别看乐高模板了!利用计算机视觉技术,这个软件几秒就识别满地积木,还能激发灵感

简介: 别看乐高模板了!利用计算机视觉技术,这个软件几秒就识别满地积木,还能激发灵感

说到乐高,那可是大人小孩没人不爱的玩具了。

每次看到一大堆的乐高积木,把它们挨个拼成模板图那样的时候,成就感简直爆表了。

完成之后还要把作品端正地摆放在书桌前,好好端详一番。

但是,不知道有没有人想过,其实这些积木不止有一种拼法。

按照模板,你可以把这些积木拼成火车,当然,也有人选择不走寻常路,非要拼个飞机场出来。

或者,更“奇葩”一点的东西?

比如,你就可以把这个企鹅模型改装成一个企鹅机器人,别说还真有内味儿:

又或者,你可以把一个普通的小狗模型改得更有味道一些:

是不是已经跃跃欲试,准备马上对家里的乐高“下手”了?别急,还有更多创意,且听文摘菌细细道来。

几秒就能识别一地积木,乐高粉丝“杀疯了”!

这种时候,肯定也有人像文摘菌一样,手脚不灵活就算了,脑子也空空荡荡的,看到这一地的乐高积木,愣是什么灵感都出不来。

别急,救星来了。

先看看这个东西到底怎么个玩法。首先,它会识别满地的乐高积木:

然后,会提供一些能利用这些积木、但是又和常规模板完全不一样的创意造型:

怎么样,是不是顿时感觉自己还能再抢救一下?

根据TechCrunch报道,其实,乐高一直和苹果保持着密切合作,尝试使用一些未发布的iOS技术,在WWDC上演示,比如对增强现实ARKit平台进行的修复,使之能够为实体玩具也添加一丝数字体验。

当然,这也包括了这个叫做Brickit的软件,据了解,该软件由一个粉丝团队建立的,主要通过使用计算机视觉技术,来快速识别堆积如山的积木,同时给出一些别具一格的创意提醒。

整个过程中,你只需要把你的积木倒在地板上,然后就让Brickit进行快速识别归类与分析。最让开发者自豪的,当然要属Brickit的速度了,从上图中也可以看到,Brickit只需短短几秒就能完成识别与分析。

根据部分用户反馈,使用效果与上述步骤类似,只是在识别和进行下一步操作之间增加了一些加载时间。在浏览说明时,用户也可能会被指向积木堆中某一特定所需作品所在的区域。

目前,Brickit在第一方访问方面还有很多事情可以做,主要是在访问与乐高现有指令库的整合方面。2019年,乐高收购BrickLink,足以看出乐高一直旨在抓住更多围绕售后创作的社区粉丝。

如果能够允许建立一个用户所拥有的实际积木的数据库,从而获得一些关于他们所拥有的套装的见解,这对乐高来说,无疑也是有价值的数据。

乐高分拣机,拯救你的满地积木

试想,当受到Brickit的启发,灵感挡不住要溢出来了,这个时候你需要快速找到需要的乐高积木,但是看到满地的积木瞬间丧了气。

别急,这个时候你只需要另一个乐高神器,困难就能迎刃而解。

当当当当,乐高通用分拣机闪亮登场。

根据分拣机的制作者Daniel West介绍,这台机器结合了CNN和3D识别,可以说是世界上第一台“乐高通用分拣机”,同时,这个分拣机还是由AI驱动,能够识别出任何已生产的乐高零件,并将它们归类。

让我们来仔细看看这个机器到底有什么花样。

如下图,这就是分拣机的核心部分“Capture Unit”,一个拥有传送带、照相机和照明灯的小空间。看起来好像没什么大不了,实际上要想让它顺利完成工作,有很多需要注意的事情。

相机会拍摄沿着传送带输送的乐高零件,然后将照片上传到运行着AI算法的服务器,从数千个可能的乐高元素中识别零件。

核心问题是需要将传送带的实时视频流,转换成神经网络可以识别的各个部分的独立图像。

最终目标:从原始视频(左)到大小均匀的图像(右),然后发送到神经网络。(动图的速度比实时视频慢了50%左右)

