Tensorflow 是否应使用深度学习分类对瓶子中的液位等细节进行分类

deep learning classification

可用于精确地

标记/分类对象及其特征之一。例如，识别瓶子（如威士忌）和瓶子中的液位（以10%的步长-如50%满）。这是利用一些
深度学习框架
（Tensorflow等）或其他更有效的方法可以最好地解决的问题吗？
好吧，如果酒的颜色好，这应该是可能的。如果不是（例如杜松子酒、伏特加），我想说，当你从自然视角和距离观察物体时，你就没有机会使用今天的技术

对于有色液体，我会训练两个探测器。一个用于检测瓶子，另一个用于检测提供给瓶子的酒。两者之间的比率将是您的百分比

一些经过验证的最先进的基于深度学习的对象检测器（只需谷歌搜索）：


多箱
约洛
快速RCNN

或非深度学习型：


可变形零件模型

编辑：

我被要求详细说明。以下是一个例子：

例如，盒子检测器在图像中[0.1,0.2,0.5,0.6]（最小高度，最小宽度，最大高度，最大宽度）处绘制一个盒子，这是瓶子的相对位置

现在，从原始图像裁剪瓶子，并将其送入第二个检测器。第二个检测器在裁剪的瓶子图像中绘制，例如[0.2,0.3,0.7,0.8]，该位置表示检测到的液体。现在（0.7-0.2）*（0.8-0.3）=0.25是液体相对于瓶子面积的相对面积，这是OP要求的

编辑2：

我输入了这个回复，假设OP想要使用深度学习。我同意如果OP仍然不确定深度学习，应该考虑其他方法。对于瓶子检测，基于深度学习的方法已经显示出比传统方法有很大的优势。瓶子检测恰好是PASCAL VOC挑战中的一类。请参见此处的结果比较：

然而，对于液体检测，深度学习可能有点过头了。例如，如果你知道你想要什么颜色，即使是一个简单的滤色器也会给你“一些东西”
 嗯，如果酒的颜色好的话，这应该是可能的。如果不是（例如杜松子酒、伏特加），我想说，当你从自然视角和距离观察物体时，你就没有机会使用今天的技术

对于有色液体，我会训练两个探测器。一个用于检测瓶子，另一个用于检测提供给瓶子的酒。两者之间的比率将是您的百分比

一些经过验证的最先进的基于深度学习的对象检测器（只需谷歌搜索）：


多箱
约洛
快速RCNN

或非深度学习型：


可变形零件模型

编辑：

我被要求详细说明。以下是一个例子：

例如，盒子检测器在图像中[0.1,0.2,0.5,0.6]（最小高度，最小宽度，最大高度，最大宽度）处绘制一个盒子，这是瓶子的相对位置

现在，从原始图像裁剪瓶子，并将其送入第二个检测器。第二个检测器在裁剪的瓶子图像中绘制，例如[0.2,0.3,0.7,0.8]，该位置表示检测到的液体。现在（0.7-0.2）*（0.8-0.3）=0.25是液体相对于瓶子面积的相对面积，这是OP要求的

编辑2：

我输入了这个回复，假设OP想要使用深度学习。我同意如果OP仍然不确定深度学习，应该考虑其他方法。对于瓶子检测，基于深度学习的方法已经显示出比传统方法有很大的优势。瓶子检测恰好是PASCAL VOC挑战中的一类。请参见此处的结果比较：

然而，对于液体检测，深度学习可能有点过头了。例如，如果你知道你想要什么颜色，即使是一个简单的滤色器也会给你“一些东西”
 深度学习的经验法则是，如果它在图像中可见，因此专家可以仅根据图像告诉您答案，那么如果有足够的带注释的数据，您可以通过深度学习来了解这一点的几率非常高

但是，您不太可能拥有执行此任务所需的数据，因此，如果我可以简化此问题，我会问自己一个问题。例如，你可以拿杜松子酒、伏特加等酒，用筛子在新场景中再次找到瓶子。然后RANSAC进行瓶子检测，并将瓶子从图像中剪掉

然后我会尝试使用梯度特征来找到液位的边缘。最后，您可以使用（液体边缘-底部）/（顶部瓶-底部瓶）计算百分比
 深度学习的经验法则是，如果它在图像中可见，因此专家可以仅根据图像告诉您答案，那么如果有足够的带注释的数据，您可以通过深度学习来了解这一点的几率非常高

但是，您不太可能拥有执行此任务所需的数据，因此，如果我可以简化此问题，我会问自己一个问题。例如，你可以拿杜松子酒、伏特加等酒，用筛子在新场景中再次找到瓶子。然后RANSAC进行瓶子检测，并将瓶子从图像中剪掉

然后我会尝试使用梯度特征来找到液位的边缘。最后，您可以使用（液体边缘-底部）/（顶部瓶-底部瓶）计算百分比
 识别酒瓶标签应该不难做到——它甚至可以“随时可用”，而且价格便宜（实际上可以在他们的网站上使用它来识别酒瓶标签）：

关于液位，这可能是AWS无法立即解决的问题-b