Myndgreining: Hvað er það og hvernig á að nota það

eftir kim Uppfært: Júní 29, 2022

Myndgreining er öflugt tæki til að draga upplýsingar úr myndum.

Þetta er hægt að nota í margvíslegum tilgangi, allt frá því að fylgjast með breytingum á umhverfinu til andlitsgreiningar til greiningar á læknisfræðilegum myndum.

Í þessari grein munum við gefa þér stutta kynningu á myndgreiningu og hvernig þú getur notað hana. Farið verður yfir skilgreiningu á myndgreiningu, mismunandi aðferðum og verkfærum sem til eru og hugsanlega notkun myndgreiningar.

Skilgreining á myndgreiningu

Myndgreining er tæki sem notað er til að fá innsýn í stafræn myndir. Það er almennt notað á ýmsum sviðum eins og læknisfræði, vísindarannsóknum, eftirliti, myndvinnslu og mörgum öðrum.

Í meginatriðum er það ferli að safna gögnum úr mynd og greina gögnin til að fá upplýsingar um innihald myndarinnar. Myndgreining hjálpar til við að veita upplýsingar um gæði eða eiginleika myndar eins og stærð, lögun, styrkleika/birtu, lit samsetningu eða grunnmynd hennar.

Það eru nokkrar aðferðir sem notaðar eru við myndgreiningu eins og staðbundna umbreytingartækni eins og útdrátt undirmynda og blokkavinnslu; lögun útdráttartækni sem finnur áhugaverða staði eða svæði með því að nota brúnskynjara eða reiknirit til að rekja landamæri; flokkunartækni sem flokkar hluti í flokka; skiptingartækni sem flokkar hluti úr bakgrunni; og mynsturþekkingaralgrím sem þekkja hluti með tölfræðilegum aðferðum.

Með því að nota myndgreiningartæki fyrir forrit eins og hlutgreiningu og andlitsgreiningu getur það bætt notendaupplifun þegar þeir nota stafræna miðla. Einnig er hægt að nota greiningu fyrir vísindarannsóknir til að meta fylgni milli skilgreindra landamæra innan einstakrar eða hóps mynda. Að lokum er þessi tækni einnig notuð verulega af heilbrigðisstarfsfólki í sérgreinum þar á meðal geislafræði og meinafræði til að greina ýmsar aðstæður byggðar á skönnuðum myndum sem teknar eru af sjúklingum.

Tegundir myndgreiningar

Myndgreining er útdráttur þýðingarmikilla upplýsinga úr stafrænum myndum. Það er mjög víðtækt hugtak sem nær yfir margar mismunandi tegundir af myndtengdum verkefnum, þar á meðal greiningu og auðkenningu hluta, formmælingu, mynsturgreiningu, senugreiningu og flokkun.

Það eru margar tegundir af myndgreiningartækni; sumir af þeim algengari eru:
-Pixel-undirstaða/rýmisgreining - Þessi tegund greining felur í sér að handvirkt telja einstaka pixla eða pixlaklasa til að mæla svæði (stærð, lögun) og þéttleika (dreifingu).
-Tölfræðileg greining - Þessi aðferð notar tölfræðilegar aðferðir til að meta eiginleika sem tengjast svæðum innan myndar eins og birtuskil eða birtustig.
-Vélanám/gervigreind - Gervigreind (AI) reiknirit gera öfluga sjálfvirka myndvinnsluverkefni eins og hlutgreiningu eða merkingargreiningu með því að nota snúningstaugakerfi (CNN).
-Áferðargreining - Þessi tækni mælir hvernig þættir innan myndar dreifast miðað við hvert annað með tilliti til áferðar - breytileiki í gráum stigum eða litum yfir stórt svæði.
-Vistumyndagreining - Vefjagreining felur venjulega í sér að mæla tölfræðilega dreifingu innan myndar eins og birtuskil, birtustig, litblær og mettun.
-Síunartækni - Síunaraðferðir fela í sér stærðfræðilegar aðgerðir á heilu unnu styrkleikafylki sem breytir ákveðnum hlutum fylkisins en varðveitir aðra. Síur eru oft notaðar til að auka brúnir eða fjarlægja hávaða úr mynd með því að slétta yfir þessi óæskilegu svæði.
-Fourier Transform Techniques - Þessi aðferð notar Fourier umbreytingar sem sundra myndum í nokkra þætti byggt á tíðnisviðum og/eða stefnum sem eru til staðar í inntaksrammanum. Þetta gerir kleift að einangra hluta og hluti sem kunna að hafa sérstaka eiginleika miðað við heildarútlit annarra íhluta í rammanum - svo sem áferð eða lögunarmunur - sem gerir kleift að greina hlutina auðveldari við skiptingarferli.

