通过AI电子秤窥探视觉识别原理，干货满满

视觉识别技术在各个领域的价值都有在一点点的探索和挖掘，零售业也并非罕见。现在、自动结账、自动补货、刷脸支付到如今的视觉识别秤，这只是AI技术在零售业应用的开始。为了让大家更好的了解这一趋势，今天就i识别技术原理，为大家做一个揭秘大放送。帮助大家更好地理解 AI识别的相关问题。

获取信息的过程可以类比成人类“看”这个动作。在i识别设备中，我们需要首先通过摄像头拍摄到秤盘的商品，将光感信息转化为机器可以识别的电信息。比如，在图像描述中，我们可以通过不同的色彩模式下的参数来描述每个像素点，从而描述一张照片，比如HSB色彩模式就可以通过色相，饱和度，亮度三个维度来描述像素，此外，还有大家常见的RGB、LAB、灰度等多种方式。

预处理就是将照片进行图像识别前的处理过程，包括对信息的挑选和加工。首先是挑选，在摄像头拍下照片的时候，我们需要快速在拍摄的多张照片中，挑选最清晰的一张拿来使用。接下来是照片降噪处理。这里面对图像的处理包括：图像修复填充、图像去雾处理、图像对比增强、图像无损放大、拉伸图像恢复、图像清晰度增强、图像色彩增强等等。最终，只为排除干扰因素，获得一张最适合算法去识别的照片。

简单地理解就是我们所研究的图像是各式各样的，有的图像里包含苹果，有的图像包含香蕉，如果要将这些图片进行分类，就要通过这些图像所具有的本身特征来识别，而获取香蕉、苹果这些特征的过程就是【特征抽取】。在特征抽取中所得到的特征也许对此次识别并不都是有用的，比如苹果上贴有一个标签，我们没有通过标签来识别的计划，这个时候就要提取苹果相关的特征，摒弃标签的特征，这就是【特征的选择】。特征抽取和选择在图像识别过程中是非常关键的技术之一，所以对这一步的理解是图像识别的重点。

【分类器设计】是指通过训练而得到一种识别规则，通过此识别规则可以得到一种特征分类，使图像识别技术能够得到高识别率。【分类决策】是指在特征空间中对被识别对象进行分类，从而更好地识别所研究的对象具体属于哪一类。比如我们在无码商品的识别中，我们发现有大面积叶子的特征的，都属于蔬菜，因为我们可以在特征分类中加上蔬菜这个分类，这样，算法发现有大面积叶子的特征时就会在叶子蔬菜这个分类中去匹配，而不会跑到水果或者干货的品类中去。

数据增强是指在训练的过程中，为了获得更多的样本和模拟实际情况中的多变的情况，对图像进行不同的处理以获得多样的样本。比如，一只正常小猫的照片，我们可以通过将照片进行去色，增加曝光，模糊、锐化，旋转，翻转，加上有色滤镜等处理。增加验证准确性的最简单方法之一是添加更多数据。在没有很多训练实例，这将特别有用。

在图像识别的过程中，送入训练图像越干净，模型识别的准确率就会越高。这里的干净，就是指有效样本，比如，正常的送入i识别的样本，都应该是包含水果蔬菜之类的无码商品的，而操作员在使用过程中用摄像头拍下一些手机、钱包、或是主体不清晰的照片等，不在训练样本范围内的照片，这样子的我们称之为脏数据，脏数据在越多，准确率就会越低。

脏数据图

有效数据图

和人眼识别一样，如果输入的图像太小，会不利于模型对图像识别图像特征。但是，也不是图像越大越好，如果图像太大，则会增加计算机所需的计算资源，并且模型如果不够复杂，也无法处理它们。所以，怎么选出最适合该商业场景的图像大小也是一门技术活。

在i识别的算法中，我们就创新地部署了多套算法，让不同的算法分别进行识别计算，然后将多套算法的识别结果进行PK，显示最有可能的那一张。

比如，我们在摄像头下放上一根黄瓜，在A算法中，得出的黄瓜的概率最高，是80%；在B算中得出的苦瓜的概率最高，是30%。这两个结果pk后，80%明显大于30%。所以我们会推荐黄瓜，并且将黄瓜放在第一位展示出来，将苦瓜放在第二位。

早在2015年2月15日，新浪科技报道了一篇关于微软图像识别方面的研究论文，论文内容显示：在一项图像识别的基准测试中，电脑系统识别能力已经超越了人类。人类在归类数据库Image Net中的图像识别错误率为5.1%，而微软研究小组的这个深度学习系统可以达到4.94%的错误率。

随着技术的成熟与发展，就像人的大脑无法记忆浏览器所承载的内容一样，机器对于图像的处理在效率和准确度上可以超越人类，也毋庸置疑。

技术成熟后，科学技术人员所面对的是一些新的问题。如何让这些技术为我们所用，走出高昂的费用，走出实验室的苛刻条件，走入复杂的现实世界，走入各行各业和寻常百姓家。

通过i识别在生产过程中所解决的问题，大概可以了解对从技术到应用之间的距离。

首先，i识别所需要的摄像头，是最普通的720P的摄像头，且不说不是什么工业的专业镜头，就连最普通的手机摄像头都比它拍出的照片清晰多倍，稍微放大一些就能看到清晰的像素码。

其次，i识别所需算力极小。在正常的称重设备上，都有一个芯片供设备本身的系统（windows/安卓）运行，而i识别和这个系统共同用一个芯片的算力，同时要求运算速度在毫秒级别。此外，为了准确率和离线处理，我们还需要同时部署多套神经网络算法和本地自学习算法。

在实际的场景中，i识别需要面对的环境也非常地复杂。不仅要面对生鲜商品随着季节的颜色形态变化，也需要面对不同门店的光环境，不同包装袋透光率等等。

虽然，算法基本的底层框架都差不多，但是对于实际场景的使用，还是会有千差万别的处理方式，要想做好某个领域的AI产品，还是得技术和行业两手抓。