基于图像的目标检测与定位方法概述
目录1.目标检测与定位概念2.目标检测与定位方法2.1传统目标检测流程2.2two-stage检测算法2.2.1R-CNN2.2.2two-stage其他算法2.2.2.1SpatialPyramidPooling（空间金字塔池化）2.2.2.2Fast-RCNN2.2.2.3P11FasterRCNN2.3One-Stage2.3.1YOLO2.3.2SSD参考本文简单介绍基于图像的目标检测与定位相关概念，R-CNN和YOLO等算法基本思想。本文为学习笔记，参考了许多优秀博文，如有错误还望指正。1.目标检测与定位概念目标检测与定位的任务是判断图片中目标类别，并且在图片中用边框标记出它的位置。具体来说，首先需要进行图像识别（Classification）。该阶段输入图像，输出物体的类别，可以通过准确度进行评估。第二步是定位（Localization）。该阶段输入图片，输出圈出目标的方框在图片中的位置。
2.目标检测与定位方法传统的目标检测算法：Cascade+HOG/DPM+Haar/SVM以及上述方法的诸多改进、优化；two-stage算法，采用候选区域/框深度学习分类：通过提取候选区域，并对相应区域进行以深度学习方法为主的分类的方案，如：R-CNN（SelectiveSearch+CNN+SVM），SPP-net（ROIPooling），FastR-CNN（SelectiveSearch+CNN+ROI）和FasterR-CNN（RPN+CNN+ROI）等系列方法；One-stage算法，基于深度学习的回归方法：YOLO/SSD等方法；图2是各类算法出现时间及性能。FPS指每秒传输帧数(FramesPerSecond)，mAP是均值平均精度。2.1传统目标检测流程1）区域选择穷举策略：采用滑动窗口，且设置不同的大小，不同的长宽比对图像进行遍历，时间复杂度高；2）特征提取有SIFT、HOG等方法。即尺度不变特征转换（Scale-invariantfeaturetransform，SIFT），是用于图像处理领域的一种描述子。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。方向梯度直方图（HistogramofOrientedGradient,HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征。形态多样性、光照变化多样性、背景多样性使得特征鲁棒性差；3）分类器分类主要有SVM、Adaboost等。支持向量机（supportvectormachines,SVM）是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器。
2.2two-stage检测算法2.2.1R-CNN该算法预先找出图中目标可能出现的位置，即候选区域（RegionProposal），然后利用卷积神经网络（ConvolutionalNeuralNetworks）进行分类。相对于传统的检测算法，不需要额外的训练分类器。候选区域（RegionProposal）的选择利用了图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口(几千甚至几百）的情况下保持较高的召回率（Recall），召回率指的是在所有存在目标的区域样本中，被正确识别为候选区域的比例。卷积神经网络CNN参考了生物视觉原理。从原始信号摄入开始（瞳孔摄入像素Pixels），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定，眼前的物体的形状，是圆形的），然后进一步抽象（大脑进一步判定该物体类别），示意图如图4。对于不同的物体，人类视觉也是通过这样逐层分级，来进行认知的。卷积神经网络组成大致如下图。
