From 93063f836f8eaed692c2e85c063e5e1b37559282 Mon Sep 17 00:00:00 2001 From: "li.zhenye" Date: Fri, 22 Jul 2022 09:40:23 +0800 Subject: [PATCH] =?UTF-8?q?=E8=80=8C=E5=88=86=E7=B1=BB=E6=A8=A1=E5=9E=8B?= =?UTF-8?q?=E5=BC=80=E5=8F=91=E5=AE=8C=E6=88=90?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- README.md | 43 +++++++++++++++++++++++++++++++------------ 1 file changed, 31 insertions(+), 12 deletions(-) diff --git a/README.md b/README.md index 15ffd04..ab938de 100644 --- a/README.md +++ b/README.md @@ -49,22 +49,17 @@ 我们甚至可以直接将需要的目标色彩(烟梗的颜色)和背景的颜色直接合并到一类，这样还可以节省后续的各种逻辑判断、与、或、非等操作。 -## 预测过程的后处理（异色问题） +预测出来的结果也相对理想，就像下边两张图展示的这样。 -### 问题的发现 +![image-20220721201451562](https://raw.githubusercontent.com/Karllzy/imagebed/main/img/image-20220721201451562.png) -![image-20220721154731187](https://raw.githubusercontent.com/Karllzy/imagebed/main/img/image-20220721154731187.png) +上图里可以看到烟梗和背景的错误识别点还是存在的，只是较为零散。 -在摄影过程中，由于相机、镜头和拍摄物体多方面的原因会出现色散边的现象，就像上图这样本来应该黄色的烟梗，边缘却变成了暗绿色或紫色的。 +![image-20220721201617599](https://raw.githubusercontent.com/Karllzy/imagebed/main/img/image-20220721201617599.png) -这是由于不同波长的光折射率不同，到达成像单元的位置会出现细小的偏差，而我们的成像单元又比较的细小，举例来说，这可能使得物体上同样的点发出的红光到了1号像素，而发出的绿光本来应该也射到1号像素却射到了相邻的2号像素，这就导致色彩不对了。 +而从这张图就可以看出各类杂质识别还是没问题的。 -根据资料，一般的解决方案是对于不同波长的光进行折射率补偿，使用抗色散镜头。但是由于条件有限，我们这里就只能用算法的形式硬抗这些误差了。 - -### 解决方案 - -- 一方面，用像素块的结果进行求和，像素块求和结果大于阈值的时候判定为杂质，这个方案目前正在使用，可以有效去除小块的错误识别点，也不会因为腐蚀操作导致缺损。 -- 另一方面，进行烟梗结果的膨胀，去掉紫边。这个方案待开发。 +接下来我们更换采集所使用的镜头，得到更宽广的视角范围并观察其变化。 ## 镜头的影响 @@ -78,7 +73,7 @@ 可以看到，镜头的影响有两方面 - 镜头会影响到物体的亮度，广角镜头下的物体看起来更暗 -- 镜头会影响到物体的色彩显示，广角镜头下物体的色彩相比于窄角镜头的色彩饱和度要差很多，色相也更加不明显。 +- 镜头会影响到物体的色彩，广角镜头下物体的色彩相比于窄角镜头的色彩饱和度要差很多，色相也有一定的偏移。 综合这两点来看，在条件允许的情况下应该选择窄角镜头。 @@ -96,6 +91,23 @@ 在新的镜头下，数据的分布和原本的数据已经发生了巨大的变化，根本就不是同一种东西，这就是为什么分类结果会出错了。 +## 预测过程的后处理（异色问题） + +### 问题的发现 + +![image-20220721154731187](https://raw.githubusercontent.com/Karllzy/imagebed/main/img/image-20220721154731187.png) + +在摄影过程中，由于相机、镜头和拍摄物体多方面的原因会出现色散边的现象，就像上图这样本来应该黄色的烟梗，边缘却变成了暗绿色或紫色的。 + +这是由于不同波长的光折射率不同，到达成像单元的位置会出现细小的偏差，而我们的成像单元又比较的细小，举例来说，这可能使得物体上同样的点发出的红光到了1号像素，而发出的绿光本来应该也射到1号像素却射到了相邻的2号像素，这就导致色彩不对了。 + +根据资料，一般的解决方案是对于不同波长的光进行折射率补偿，使用抗色散镜头。但是由于条件有限，我们这里就只能用算法的形式硬抗这些误差了。 + +### 解决方案 + +- 一方面，用像素块的结果进行求和，像素块求和结果大于阈值的时候判定为杂质，这个方案目前正在使用，可以有效去除小块的错误识别点，也不会因为腐蚀操作导致缺损。 +- 另一方面，进行烟梗结果的膨胀，去掉紫边。 + ## 模型的更新 ### 如何应对新的目标物？ @@ -104,3 +116,10 @@ **所以我们今天晚上要丢弃旧的数据，进行这个新的模型的训练**。 +在对这个模型进行重新训练后，获得的新模型识别结果如下图所示： + +| 类别 | 图像 | +| :------: | :----------------------------------------------------------: | +| 原图 | ![QQ20220721-1](https://raw.githubusercontent.com/Karllzy/imagebed/main/img/QQ20220721-1.png) | +| 识别结果 | ![image-20220721203004305](https://raw.githubusercontent.com/Karllzy/imagebed/main/img/image-20220721203004305.png) | +