weixin_42189597的博客

通过halcon进行医药行业的胶囊质检，定位不同品质的胶囊和空胶囊。

特点（1）与大多数现有的组件需要单独训练和协调的算法相比，它是端对端训练的。（2）它自然地处理任意长度的序列，不涉及字符分割或水平尺度归一化。（3）它不仅限于任何预定义的词汇，并且在无词典和基于词典的场景文本识别任务中都取得了显著的表现。（4）它产生了一个有效而小得多的模型，这对于现实世界的应用场景更为实用。网络结构卷积层：从输入图像中提取特征序列；循环层，预测每一帧的标签分布；转录层，将每一帧的预测变为最终的标签序列。特征提取在CRNN模型中，通过采用标准CNN模型（去除全连接层）中

简介YOLOv3总结了自己在YOLOv2的基础上做的一些尝试性改进，有的尝试取得了成功，而有的尝试并没有提升模型性能。其中有两个值得一提的亮点，一个是使用残差模型，进一步加深了网络结构；另一个是使用FPN架构实现多尺度检测。改进新的网络结构：DarkNet-53;使用逻辑回归代替softmax作为分类器；融合了特征金字塔网络，实现多尺度检测多尺度预测实现：YOLOv3在基本特征提取器上添加几个卷积层，其中最后一个卷积层预测了一个三维张量——边界框，目标和类别预测。 在COCO实验中，为每个尺度

基本思想YOLO（You Only Look Once ）是针对深度学习目标检测问题提出的另一种框架，其核心思想是生成RoI+目标检测两阶段算法用一套网络的一阶段算法代替，直接在输出层回归bounding box的位置和所属类别。之前的物体检测方法首先需要产生大量可能包含待检测物体的先验框, 然后用分类器判断每个先验框对应的边界框里是否包含待检测物体，以及物体所属类别的概率或者置信度，同时需要后处理修正边界框，最后基于一些准则过滤掉置信度不高和重叠度较高的边界框，进而得到检测结果。这种基于先产生候选区再

一，基本概念1.什么是目标检测？目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。计算机视觉中关于图像识别有四大类任务：（1）分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。（2）定位-Location：解决“在哪里？”的问题