卷积层（Convolutionallayer），卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。在具体应用中，往往有多个卷积核。卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。可以认为，每个卷积核代表了一种图像模式，如果某个图像块与此卷积核卷积出的值大，则认为此图像块十分接近于此卷积核。池化层（Poolinglayer），通常在卷积层之后会得到维度很大的特征，将特征切成几个区域，取其最大值或平均值，得到新的、维度较小的特征。原始图片是20×20的，我们对其进行下采样，采样窗口为10×10，最终将其下采样成为一个2×2大小的特征图。全连接层（Fully-Connectedlayer）,把所有局部特征结合变成全局特征，用来计算最后每一类的得分。R-CNN的实现步骤(1)输入测试图像，(2)利用选择性搜索SelectiveSearch算法在图像中从下到上提取2000个左右的可能包含物体的候选区域RegionProposal，(3)因为取出的区域大小各自不同，所以需要将每个RegionProposal缩放成统一的227x227的大小并输入到CNN，将CNN的输出作为特征，将每个RegionProposal提取到的CNN特征输入到SVM进行分类。R-CNN虽然不再像传统方法那样穷举，但R-CNN流程的第一步中对原始图片通过SelectiveSearch提取的候选框regionproposal多达2000个左右，而这2000个候选框每个框都需要进行CNN提特征+SVM分类，计算量很大，导致R-CNN检测速度很慢，一张图都需要47s。
2.2.2two-stage其他算法2.2.2.1SpatialPyramidPooling（空间金字塔池化）在普通的CNN机构中，输入图像的尺寸往往是固定的（比如224*224像素），输出则是一个固定维数的向量。SPPNet在普通的CNN结构中加入了ROI池化层（ROIPooling），使得网络的输入图像可以是任意尺寸的，输出则不变，同样是一个固定维数的向量。只对原图进行一次卷积计算，便得到整张图的卷积特征，然后找到每个候选框在特征上的映射，将此映射作为每个候选框的卷积特征输入到SPPlayer和之后的层，完成特征提取工作。R-CNN要对每个区域计算卷积，而SPPNet只需要计算一次卷积，从而节省了大量的计算时间，比R-CNN有一百倍左右的提速。
2.2.2.2Fast-RCNNR-CNN有一些相当大的缺点，把这些缺点都改掉了，就成了FastR-CNN。由于每一个候选框都要独自经过CNN，这使得花费的时间非常多。解决方案是共享卷积层，现在不是每一个候选框都当做输入进入CNN了，而是输入一张完整的图片，在第五个卷积层再得到每个候选框的特征。流程为1.在图像中确定约1000-2000个候选框(使用选择性搜索)；2.对整张图片输进CNN，得到featuremap；3.找到每个候选框在featuremap上的映射，选出候选框；4.对候选框中提取出的特征，使用分类器判别是否属于一个特定类；5.对于属于某一类别的候选框，用回归器进一步调整其位置。
2.2.2.3P11FasterRCNNFastR-CNN存在的问题：选择性搜索，找出所有的候选框，这个也非常耗时。能不能找出一个更加高效的方法来求出这些候选框呢？解决方案为加入一个提取边缘的神经网络，也就说找到候选框的工作也交给神经网络来做了。所以，在FastR-CNN中引入RegionProposalNetwork(RPN)替代SelectiveSearch。流程为1.对整张图片输进CNN，得到featuremap；2.卷积特征输入到RPN，得到候选框的特征信息；3.对候选框中提取出的特征，使用分类器判别是否属于一个特定类。
2.3One-Stage2.3.1YOLOFasterR-CNN的方法目前是主流的目标检测方法，但是速度上并不能满足实时的要求。YOLO一类的方法慢慢显现出其重要性，这类方法使用了回归的思想，利用整张图作为网络的输入，直接在图像的多个位置上回归出这个位置的目标边框，以及目标所属的类别。YOLO的目标检测的流程图如下，(1)给个一个输入图像，首先将图像划分成7*7的网格；(2)对于每个网格，都预测2个边框（包括每个边框是目标的置信度，每个边框区域在多个类别上的概率）(3)根据上一步可以预测出772个目标窗口，然后根据阈值去除可能性比较低的目标窗口，最后去除冗余窗口即可。整个过程非常简单，不再需要中间的regionproposal找目标，直接回归便完成了位置和类别的判定。总的来说，YOLO将目标检测任务转换成一个回归问题，大大加快了检测的速度，使得YOLO可以每秒处理45张图像。但是YOLO也存在问题：没有了RegionProposal机制，只使用7*7的网格回归会使得目标不能非常精准的定位，这也导致了YOLO的检测精度并不是很高。