Kostir myndgreiningar

Myndgreining er ómetanlegt tæki til að fá innsýn í stafrænar myndir. Það er notað til að þekkja mynstur, bera kennsl á hluti og draga merkingarbærar upplýsingar úr miðlum. Frá læknisfræðilegum rannsóknum til andlitsgreiningar, myndgreining getur gagnast fjölmörgum atvinnugreinum. Hér munum við kanna kosti myndgreiningar og hvernig hægt er að nota hana til að efla ýmis svið.

Bætt reynsla viðskiptavina

Myndgreining getur hjálpað til við að bæta upplifun viðskiptavina, sem gerir fyrirtækjum kleift að skilja óskir viðskiptavina fljótt og nákvæmlega. Með því að innleiða myndgreiningartækni geta fyrirtæki notað gögn úr myndum eins og lýðfræði, staðsetningum og tilfinningalegum viðbrögðum til að miða betur á auglýsingar sínar eða sérsníða efni fyrir viðskiptavini. Notkun þessara gagna getur leitt til bættrar þátttöku við viðskiptavini auk aukinnar sölu fyrir fyrirtækið.

Myndgreining hjálpar einnig fyrirtækjum að skilja betur samhengi mynda sinna. Til dæmis gerir litaþekkingartækni fyrirtækjum kleift að bera kennsl á liti í mynd og ákvarða hvernig þeir tengjast vörum eða þjónustu. Þessar upplýsingar geta hjálpað fyrirtækjum að öðlast skilning á hegðun viðskiptavina varðandi tiltekna þjónustu eða vöru. Að auki geta fyrirtæki notað hlutgreiningartækni til að bera kennsl á hluti í mynd og skilja betur óskir viðskiptavina út frá hlutunum sem þeir kjósa.

Að lokum gerir myndgreining fyrirtækjum kleift að safna gögnum hraðar en samt viðhalda nákvæmni í ferlinu. Fyrirtæki þurfa ekki lengur að fara handvirkt yfir hundruð mynda þegar reynt er að ákvarða óskir viðskiptavina; frekar geta þeir gert þetta ferli sjálfvirkt með því að nota myndgreiningaraðferðir sem bæta skilvirkni verulega en samt fá nákvæmar niðurstöður úr greiningu á myndum. Þetta þýðir að viðskiptavinir fá aðgang að persónulegum auglýsingum hraðar en nokkru sinni fyrr, sem gerir fyrirtækjum kleift að veita viðskiptavinum sínum betri heildarupplifun notenda.

Aukin nákvæmni og skilvirkni

Myndgreining veitir fjölmörgum ávinningi fyrir fyrirtæki, þar á meðal aukna nákvæmni og skilvirkni. Með því að greina myndir í stað þess að reiða sig á handvirkar eða textatengdar aðferðir getur myndgreining dregið verulega úr gagnafærsluvillum og flýtt fyrir vinnslutíma fyrir tiltekið verkefni.

Myndgreining útilokar einnig þörfina á að sigta í gegnum mikið magn upplýsinga handvirkt. Þess í stað getur reiknirit fljótt fundið viðeigandi gögn og auðkennt mynstur sem mönnum er auðvelt að túlka. Þetta flýtir fyrir ákvarðanatökuferlinu og lágmarkar hugsanleg kostnaðarsöm mistök vegna mannlegra mistaka eða eftirlits.

