一、算法思想的产生
做视觉的时候,行外人总有种错觉,经常说:这个应该不难吧,看得这么清楚。其实不然,用传统方法来处理图像或点云,到最终获取目标对象的过程,的确不容易,根本没法与人眼进行比较。就算最先进的AI算法,也要训练几天,不用训练的,也要买上百颗GPU吧!
二、实测效果
1.层料识别
2.框料识别
3.支持多模型
理论可以支持无限模型扩展,仅受限于存储空间。
三、算法特点
1.即学即用
训练过程不是持续的,不需要像深度学习一次持续数天或数周的训练,初始创建一个有一定通用度的模型就可以开始识别工作了,如有识别不到的,会提示增加新的模型,以此循序渐近,可以囊括下有助识别此目标的所有模型。当然,如果能一次完成目标完整3D模型建立,则可以通过3D模型投影生成各类情况下的模型,不用再人工干预。
2.特征提取高效
一张5MP的工业相机2D图及3D点云,普通笔记本电脑,全域对象化的时间不超过100ms,3D点去可以一次完成点云对象提取,2D分割后会再花几ms完成对应对象的云点提取。不会像深度学习类算法,训练一次至少数天。
3.特征组合实现复杂个体识别
复杂个体一般由多个图像对象组成,多个目标击中就可以确定一个复杂组合体,比如人脸,在图像构图上有:头发、眉毛、眼白、瞳孔、角膜、鼻孔、鼻沟、嘴唇、耳廓加皮肤,都匹配上,且连成一片则面部被识别。
四、与Meta SAM(Segment Anything Model)效果对比
Prompt一键抠图!Meta发布史上首个图像分割基础模型,开创CV新范式
Meta最新开源!跟踪一切升级版!性能超越OmniMotion!
首先,仿生算法不需要训练,SAM也声称不需要训练,那行,这一项大家平手;
接着,仿生算法不需要买GPU,SAM要买上百个GPU,这个在上述文章末尾特别说明了,没什么好辩解的,仿生算法完胜~
再看,最关键的分割效果……
分割过程是不需要交互的,就像还没有学会人类语言前的婴儿,基于最本能的图像分割方式。
五、算法扩展
1.有序轮廓
算法本身自发形成一个有意思的现象,对象点序是由外至内螺旋渐进的,也就是说,对象轮廓天然存在于点序的开始一段的连续数据,很容易就提取出来用于计算。
2.形状识别
有了连续的轮廓数据(而非分散的角点数据,或乱序的轮廓数据),对形状描述就成了可达目标。……,这样外形就可以被编码,做为识别依据了。
3.被动双目算法(基于对象匹配)
有了对象提取,被动双目的匹配就可以摆脱使用辩识度低的纹理匹配了,其于对象匹配的被动双目3D成像将十分稳定,达到工业化应用的要求。有望更近一步接近人眼视觉的高适应性,距离适应广,黑色物体、透明物体都可以形成有效点云。
六、生产应用
1.缸盖定位
缸盖产品建模
2.电磁屏蔽环定位
电磁屏蔽环建模
七、分享交流
基于此人眼视觉仿生算法的通用3D目标定位软件分享如下:
Litemaze(A Universal 3D Object Localization Software Based on Human Vision Biomimetic Algorithm)
链接:https://pan.baidu.com/s/1CSswRsDQj0_kqGLZDgm21g?pwd=fyas
提取码:fyas
(可免费领取一个月的试用)
欢迎前来交流,公众号:光沦科技,litemaze