2.3.2SSDYOLO存在的问题在于使用整图特征在7*7的粗糙网格内回归对目标的定位并不是很精准。那是不是可以结合regionproposal的思想实现精准一些的定位？SSD结合YOLO的回归思想以及FasterR-CNN的anchor机制做到了这点。Anchor指的是框定目标的方框。
上图是SSD的一个框架图，首先SSD获取目标位置和类别的方法跟YOLO一样，都是使用回归，但是YOLO预测某个位置使用的是全图的特征，SSD预测某个位置使用的是这个位置周围的特征。如何建立某个位置和其特征的对应关系呢？可以使用FasterR-CNN的anchor机制。如SSD的框架图所示，假如某一层特征图大小是88，那么就使用33的滑窗提取每个位置的特征，然后这个特征回归得到目标的坐标信息和类别信息。Anchor机制是说，根据预定义的Anchor,FeatureMap上的一点为中心，就可以在原图上生成多种不同形状不同大小的边框，如下图：感受野指特征图上的某个点能看到的输入图像的区域,即特征图上的点是由输入图像中感受野大小区域的计算得到的。根据CNN的感受野，一个特征图上的点对应于原图的16×1616×16的正方形区域，仅仅利用该区域的边框进行目标定位，其精度无疑会很差，甚至根本“框”不到目标。而加入了Anchor后，一个特征图上的点可以生成9种不同形状不同大小的框，这样“框”住目标的概率就会很大，就大大的提高了检查的召回率；再通过后续的网络对这些边框进行调整，其精度也能大大的提高。不同于FasterR-CNN，这个anchor是在多个featuremap上，这样可以利用多层的特征并且自然的达到多尺度（不同层的featuremap3*3滑窗感受野不同）。总的来说，SSD结合了YOLO中的回归思想和FasterR-CNN中的anchor机制，使用全图各个位置的多尺度区域特征进行回归，既保持了YOLO速度快的特性，也保证了窗口预测的跟FasterR-CNN一样比较精准。SSD在VOC2007上mAP可以达到72.1%，速度在GPU上达到58帧每秒。
参考[1]https://easyai.tech/ai-definition/cnn/[2]https://blog.csdn.net/l2181265/article/details/88072497[3]https://blog.csdn.net/qq_36396104/article/details/85230012[4]https://cloud.tencent.com/developer/news/281788[5]https://blog.csdn.net/qq_25762497/article/details/51052861[6]https://zhuanlan.zhihu.com/p/33544892
人工智能时代教师专业发展的机遇和挑战
摘要：本文从教师专业发展的动因、新师徒制的发展、精准教育的实现及泛在学习的推进出发，分析人工智能时代教师专业发展的机遇，强调教师应在教学内容上求创新、课堂教学上求突破，告别传统题海战术，探索教学新方式，重视学生反馈，在数据支持下实现精准教学。
关键词：人工智能；教师专业发展；机遇；挑战
随着教育信息化的深入，教育将不可避免地受人工智能影响。笔者从人工智能的发展前景及其对传统教育的改变出发，基于我国教育改革和人工智能的研究现状，剖析人工智能时代教育模式、教育理念、教学形态的转变及发展趋势，同时结合教育改革背景下教师专业发展的调整方向，探求教师专业发展新策略。人工智能的发展已经引发师徒制、精准教育、个性化学习、泛在学习等教育之变，笔者希望相关研究能为教育改革提供一定的借鉴。