Að auki gerir myndgreining það auðveldara að bera kennsl á mynstur fljótt í ótrúlega stórum gagnasettum sem myndi taka þúsundir vinnustunda að sigta í gegnum handvirkt. Þetta dregur verulega úr launakostnaði en eykur samtímis nákvæmni og skilvirkni. Myndgreining gerir stofnunum einnig kleift að mæla þróun sem þeir gætu annars hafa misst af með hefðbundnum aðferðum, sem hjálpar þeim að taka betri ákvarðanir hraðar en nokkru sinni fyrr.
Með því að nýta myndgreiningartækni geta fyrirtæki lágmarkað villur við innslátt gagna og dregið úr launakostnaði á sama tíma og nákvæmni og skilvirkni í rekstri þeirra aukist. Þetta leiðir til bættrar ákvarðanatökugetu og nákvæmari niðurstaðna sem eru fengnar úr miklu stærri gagnasafni en það sem hægt var að ná með hefðbundnum aðferðum einum saman.

Bætt ákvarðanataka

Notkun myndgreiningar í fyrirtækjum til að aðstoða við ákvarðanatöku getur leitt til aukinnar skilvirkni og hjálpað stofnunum að stjórna auðlindum sínum betur. Með hinni ýmsu tækni og tækni sem um ræðir hefur stofnun getu til að vinna hratt og greina myndir frá mismunandi aðilum. Þetta hjálpar þeim að taka skynsamlegar ákvarðanir næstum samstundis.

Myndgreining getur hjálpað fyrirtækjum að flokka, bera kennsl á og meta gögn til að forgangsraða verkefnum eða stefnumótandi markmiðum. Það gerir einnig kleift að greina flókið mynstur í myndum hratt, sem sparar dýrmætan tíma við ákvarðanatökuverkefni á hærra stigi. Að auki getur myndgreining hjálpað fyrirtækjum að uppgötva þróun eða endurtekin vandamál sem annars gætu hafa farið framhjá.

Stofnanir nýta í auknum mæli kraft myndgreiningartækni eins og gervigreind (AI) og vélanám (ML) forrit til að búa til forspárlíkön sem gefa þeim innsýn í hvað mun gerast með tilliti til hegðunar viðskiptavina og markaðsaðstæðna í framtíðinni. Á þessum tímapunkti eru markaðsgreiningarteymin stöðugt að skanna í gegnum myndir sem þeir hafa safnað frá heimildum eins og vefsíðum samkeppnisaðila og stafrænum rásum. Með réttu verkfærunum geta þessi teymi fljótt ákvarðað hvernig viðskiptavinir hafa samskipti við vörur eða þjónustu stofnunarinnar til að byggja upp raunhæfa innsýn sem veitir samkeppnisforskot á aðra í greininni.

Myndgreining gegnir óaðskiljanlegu hlutverki í fyrirtækjarekstri í dag með því að veita stofnunum aðgang að dýrmætri gagnastýrðri innsýn sem örvar vöxt og framfarir hraðar en nokkru sinni fyrr.

Hvernig á að nota myndgreiningu

Myndgreining er skilvirk leið til að vinna mikið magn af myndgögnum og draga úr þeim gagnlegar upplýsingar. Myndgreining felur í sér að nota tölvualgrím til að ákvarða merkingu myndar. Það er hægt að nota fyrir margvísleg verkefni eins og hlutgreiningu, andlitsgreiningu og myndskiptingu. Í þessum hluta munum við ræða hvernig hægt er að nota myndgreiningu og sum forrit hennar.

