图像识别技术经过多年的发展变化，在各个领域得到了广泛的应用，例如：文字识别、指纹识别、人脸图像识别、车牌号码识别、植物特征识别等。伴随着计算机技术的不断发展和大数据时代的来临，图像识别的领域不断扩大，对图像识别速度、准确度、范围、适用度等的要求也越来越高，传统的图像识别已不能完全满足这些要求。随着人工智能技术的不断发展，基于深度学习的图像识别已越来越成为人工智能技术领域的热点，这些技术也逐渐深入各个领域。
传统的图像识别框架分为训练和测试阶段，分别包括预处理、特征提取、对其分类及最后识别出图像结果。对图像识别中的特征提取分为全局和局部特征提取，将全局和局部特征结合起来，形成一个整合特征，以便更好地描述图像的效果。
而深度学习是通过组合低层特征从而形成更加抽象的高层属性类别或特征，进而发现数据的分布式特征表示。通过多层非红性单元构建出深度学习网络，低一层的网络输出数据作为高一层的网络输入数据，从大量数据中逐层筛选出有效高阶特征，使用含有大量信息的有效高阶特征进行图像的识别、分类及检索等。智能化的同时也大大提高了分类和识别图像的准确性。
随着现代科技化程度的不断提升，深度学习在图像识别领域取得很大的发展，应用的面也越来越广泛，模型层次不断加深，结构复杂度也越来越大。深度学习应用在图像识别领域，识别率高、鲁棒性强，并且有很强泛化能力。其优异的性能与广泛的实用性已然使其成为时代主流。
目前我司正在研发一款手持式粗糙度检测仪，为适应测量建筑工地各个混凝土墙体表面的粗糙度，以及能够实时实地得出详细数据，我们应用了基于图像识别的深度学习算法。
技术特性
– 节省操作人员
– 自主研发的视觉识别系统，精度达到±0.1mm
– 实现测试分析一体化，行业领先
– 人工智能算法和深度学习被引入到设备自动检测/自分析
– 被测面分类及检测数据全储存+大数据分析