一、人工智能时代教师专业发展的动因
总体来看，业界对“人工智能+教育”的研究是在近几年火热起来的。笔者以“人工智能+教育”为主题进行检索，检出论文813篇，其中综述类文献仅27篇，可见该领域研究空间很大。学术界在肯定人工智能对传统教育带来冲击的同时，也存在着“人工智能威胁论”的说法。香港中文大学徐扬生教授认为人们的想象、创造、情感、直觉是人工智能所不及的，“教育怎么把这些东西放进去，才是最大的前景”。清华大学钱颖一教授认为未来人工智能首先会替代那些在我们教育制度下培养学生的优势，即对已有知识的积累。著名学者GrahamBrown-Martin在《人工智能对于教育行业来说意味着什么？》一文中指出：“这使得翻译和语音识别系统变得流行起来。”诸多研究都认为人工智能对传统教育的冲击不可避免。
综观众多学者的研究，笔者认为：人工智能时代，教师的教育目标将从“知识传授”转为“能力培养”。但是，教师依旧有其不可取代之处，因为人类在想象、创造、情感、直觉方面的优势是人工智能所不及的。如何打破传统教学中以教师为中心的思维惯性，变革以知识灌输为手段的教学模式，在人工智能浪潮下保持教师与教育的先进性，这是所有教育工作者需要思考的重大问题。笔者认为，“人工智能+教育”主要呈现以下几个特点。
（一）教育模式的改变——新师徒制的发展
笔者对国内外关于人工智能如何影响教育模式的文献做了分析，发现大多停留在“设想”的层面。汤敏先生在“未来教育与新师徒制”报告中，以“双师教学”“戴你唱歌”等教育新模式为例引出“互联网下的新师徒制”的概念。同时，汤敏先生对其优势进行了介绍，并阐述了人工智能对“互联网下的新师徒制”的影响。汤敏先生认为人工智能可以数据分析的形式满足相关个性化需求，而被人工智能前期技术淘汰的那些人需要应用一种低成本的有效方式来转换他们的工作。
近年来双师教学持续升温，人工智能将为此类新型教学模式带来怎样的改变值得关注。众多研究表明，依托大数据、云计算以及深度学习的人工智能正在不断革新传统教育模式。人工智能深度学习的特性决定了其对教育模式的改变是必然的。面对人工智能对教育模式之变，教师唯有图变，才能在大数据时代得以发展。正如汤敏先生所说，人都需要不断地充电——持续地学习新知识并掌握新技能比以往任何时候都更为重要。
（二）教学方式的革新——精准教育的实现
教育是线性发展的，而人工智能是呈指数发展的。目前的人工智能只能辅助教育，但若干年后就难以估量了。诸多研究都认为人工智能将推动精准教育发展，尤其是在个性化教学方面。
学者关新认为将来的教育应是往精准教育的方向发展，而人工智能时代的小学教育将充分实现“因材施教”。精准诊断，精准评价，精准辅导，精准练习……一切从学生个体的实际情况出发，以人工智能驱动个性化教学。江南大学牟智佳教授认为“个性化学习是技术与教学深度融合在高级阶段的表现形式，以机器学习和深度学习为关键支撑的人工智能技术的回归，对个性化学习进行了重塑和再造”。
总之，有关人工智能对教学方式影响的研究相对丰富，不少学者对于人工智能如何影响教学颇有见地，但对于理论的完善和实践的摸索依旧“在路上”。一方面，对于人工智能和教学方式革新的逻辑与内涵有待明确。另一方面，人工智能时代教育发展的具体内涵、因果关系有待明晰。但不可否认的是，借助人工智能可以针对学生做精准判断与个性化诊断，并为学生自主学习提供的个性化辅导，确实驱动了精准教育发展。精准教育服务有望实现日常教育与终身教育定制化。
（三）教学环境的更迭——泛在学习的推进
目前讨论人工智能在金融、交通、医疗等领域的应用较多，但在教育领域则相对较少。关于人工智能与教育关系的讨论较为深入的一次也许是在“人工智能与未来教育”高峰论坛。人工智能对于教学环境的改变可在互联网对教学环境的改变上有所洞悉。在华东师范大学袁振国教授的《人工智能的时代，依然会有诗和远方》一文中，他认为人工智能难以替代人类感知和思维的整体性与统整性，以及人的情感性与社会性。人工智能将彻底改变传统的教育，使任何人在任何地点任何时间可以学习任何的内容，即泛在教育。在人工智能发展的过程当中，人类自身一定会不断发展。