Myndaskiptingu

Myndskiptingu er grein myndvinnslu þar sem mynd er skipt í marga hluta, eða svæði, sem samanstanda af allri myndinni. Hver hluti táknar áhugasvið innan myndarinnar og hægt er að líta á hann sem stakan hlut á eigin spýtur. Markmið skiptingar er að einfalda og/eða breyta framsetningu myndar í eitthvað sem er þýðingarmeira og auðveldara að greina. Segmentunartækni er notuð í læknisfræðilegri myndgreiningu fyrir margvísleg verkefni, allt frá því að greina líffærafræðilega uppbyggingu til að fylgjast með framvindu sjúkdóms. Að auki eru skiptingarreiknirit lykilþættir í sjálfvirkum eftirlitskerfum og hægt að nota fyrir vélfæraleiðsöguverkefni og hlutgreiningu.

Segmentunarreiknirit treysta almennt á annaðhvort pixla-undirstaða aðferðir eða flokkunar-byggðar aðferðir. Pixel-undirstaða aðferðir nota vísbendingar eins og lit eða áferð til að skipta mynd í aðskilda hluta. Að öðrum kosti sameina flokkunartengdar aðferðir flokka sem byggjast á lýsandi eiginleikum eins og lögun eða áferð til að flokka pixla sjálfkrafa saman í viðeigandi hluta/hluti.

Pixel-undirstaða skipting miðar venjulega að því að aðskilja hluti eftir styrkleika þeirra eða birtuskilum með því að reikna út alþjóðlega tölfræði (td meðalgildi) yfir heilt svæði. Flokkunartengdar nálganir þurfa oft handvirkt inntak og merkingu áður en reikniritið getur byrjað að virka; Hins vegar eru þessar aðferðir mjög öflugar þegar fjallað er um stór gagnasöfn eða óþekktar gagnategundir sem ekki er hægt að aðskilja með góðum árangri með því að nota aðeins pixlagildi eingöngu.

Myndaflokkun

Myndflokkun er ferlið við að nota tölvualgrím til að spá fyrir um og merkja flokka í tiltekinni mynd. Í þessu ferli er algengt að hafa „safn“ af merktum þjálfunarmyndum sem þjóna sem inntak í námsalgrím. Byggt á þessum þjálfunarmyndum eru eiginleikar eins og stærð, lögun og litur dregin út úr myndinni og notuð til myndflokkunar. Þessi tækni gerir ráð fyrir nákvæmari niðurstöðum samanborið við handvirka merkingu, þar sem menn geta gert mistök vegna rangrar flokkunar eða merkingarvillna.

Miðað við óþekkta mynd er hægt að nota núverandi flokkara sem úthlutar þessu tiltekna inntaki úttaksflokki í samræmi við fyrirfram skilgreindan fjölda aðskildra flokka. Nokkur dæmi um notkun á þessu er allt frá sjálfstýrðum bílakerfum sem veita honum hlutgreiningargetu til andlitsgreiningar í líffræðilegum tölfræðiforritum. Að auki getur það að hafa nákvæm merkt gögn með myndflokkun veitt verulega meiri innsýn í umhverfi okkar með því að nýta risastór gagnasöfn stjórnvalda til frekari greiningar - sérstaklega í fylgni milli tegunda hluta og viðskiptaforrita eins og smásölugreiningar eða afþreyingargreiningar.

Allt frá því að innleiða tauganet með GPU hagræðingartækni til að fá samhliða vinnslu þar til ýmis konar vélanám – það eru óteljandi leiðir til að þjálfa gervigreind líkön eða beita djúpnámstækni á sviði myndflokkunar; þó að nám án eftirlits hafi enn nokkrar hindranir sem hindra rannsakendur frá því að nýta þær að fullu með hámarksmöguleika, eru þessar aðferðir enn í virkri rannsókn og rannsóknir. Þannig að skilja hvernig á að innleiða þau krefst alhliða skilnings á reikniritum tölvusjónar sem og sterkrar tækniþekkingar sem felur í sér verkfræðiaðferðir á bakhlið eins og forskriftarmál eins og Python í innleiðingarskyni ásamt því að hafa náinn bakgrunn um nýja tækni eins og blockchain eða netþjónalausa innviði útfærslur

Hlutagreining

Hlutagreining er tölvutengd tækni og tækni til að tryggja nákvæmni við greiningu á myndgagnagrunni. Þessi tækni notar ýmis háþróuð reiknirit til að bera kennsl á hluti og eiginleika þeirra í myndum sem auðvelt er að bera kennsl á. Það gegnir stóru hlutverki á mörgum sviðum, svo sem réttarfræði, læknavísindum, iðnaðar sjálfvirkni, andlitsgreiningu og sjálfvirkum skoðunarkerfum.

