prefacio
El tercer experimento. Este experimento optimiza principalmente los ejemplos positivos. Los tornillos tomados por el autor esta vez están todos acostados y no hay tornillos verticales, por lo que los tornillos verticales no se pueden detectar. Además, el autor cortó con mayor precisión el área del tornillo, de modo que se reduce la parte de interferencia y la relación de aspecto es 40X25. La cantidad de datos básicamente se ha mantenido igual, con 236 muestras positivas y 1000 muestras negativas.
resultado
El resultado esta vez es mejor que la última vez. Básicamente, se puede detectar en lugares con tablas blancas y de colores sólidos como fondo, y la tasa de falsas alarmas también se reduce, pero aún no cumple con los requisitos de ingeniería. También es necesario reducir aún más la tasa de falsos positivos.
--------2020.12.17--------
Por cuarta vez, el archivo de entrenamiento cascade_bolt_4
tiene 295 ejemplos positivos, cada postura de tornillo está acostada y las esquinas son todos ángulos agudos
1500 ejemplos negativos , Pero la mayoría de los ejemplos se descargan de Internet y hay muy pocas muestras negativas en la escena de reconocimiento de tornillos. El
resultado
es un sobreajuste.
Se reconocen todos los tornillos acostados con esquinas agudas, mientras que los tornillos acostados con ángulos casi verticales no se reconocen. Reconocer (¿entrenar un clasificador para cada pose?)
En el fondo, muchas partes que no son tornillos también se confunden con tornillos, porque hay muy pocas imágenes de escena para el reconocimiento de tornillos.
-----2020.12.20-------
El quinto experimento
Los datos de muestra negativos son todas las imágenes de la escena del reconocimiento del tornillo, se tomaron 150 imágenes y se generaron 1100 imágenes a través de la transformación.
La muestra positiva usó la muestra positiva del cuarto experimento, el número de rondas de entrenamiento fue 12 y la tasa de detección falsa se cambió a 0, 3. Como resultado,
la
tasa de reconocimiento falso aumentó
-------2020.12.21 ------- -Establezca
el número de cascadas en 17, vuelva a entrenar y obtenga el archivo cascade_bolt_5 (17).
El efecto no ha mejorado mucho
----2020.12.21---------- -
El sexto experimento
Este experimento Eché un vistazo a la función de generar automáticamente muestras positivas en el programa createample, seleccioné aleatoriamente una imagen de tornillo y usé el archivo de fondo como plantilla para generar 1,000 muestras positivas a través de la distorsión, y expandí a 2,000 negativas muestras, 900 de las cuales son escenarios de reconocimiento de tornillos.Imágenes, y el resto son imágenes de muestra negativas que tienen poco que ver con la escena de reconocimiento.El
número de cascadas se establece en 12. , numpos se establece en 900, numneg se establece en 3000, el archivo de entrenamiento se guarda en la carpeta auto_cascade y el nombre del archivo es cascade_bolt_5 (automático) El resultado es que la tasa de detección falsa es demasiado alta y todavía tiene
que
tomar una foto para hacer una muestra positiva
-------2020.12 .21--------
Las muestras positivas usan los datos recopilados al tomar fotos, un total de 860, las muestras negativas siguen siendo 2000, numpos720, negpos3000, el número de cascadas es 12, el resultado,
cuando se entrena la novena cascada Detenido, la tasa de detección falsa sigue siendo demasiado alta, el nombre del archivo es cascade_bolt_6
Cambie el número a 2000, establezca el número de cascadas en 10, vuelva a entrenar sin una parada temprana, genere los resultados del archivo cascade_bolt_6 (10)
, la tasa de detección falsa sigue siendo alta
-------2020.12.22----- -- --
Cambia el número de cascadas a 15, sigue entrenando y genera el archivo cascade_bolt_6 (15)
-----2020.12.22-------
Para verificar si el clasificador en cascada no puede identificar el tornillo, el autor encontró un ejemplo de entrenamiento de bádminton de Internet, con 800 muestras positivas y 3000 muestras negativas. de cascadas es 10, numpos720, numneg3000.
El resultado es que
la tasa de detección falsa es muy alta
. Aumente el número de cascadas a 15.
La tasa de detección falsa es muy baja, pero la tasa de detección también es muy baja, y la cantidad de Las cascadas básicamente no se detectan.
El número de cascadas se reduce a 13. La tasa de detección falsa ha aumentado un poco, pero el bádminton aún no se detecta.
--------2020.12.23-------
El profesor verificó y aceptó los resultados, al ver que aún no lo he resuelto, me dijo que lo hiciera de otra manera, solo use el segmentación de umbral tradicional. Esto se suspenderá por un tiempo y continuaré estudiando más tarde cuando esté libre.
Todos los datos se pueden encontrar en mi GitHub.
Puede darle me gusta y prestar atención a
los datos relevantes.