泛在学习强调智能化环境的创设，目标是创设让学生随时随地利用任何终端进行学习的环境，实现以学生为中心的教育。学生在时间、空间上的自由度将是传统教育所不能及的。目前国内外关于人工智能和泛在学习的理论相对较少，袁振国教授的研究在国内处于相对领先位置，但依旧没有形成系统的理论。泛在学习的有关观点虽具一定的合理性和前瞻性，但因为太过“年轻”，缺乏足够的说服力。
二、人工智能时代教师专业发展的机遇
（一）教育模式之变：新师徒制，以学生为中心
在我国，“学而优则仕”的思想根深蒂固，传统的教育模式依旧有其影响。在新课程改革热潮下，中国的教育模式正在从应试教育向素质教育过渡。大数据时代，发达的网络催生了“互联网下的新师徒制”——以互联网为媒介，由某一领域的行家里手，以长期言传身教的方式，带领较大规模的徒弟们用碎片时间进行学习与实践的一种新型教育模式。它改变了传统的教育模式，实现了教育史上的一次革命。人工智能可以通过数据分析为徒弟们匹配相应的教师，从而满足学习者的个性化需求，甚至以机器教师的身份在线为学习者提供有针对性的指导，或通过人机交互技术协助教师为学生在线答疑。此类教育模式以学生为中心，突破了传统课堂对学生的束缚，更是顺应了我国教育改革的趋势和方向。教师在专业发展过程中需主动适应人工智能时代新型教育模式，不断提升自我信息素养以顺应时代之变。
（二）教学方式之变：精准教育，重视个性化学习
人工智能是通过机器学习、深度学习来工作的，而其也能相应地推动学生对知识的深度学习。可以说，个性化学习的目标是满足学生的需求和兴趣，而人工智能技术则能基于学生的个性化信息数据进行情绪识别、情感计算、自然语言处理与分析，为个性化学习提供智能支持，从而实现精准教学。常见的模式有个性分析、智能推送和精准反馈服务。未来，每个学生会像拥有智能手机一样人手一个陪伴自己成长且能学会解决复杂而抽象问题的机器人。人工智能可以成为教师的助手，而学生则可以通过机器人辅助从而拥有“私人”教师团队。时代在进步，21世纪的小学生与“智能”走得太近，如果教师能够全面突破传统，瞄准精准化、个性化、弹性化、融合化的变革趋向，强化“共享共创”“个性定制”“体验参与”意识，更加有利于把握人工智能时代的教育新机遇。
（三）教学形态之变：泛在学习，随时随地学习
传统的学习资源分散无序、共享性差、聚合性差，而在泛在学习时代，资源深度聚合让学习变得“泛在”与即时。相比火热的在线教育，“人工智能+基础教育”的融合之路要审慎、复杂得多。随着互联网的发展及人工智能在教育上的应用，泛在学习将会真正实现。人工智能改变了教学的形态，也促使教育打破传统思想边际，加快教育教学转型，以适应新形势下的教学形态之变。同时，人工智能可以实现教育资源的相对公平。智能教育将让更多的人享受一样的资源，得到一样的受教育权利，让更多的少年儿童在人生起跑线上不因资源的不同而被区别对待，而从这一视角上来看人工智能对于教育的改变将是革命性的。此外，人工智能为学生构建的群体智能学习环境将能有效满足学生的学习需求，让学生适应未来的学习工作模式，甚至创造新的模式。教师的专业发展是与具体的教学情境联系的动态的知识建构过程，如何提前适应泛在教学形态并在此情境下提升自我教学能力及教学效果，是每位教师需要思考的问题。
三、人工智能时代教师专业发展的挑战及应对
（一）教学内容求创新，课堂教学应突破
人工智能催生了泛在学习，也将扩充教学资源。不仅教师能够接触深度聚合的教学资源，学生亦能唾手可得海量的学习资源。在这样的情况下，教师对教学内容进行创新就显得很有必要。单纯依靠书本上的“死知识”显然很难满足学生的需求，书本上原原本本的内容，学生依托人工智能便可学习。未来，人工智能时代的教育是“人性为王”的教育，教师应加强教育对德、仁、情等人性特有的东西的关注。在课堂教学中更多地关注对学生创造力、社交能力等人工智能难以代替因素的培养。
（二）告别传统题海战术，探索教学新方式