Hlutagreining felur í sér að greina eða safna gögnum til að ákvarða stærð, lögun og aðra eiginleika tiltekinna hluta í mynd. Þessi tegund myndgreiningar getur falið í sér að bera kennsl á hluti út frá lit þeirra, áferð eða jafnvel formunum sem þeir búa til þegar þeir eru settir saman. Notkun stærðfræðilíkana og tölfræðilegra aðferða auðveldar tölvur nú á dögum verkefnið miklu.

Meginmarkmiðið hér er að auðkenna nákvæmlega hvern hlut sem birtist í myndgagnagrunni með því að nota úthlutað eiginleikamerki hans. Þjálfa þarf reikniritið fyrirfram með fullt af gögnum, þar á meðal „góðum“ dæmum fyrir nákvæmar spár um eiginleika hvers markhluts áður en þjálfun hefst. Eftir að þjálfun er lokið og spá hefur gengið vel, verður henni fylgt eftir með áföngum eins og ályktun þar sem væntanleg útkoma frá tilteknu inntaki virkar með niðurstöðum sem fengnar eru úr fyrri rannsóknum.

Tækni eins og djúpnám (DL) reiknirit hjálpa til við að gera ráð fyrir mörgum lögum sem vinna saman að því að ná nákvæmari niðurstöðum innan styttri tímaramma en hefðbundnar aðferðir gætu veitt áður en þær urðu tiltækar innan þessarar tegundar vinnsluvélbúnaðaruppsetningar sem notuð eru í dag. Að lokum gerir þetta gervigreindaraðstoðaraðferðir eins og Deep Learning meira aðlaðandi en hefðbundnar aðferðir þar sem þær draga verulega úr villum á meðan þær veita skilvirka mælikvarða á nákvæmni hlutgreiningar sem geta auðveldlega framleitt framleiðslu í rauntíma líka.

Verkfæri fyrir myndgreiningu

Myndgreining er ferli sem felur í sér að draga marktækar upplýsingar úr myndum með reikniaðferðum sínum. Þetta ferli er notað á ýmsum sviðum, svo sem læknisfræðilegri myndgreiningu, gervigreind og fjarkönnun. Sem betur fer eru margvísleg verkfæri í boði fyrir myndgreiningu sem gerir ferlið auðveldara og skilvirkara. Við skulum skoða nokkur verkfæri sem eru tiltæk fyrir myndgreiningu.

OpenCV

OpenCV er bókasafn með forritunaraðgerðum sem aðallega miða að rauntíma tölvusjón. Það styður ýmsa glugga, Linux, vettvang og aðra hugbúnaðarvettvang og því er það oft notað fyrir myndgreiningu og myndvinnsluverkefni. Notkunarsvið OpenCV eru meðal annars: tölvusjón, andlitsgreining, auðkenning hluta, hreyfirakningu, sundrun og greiningu.

OpenCV býður upp á breitt úrval af öflugum verkfærum sem hægt er að nota til að framkvæma flókin verkefni eins og hlutgreiningu, andlitsgreiningu, sjálfvirka eiginleikaútdrátt og fleira. Það hefur virkt samfélag sem veitir notendavænar lausnir á algengum vandamálum. Bókasafnið hefur verið hannað til að samþætta mörgum forritunarmálum eins og C++, Java eða Python. Bókasafnið gerir forriturum kleift að vinna með myndir á þeim tungumálum sem þeir vilja og dregur þannig úr þróunartíma verulega. OpenCV styður hvers kyns gögn (svo sem myndir í 2D og 3D myndun) sem gerir það að fjölhæfasta tækinu meðal allra myndvinnslusafna sem til eru í dag.

