yolo絡みの「opencv」。

手ブレ補正ならぬブレてしまった後の画像補正処理。
少し前だと完全に諦めてしまうレベル。

レンズフォーカスによるボケと、手ブレによる補正の二種。
下はサンプル画像を個人的に補正してみたもの。（Python）

いずれの写真もそのままでは読み取り不可能な状態だが、「deconvolution.py」のソースを利用する事で解読できる程度までに補正できる。

レンズ・フォーカスによるボケの補正。

左側は処理が記述された「Python」のソースの一部。
先に必須ライブラリの、numpy と cv2 をインポートしておく。
fnにターゲットの画像をセット。


縦にブレてしまった文章の補正


動いている車両のナンバープレート。
ベクトルのはっきりしたブレではナンバーが読める状態まで補正できてしまう。



顔認証とは程遠い方向になってきた。
deconvolution参考：Wiki
ディープラーニングにおけるdeconvolutionとは何か

メモ
いずれやってみたい。

OpenCV、PyTorch、Pythonを使用してカスタムオブジェクト検出用のYOLO（v5）データセットを作成する動画

牛、鳥、羊、クマ、犬・・
変幻自在な謎の生き物。

鳥認識の瞬間は「耳」を羽としての誤認か？（確率0.5弱と強気）
「クマ」は納得。

アップでは顔認証に切り替わる。

猫として認識されないところにすごさを感じる！


最後に「dog」として認めてもらえて良かった。
すべてはデータセット次第。

参考動画
How to Train YOLO v5 on a Custom Dataset

C国のニュースでよく見かける認証映像。

以前から興味はあったが、なかなか面倒そうなので後回しになっていた。
重い腰をあげたのは「FB」の榛様の紹介記事が切っ掛け。

最新版の、「yoloV5」
ブラウザ上で検証。　



近くのコープ駐車場で記録された、ドラレコの22秒動画を使って試してみた。

参考動画
How to Train YOLO v5 on a Custom Dataset

今回利用したデータセットでの認証精度はなかなかのもの。
コーラの自販機がときおり看板で、案内板は信号機に。
人は近づくにつれ、認識率が上がる。

22秒のドラレコ動画。

何かをしなければ・・だけの理由でMarlin・Firmwareをアップデート。

1.1.0-RC6　旧バージョン起動画面
;

Marlin 1.1.9バージョンアップ画面。
印刷前のノズルクリーニング機能の追加や、オートレベリング時の挙動に変化は見られるものの、プリント後の質に、特に変化は見られなかった。
（微妙すぎて分からない？）
起動画面とリセット画面。　どちらも同じ。


オートレベリングの様子 （近接センサー)
ノズル先端とベッドのクリアランスは1mm。
「#define AUTO_BED_LEVELING_BILINEAR」 を使用


Marlin1.1.9のオートレベル設定で参考にしたページ
ここをクリックして「Marlin」設定ページへ


Marlinのブート画面作成・リンクアドレス
https://marlinfw.org/tools/u8glib/converter.html



添付ファイルは「ゆきの散歩道」ブートファイル