这里用到了目标检测,即检测目标的存在、位置和大小,以便零件在每一帧都能生成边界框。表面上看起来很简单,实际上却困难重重。

要想顺利实现零件的识别与分拣,还有许多需要注意的地方,比如相机的位置和角度;光源要保证充足;另外零件还不能与传送带的颜色一样,否则无法扣除背景。

在训练神经网络上也需要耗费大量时间和精力,什么是神经网络呢?可以把它看作一个虚拟的大脑,它可以通过接受输入并转换成相应的输出来完成特定任务。

一般来说,输入给神经网络的数据越多,它完成任务的能力就越强。乐高分拣机的神经网络是通过输入乐高零件的图像,输出相应零件的编号。

由于乐高的零部件有成千上百种类型,颜色多样,并且从不同角度看形状也不一样。因此,收集正确的训练数据集是整个工作中最难的一部分。West在分拣机运行几天后捕获了30万张图像,这是其中的一部分。

怎么样,现在可别再完成一个乐高模型就把它束之高阁了,这些小玩意儿还有很多好玩的地方等待你去解锁呢。

如果你遇到了什么新鲜事儿,或者有什么灵感要分享,快来告诉文摘菌这个手残吧~

相关报道:
https://twitter.com/AlexanderNL/status/1410253599502962692
https://techcrunch.com/2021/06/30/lego-should-snap-up-this-rapid-fire-brick-finding-ios-app/

相关文章
|
7月前
|
机器学习/深度学习 算法 计算机视觉
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A路径规划+单目测距与测速+行人车辆计数等)
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A路径规划+单目测距与测速+行人车辆计数等)
134 2
|
2月前
|
机器学习/深度学习 人工智能 机器人
计算机视觉技术介绍
【10月更文挑战第14天】 计算机视觉技术介绍
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习与计算机视觉的结合:技术趋势与应用
深度学习与计算机视觉的结合:技术趋势与应用
211 9
|
7月前
|
机器学习/深度学习 算法 计算机视觉
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等)
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等)
|
4月前
|
监控 算法 自动驾驶
计算机视觉的实践与挑战:技术深度剖析
【8月更文挑战第21天】计算机视觉技术作为人工智能的璀璨明珠,正逐步深入到我们生活的各个方面,带来前所未有的便利和变革。然而,随着技术的不断发展,我们也面临着诸多挑战和问题。未来,我们需要不断推动技术创新和跨学科合作,加强数据安全和隐私保护,提升算法的鲁棒性和可解释性,以应对这些挑战并推动计算机视觉技术的持续发展。让我们共同努力,探索计算机视觉技术的广阔天地,为创造一个更加智能、安全和美好的世界而不懈努力。
|
7月前
|
机器学习/深度学习 编解码 算法
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等)-2
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等)-2
|
4月前
|
传感器 自动驾驶 安全
计算机视觉在自动驾驶中的应用:技术解析与未来展望
【8月更文挑战第4天】自动驾驶依托计算机视觉实现环境感知与决策,通过目标检测、跟踪及车道识别等技术保障行车安全与效率。面对数据处理、场景理解等挑战,未来技术将持续优化,深化智能驾驶体验,引领交通行业变革。
|
4月前
|
机器学习/深度学习 并行计算 算法
Ebsynth:利用图像处理和计算机视觉的视频风格转换技术工具
EbSynth 是一款基于视频风格转换技术的工具,专注于将静态艺术风格应用到视频中的每一帧,使视频具有独特的艺术效果。它利用图像处理和计算机视觉技术,将用户提供的参考图像或绘画风格转换为视频效果。
144 2
|
5月前
|
机器学习/深度学习 人工智能 监控
计算机视觉技术在安防领域的应用深度解析
【7月更文挑战第28天】计算机视觉技术作为人工智能领域的重要分支,在安防领域的应用前景广阔。通过不断提升技术性能和解决实际应用中的问题,计算机视觉技术将进一步提升安防工作的效率和准确性,为公共安全和社会稳定贡献更大的力量。
|
7月前
|
机器学习/深度学习 监控 算法
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等)-1
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等)-1

热门文章

最新文章

下一篇
DataWorks