受应试教育的影响，教育被许多人狭隘地理解为“刷题”，其实教育并非仅灌输知识与传授技能。知识主要依靠人的记忆力和逻辑判断力进行消化。可以说，任何一个机器人都可以记忆五万个数字，所以机器在这一点上是很容易取代传统的注重知识灌输的教育的。如果一位教师最大的兴趣就是做重复的工作，那么在效率优先的人工智能时代，他是肯定会被替代的。传统行为主义下对学生反复操练的教学方式显然在人工智能时代是立足不了的。真正的教育过程，从来就不是师生之间单向的机械操作。教学主体不是冷冰冰的“程序载体”，而是有血有肉有思想有灵魂的人，情感交流绝对不是没有温度的人工智能能够做到的。教师应有意识地转变传统的题海战，寻求教学新方式，注重教学的艺术性，将学生放在主体地位。教师要在泛在学习大趋势下巧妙利用好教学情境，变灌输为感化，增强自身的能动性，提高效率并降低事件重复率。
（三）学生反馈应重视，依托数据精滴灌
人工智能将为学生的个性化学习提供技术支持，从而推进教师精准教学的开展。人工智能时代，教师对于学生学习的认识被画上新的问号，多元学习环境下作业和考试已很难反映学生的学习全貌。人工智能所带来的数据分析技术将为教师开通对学生学习情况诊断、反馈的绿色通道。此外，在教学中，教师对于学生学习情况的反馈与矫正是一个循环往复的过程，这就要求教师的反馈要及时、准确，而这些恰恰是人工智能所擅长的。如何应对人工智能所带来的挑战，积极利用它而不是被其取代，是每位教师需要认真思考的问题。
人工智能时代教师专业发展正受到越来越多人的关注，人们也正在致力于这方面的探索与实践。人工智能时代，教育模式、教学方式、教学形态等被重新解读，担负着教育信息化和教育改革使命的教师也应转变传统教学观念，重新定位角色，发展专业素养，从讲授者转向指导者，适应新师徒制、个性化学习、泛在学习等发展要求，思考教育的本质和内涵，重视教育过程中的情感投入，在实践和反思中不断提高教学的艺术性和创造性，拥有仁爱之心、恻隐之心，逐渐达到专业发展的目的。
［1］徐扬生。我排完课程表后，发现人工智能最大的冲击是教育［R］。中国源头创新百人会年度论坛，2017-07-06。
［2］汤敏。未来教育与新师徒制［R］。“人工智能与未来教育”高峰论坛，2017-05-13。
［3］伏彩瑞。人工智能，打造个性化定制化教育［R］。“人工智能与未来教育”高峰论坛，2017-05-13。
［4］牟智佳。“人工智能+”时代的个性化学习理论重思与开解［R］。“人工智能与未来教育”高峰论坛，2017-05-13。
［5］袁振国。人工智能的时代，依然会有诗和远方［R］。“人工智能与未来教育”高峰论坛，2017-05-13。
（作者董瑶瑶系浙江师范大学教师教育学院博士生；李志超系浙江师范大学教师教育学院副教授）
责任编辑：祝元志
人工智能机器视觉技术应用有哪些
机器视觉作为全球智能的智慧之眼，很大程度上影响着人工智能的进步,无人驾驶、无人机、智能机器人等近期热点中的热点也以机器视觉的发展为前提。
人工智能机器视觉技术应用有哪些？
作为人工智能发展前提的机器视觉技术，其主要有五大典型应用：
图像识别应用。图像识别，是利用机器视觉对图像进行处理、分析和理解，以识别各种不同模式的目标和对象。图像识别在机器视觉工业领域中最典型的应用就是二维码的识别。将大量的数据信息存储在二维码中，通过条码对产品进行跟踪管理，通过机器视觉系统，可以方便的对各种材质表面的条码进行识别读取，大大提高了现代化生产的效率。
图像检测应用。检测是机器视觉工业领域最主要的应用之一。几乎所有产品都需要检测，而人工检测存在着较多的弊端，因此，具有诸多优点的机器视觉在图像检测的应用方面也非常的广泛。
人工智能机器视觉技术应用有哪些？
视觉定位应用。视觉定位要求机器视觉系统能够快速准确的找到被测零件并确认其位置。在半导体封装领域，设备需要根据机器视觉取得的芯片位置信息调整拾取头，准确拾取芯片并进行绑定，这就是视觉定位在机器视觉工业领域最基本的应用。
物体测量应用。机器视觉工业应用最大的特点就是其非接触测量技术，同样具有高精度和高速度的性能，但非接触无磨损，消除了接触测量可能造成的二次损伤隐患。常见的测量应用包括齿轮、接插件、汽车零部件、IC元件管脚、麻花钻、罗定螺纹检测等。
物体分拣应用。实际上，物体分拣应用是建立在识别、检测之后一个环节，通过机器视觉系统将图像进行处理，实现分拣。在机器视觉工业应用中常用于食品分拣、零件表面瑕疵自动分拣、棉花纤维分拣等。
免费领取人工智能学习资料