Problem
Computer vision-systemer fungerer ofte bra i kontrollerte tester, men svakere i praksis når lys, bakgrunn, kamera, vinkel og objektvariasjon endrer seg. Dette prosjektområdet handlet om praktisk visuell AI under mer realistiske forhold.
Løsning
Arbeidet inkluderte en robust ML-modell for fargegjenkjenning under varierende lysforhold, CNN-basert bildeklassifisering og bruk av transfer learning på flere visuelle oppgaver. Jeg jobbet også med objekt-deteksjon, semantisk segmentering og pose-estimering.
Dette viser erfaring med flere typer visuelle AI-problemer: klassifisering, deteksjon, segmentering, keypoint-estimering og bildebehandling.
Resultat
Fargegjenkjenningsmodellen oppnådde omtrent 95% accuracy under varierende lysforhold. CNN-basert bildeklassifisering oppnådde høy testnøyaktighet i en kontrollert binær klassifiseringsoppgave.
For bedrifter er dette relevant for visuell inspeksjon, objektgjenkjenning, kvalitetskontroll, kameraanalyse, tekniske bilder og bildebaserte automasjonsflyter.