Verkfæri í OpenCV eru:
-Myndasíun
-Hlutaskiptingu
-Eiginleikar útdráttur
-Eiginleikasamsvörun og flokkun
-Hlutamæling og hreyfigreining
-3D endurgerð fyrir hluti sem rannsaka

Verkfæri þess eru mikið notuð fyrir sjálfvirka sjónræna skoðun í iðnaðarstillingum vegna hagstæðra eiginleika þess eins og lítillar minnisnotkunar, hraðvirkrar framkvæmdar á flestum kerfum (sérstaklega innbyggðum), flytjanleika á milli kerfa sem nota staðlaðar bókasöfn eins og OpenMPI/MPI4Py. Opinn uppspretta leyfið gerir það enn meira aðlaðandi fyrir notendur sem vilja nota það án þóknanagreiðslna eða leyfis frá fyrirtækjum eða stofnunum eins og mathworks o.s.frv.

TensorFlow

TensorFlow er opið hugbúnaðarsafn sem notað er til að þróa og þjálfa djúpnámslíkön. Djúpnámskerfi, eins og myndgreiningarlíkön, eru byggð upp úr mörgum lögum af taugafrumum sem vinna inntaksgögn, svo sem mynd. TensorFlow gerir forriturum kleift að þróa og nota nýjustu djúpnámslíkön sem hægt er að nota í sjón, náttúrulegri málvinnslu og öðrum sviðum.

Helsti ávinningurinn af því að nota TensorFlow er að það veitir auðvelda leið til að búa til og dreifa öflugum vélanámslíkönum á fljótlegan og skilvirkan hátt. TensorFlow styður einnig mikið úrval af forritum á MacOS, Windows, Linux og farsímakerfum. Og vegna þess að það er opinn uppspretta og hefur ríkan samfélagsstuðning geturðu notað núverandi verkfæri í þróunarferlinu þínu án þess að þurfa að finna upp hjólin aftur eða eyða auka tíma í að kemba kóða frá grunni.

Auk þess að þjálfa nýjar gerðir frá grunni, gerir TensorFlow þér einnig kleift að endurnýta fyrirfram þjálfuð líkön til að yfirfæra nám eða fínstilla á sérstök vandamálasett. Þetta gerir það mögulegt að byggja á fljótlegan hátt sérsniðnar lausnir sem eru sérsniðnar að sérstökum vandamálum á sama tíma og þú nýtir núverandi þekkingu sem er innbyggð í núverandi net. Með þennan sveigjanleika í höndunum geta verktaki byrjað að gera tilraunir með mismunandi arkitektúr hraðar en nokkru sinni fyrr - komið þeim í gang með mikilli nákvæmni niðurstöður á skömmum tíma

Google Cloud Vision

Google Cloud Vision er öflugt myndvinnslutæki hannað til að hjálpa fyrirtækjum að greina myndir og fá dýrmæta innsýn. Það er byggt á sömu tækni og Google myndir nota, sem gerir það áreiðanlegt og auðvelt í notkun. Þetta skýjatól gerir fyrirtækjum kleift að vinna mikið magn af myndum fljótt, greina andlit, bera kennsl á hluti og draga út texta á meðan þeir forðast handavinnu.

Annar frábær eiginleiki Google Cloud Vision er geta þess til að bera kennsl á hluti úr fjölmörgum flokkum eins og dýrum eða vörum. Með „logo uppgötvun“ eiginleikanum geta notendur tengst vörumerkjum eins og Facebook eða Instagram fyrir nákvæmar rakningar og greiningarupplýsingar. Eiginleikinn „leiðarmerkjagreining“ hjálpar notendum að koma auga á kennileiti í kringum sig og skilja staðbundna menningu sína betur á augabragði.

