获取信息的过程可以类比成人类“看”这个动作。在i识别设备中，我们须要首先通过摄像头拍摄到秤盘的商品，将光感信息转化为机器可以识别的电信息。比如，在图像描述中，我们可以通过不同的色彩模式下的参数来描述每个像素点，从而描述一张照片，比如HSB色彩模式就可以通过色相，饱和度，亮度三个维度来描述像素，此外，还有大家常见的RGB、LAB、灰度等多种办法。
HSB光谱
（2） 信息的预处理
预处理便是将照片进行图像识别前的处理过程，包括对信息的挑选和加工。首先是挑选，在摄像头拍下照片的时候，我们须要快速在拍摄的多张照片中，挑选最清晰的一张拿来利用。接下来是照片降噪处理。这里面对图像的处理包括：图像修复添补、图像去雾处理、图像比拟增强、图像无损放大、拉伸图像规复、图像清晰度增强、图像色彩增强等等。终极，只为打消滋扰成分，得到一张最适宜算法去识别的照片。
拉伸图像规复
（3）特色抽取和选择
大略地理解便是我们所研究的图像是各式各样的，有的图像里包含苹果，有的图像包含喷鼻香蕉，如果要将这些图片进行分类，就要通过这些图像所具有的本身特色来识别，而获取喷鼻香蕉、苹果这些特色的过程便是【特色抽取】。在特色抽取中所得到的特色大概对这次识别并不都是有用的，比如苹果上贴有一个标签，我们没有通过标签来识别的操持，这个时候就要提取苹果干系的特色，摒弃标签的特色，这便是【特色的选择】。特色抽取和选择在图像识别过程中是非常关键的技能之一，以是对这一步的理解是图像识别的重点。
（4） 分类器设计和分类决策
【分类器设计】是指通过演习而得到一种识别规则，通过此识别规则可以得到一种特色分类，使图像识别技能能够得到高识别率。【分类决策】是指在特色空间中对被识别工具进行分类，从而更好地识别所研究的工具详细属于哪一类。比如我们在无码商品的识别中，我们创造有大面积叶子的特色的，都属于蔬菜，由于我们可以在特色分类中加上蔬菜这个分类，这样，算法创造有大面积叶子的特色时就会在叶子蔬菜这个分类中去匹配，而不会跑到水果或者干货的品类中去。
拍摄图片
识别到特色主体
怎么提高图像识别的准确率？
（1）样本增强
数据增强是指在演习的过程中，为了得到更多的样本和仿照实际情形中的多变的情形，对图像进行不同的处理以得到多样的样本。比如，一只正常小猫的照片，我们可以通过将照片进行去色，增加曝光，模糊、锐化，旋转，翻转，加上有色滤镜等处理。增加验证准确性的最大略方法之一是添加更多数据。在没有很多演习实例，这将特殊有用。
样本增强技能
（2） 精确操作，避免脏数据
在图像识别的过程中，送入演习图像越干净，模型识别的准确率就会越高。这里的干净，便是指有效样本，比如，正常的送入i识别的样本，都该当是包含水果蔬菜之类的无码商品的，而操作员在利用过程中用摄像头拍下一些手机、钱包、或是主体不清晰的照片等，不在演习样本范围内的照片，这样子的我们称之为脏数据，脏数据在越多，准确率就会越低。
脏数据
有效数据
（3） 利用清晰度得当的照片
和人眼识别一样，如果输入的图像太小，会不利于模型对图像识别图像特色。但是，也不是图像越大越好，如果图像太大，则会增加打算机所需的打算资源，并且模型如果不足繁芜，也无法处理它们。以是，怎么选出最适宜该商业场景的图像大小也是一门技能活。
（4）同时利用多套算法，然后将多套算法进行PK
在i识别的算法中，我们就创新地支配了多套算法，让不同的算法分别进行识别打算，然后将多套算法的识别结果进行PK，显示最有可能的那一张。比如，我们得放上一根黄瓜，在A算法中，得出的黄瓜的概率最高，是80%；在B算中得出的苦瓜的概率最高，是30%。这两个结果pk后，80%明显大于30%。以是我们会推举黄瓜，并且将黄瓜放在第一位展示出来，将苦瓜放在第二位。
多个算法PK
AI技能发展至今，面临的新寻衅是什么？
随着技能的成熟与发展，就像人的大脑无法影象浏览器所承载的内容一样，机器对付图像的处理在效率和准确度上可以超越人类，也毋庸置疑。
技能成熟后，科学技能职员所面对的是一些新的问题。如何让这些技能为我们所用，走出高昂的用度，走出实验室的苛刻条件，走入繁芜的现实天下，走入各行各业和平凡百姓家。
通过i识别在生产过程中所办理的问题，大概可以理解对从技能到运用之间的间隔。
（1） 最普通的摄像头
首先，i识别所须要的摄像头，是最普通的720P的摄像头，且不说不是什么工业的专业镜头，就连最普通的手机摄像头都比它拍出的照片清晰多倍，轻微放大一些就能看到清晰的像素码。
（2）极小的算力
其次，i识别所需算力极小。在正常的称重设备上，都有一个芯片供设备本身的系统（windows/安卓）运行，而i识别和这个别系共同用一个芯片的算力，同时哀求运算速率在毫秒级别。此外，为了准确率和离线处理，我们还须要同时支配多套神经网络算法和本地自学习算法。
（3）繁芜的现实环境
在实际的场景中，i识别须要面对的环境也非常地繁芜。不仅要面对生鲜商品随着时令的颜色形态变革，也须要面对不同门店的光环境，不同包装袋透光率等等。
虽然，算法基本的底层框架都差不多，但是对付实际场景的利用，还是会有千差万别的处理办法，要想做好某个领域的AI产品，还是得技能和行业两手抓。