения процесса обучения точность модели оценивается по набору тестовых изображений и выделяется, как показано ниже.
Модель потребления
Модель можно использовать, как показано ниже, для прогнозирования и использования ее вместе с другими средствами автоматизации.
Надежда помогла вам понять, как выполнять «Классификацию изображений» с помощью INTELLIBOT.
Удачи в построении автоматизации.