Fyrir utan eiginleika til að bera kennsl á hluti, veitir Google Cloud Vision notendum einnig tilfinningagreiningu sem og sjálfvirkt textatól fyrir myndir - fullkomið fyrir tafarlausa greiningu! Að auki býður þetta tól upp á andlitsþekkingargetu sem er frábært í markaðslegum tilgangi þar sem það greinir eiginleika eins og aldur og kyn með mikilli nákvæmni. Að lokum gerir lykilorðaútdráttargetan notendum kleift að skanna fljótt í gegnum inntaksmyndir á meðan þeir finna viðeigandi leitarorð sem hægt er að nota í síðari ferlum eða forritum.

Að lokum er Google Cloud Vision frábær kostur þegar leitað er að myndvinnslutæki til að hjálpa fyrirtækjum að greina myndirnar sínar á skilvirkari hátt en nokkru sinni fyrr!

Niðurstaða

Myndgreining er öflugt tæki til að afla innsýnar úr stafrænum myndum. Það er hægt að nota á mörgum mismunandi sviðum eins og læknisfræði, bifreiðum og ljósmyndun. Kostir þess að nota myndgreiningu eru fjölmargir og geta sparað tíma, peninga og fyrirhöfn. Í þessari grein höfum við skoðað grunnatriði myndgreiningar, hvað það er og hvernig það getur gagnast þér. Við höfum einnig fjallað um hinar ýmsu tegundir greiningar og bestu starfsvenjur fyrir árangursríka myndgreiningu. Að lokum er ljóst að myndgreining er öflugt tæki til að afla innsýnar og taka upplýstar gagnadrifnar ákvarðanir.

Yfirlit

Val á brenndu kaffinu þínu fer eftir bragði og styrkleika sem þú kýst sem og svæðisbundnum óskum þínum. Mismunandi steikar bjóða upp á breitt úrval af nöfnum og litaflokkum, en almennt munu léttar steikar hafa mildara bragð og aðeins hærra koffíninnihald á meðan dökk steikt er beiskt með minna sýrustigi. Vinsælar tegundir hvers og eins eru Light City, Half City, Cinnamon, City, American, Breakfast, Full City, High Continental New Orleans European Espresso Vínar ítalska franska. Hvort sem þú ert aðdáandi ljósra eða dökkra kaffibauna — eða einhvers staðar þar á milli — vertu viss um að spyrja áður en þú kaupir svo þú færð nákvæmlega það sem þú ert að leita að!

Frekari Reading

Notkun myndgreiningar til að öðlast innsýn og draga ályktanir af myndum er að verða sífellt vinsælli í fjölmörgum atvinnugreinum, allt frá heilbrigðisþjónustu til öryggis. Ef þú vilt læra meira um þessa tækni skaltu íhuga eftirfarandi úrræði:

Greinar og námskeið
-„Myndgreining: Hvað er það og hvernig á að nota það“ eftir Oracle
-„Inngangur að myndgreiningu fyrir fólk sem veit ekkert um myndgreiningu“ eftir Kent Woodard
-"8 skref í átt að skilningi á myndgreiningu og vinnslu í vélanámi" eftir Victor Charpenay
Bækur og útgáfur
-Myndavinnsla: Meginreglur og forrit eftir Milan Sonka o.fl.
-Tölvu- og vélsjón – kenningar, reiknirit, hagkvæmni (4. útgáfa) eftir ER Davies
-Stafræn myndvinnsla með OpenCV – Heimildaskrá (Ver 4.1) Samin af David Dardas Webinars & Podcasts
-Computer Vision Through Machine Learning Webinar hýst af Treehouse AI
-Machine Learning Fundamentals Podcast hýst af Google Cloud Platform. Það eru líka margar aðrar bækur, greinar, vefnámskeið, podcast, vinnustofur og önnur úrræði í boði sem geta hjálpað þér að skilja betur aðferðafræði myndgreiningar sem og hvernig á að nota hana fyrir tiltekin forrit.

Hæ, ég er Kim, mamma og áhugamaður um stop-motion með bakgrunn í fjölmiðlasköpun og vefþróun. Ég hef mikla ástríðu fyrir teikningu og hreyfimyndum og núna er ég að kafa á hausinn inn í stop-motion heiminn. Með blogginu mínu er ég að deila lærdómi mínum með ykkur.