# AI 教練課程
[toc]

## 指導老師 [林嘉文](https://www.ee.nthu.edu.tw/cwlin/)
[林嘉文老師email]([e-mail])

## 10/14導師開會會議紀錄
1. 專案對公司重要性
2. 經過專案後有那些效益
3. 尚有那些未解決問題,未來建議方向
4. 如資料不平衡等...
5. 未來可廷伸公司那些應用
資策會建議要有AI模型準確度的評估
## 論文參考資料
[老師提供原始論文](https://ieeexplore.ieee.org/document/9522724?denied=)
[ 論文demo及資料集Real-time analogue gauge transcription on mobile phone]
(http://jjcvision.com/projects/gauge_reading.html)
論文內容:
使用方法
合成約10000張影像用CNN訓練模型在手機上可執行辨識儀表數據,驗證集1000張,使用了不同顏色,型狀,燈光,大小及背景(亂數取google 街景)
方法說明
三階段

第一階段:儀表偵測
使用低解析度影像偵測,取得儀表的bounding box,推斷儀表背面（刻度所在的位置）

第二階段：透視校正
通過首先使用關鍵點檢測器預測虛擬儀表面平面的四個角來校正因照片偏移造成失真

第三階段儀表讀數
由於指針與儀表背面不在同一個 3D 平面上，因此相機視圖的側面可能會因視差而導致讀取錯誤。通過預測投影到儀表背面的指針尖端和中心位置的坐標而不是它們的真實坐標來減少這個錯誤。這個投影是在我們的基本事實註釋中完成的，以訓練模型。

為了產生儀表讀數的最終值，首先計算指針角度的估計值。這個角度是參考刻度最小點取的，可以很容易地用餘弦規則和一些條件邏輯來計算。假設刻度是線性的，則使用簡單的線性插值來推斷讀數
訓練的細節:
使用MobileNetV2使用ImageNet預訓練模型
準確率:
使用6種儀表類別做為計算依據
gauge detection以圓心

[]()
[老師提供論文第13篇reference 本篇的base line](https://www.scitepress.org/Papers/2019/73860/73860.pdf)
論文
[第13篇source code](https://bitbucket.org/aauvap/pressure-gauge-reader/src/master/)
[gaudge reader kaggle dataset](http://kaggle.com/juliusgrassme/pressure-gauge-reader-data)
## 10/21
[Lane-lines-detection-using-Python-and-OpenCV ](https://github.com/mohamedameen93/Lane-lines-detection-using-Python-and-OpenCV)

[building-a-lane-detection-system-](https://medium.com/analytics-vidhya/building-a-lane-detection-system-f7a727c6694)

[centernet 論文參考的網路](https://gino6178.medium.com/%E7%89%A9%E4%BB%B6%E5%81%B5%E6%B8%AC-centernet-%E4%BB%8B%E7%B4%B9-3789307de1ee)