计算机视觉识别的工作方式主要通过以下几个步骤：
1.图像预处理：对图像进行预处理，如去噪、校正图像像素等，以确保图像质量。
2.特征提取：通过各种图像处理技术，从图像中提取有用的特征信息，如边缘、轮廓、颜色值等。
4.识别结果输出：根据分类结果，输出识别结果，如图像中的物体类型、人脸识别等。
每一个步骤都需要使用合适的算法和技术，才能确保视觉识别输出结果准确性和高效性。
下图左侧是亚伯拉罕·林肯灰度图像缓冲区的简单插图，每个像素由一组8位数字表示，范围从0（黑色）到255（白色），右侧是识别图像时软件识别出的不同的颜色值。
计算机视觉识别的主要应用功能
1、图像分类
不过由于单一目标识别对深度学习算法来说是正确率最高的，所以实际上很多应用会先通过目标检测方法找到该目标，再缩小撷取影像范围进行图像分类。所以只要是目标检测可应用的范围，通常也会使用图像分类方法。
图像分类，需要先对本地图像进行边框标记，这个操作需要手动标记才能完成，这样就催生出一个职业-人工智能标注师，比如下图左侧是原始图片，右图是被标记过的图像，就会把它标注到猫的分类中。
2、目标监测
一张图像内可有一或多个目标物，目标物也可以是属于不同类别。算法主要能达到两种目的：找到目标坐标及识别目标类别。
简单来说，就是除了需要知道目标是什么，还需要知道它在哪个位置。
3、语义分割
实例分割是语义分割的升级版本。它不是将相同的像素值分配给同一类中的所有对象，而是分段并显示同一类的不同实例。如果在图像中检测到多个相同的对象，则会相应地对其进行标记，如下图所示，绵羊1、绵羊2和绵羊3会被单独分割识别出来，它通常用于计数。
流行的计算机视觉库和框架
边缘设备部署
OpenCV
我们的合作伙伴alwaysAI将OpenCV构建为边缘计算环境的核心部分。这意味着在每个alwaysAI应用程序中，您都可以添加导入cv2并在您的应用程序中使用OpenCV。alwaysAI围绕OpenCV构建了一套工具，以实现端到端流程的无缝衔接，并解决了使用边缘设备时一些常见痛点。
TensorFlow是一个端到端的开源ML平台，能够执行无数的任务，包括计算机视觉。TensorFlowLite允许您在移动和边缘设备上运行模型，而TensorFlowJS适用于Web。它运行在Windows，macOS和WSL2上，支持Python，C，C++，Java等。
SeeedreTerminal
使用SeeedreTerminal设备快速部署TensorFlowLite框架，具体方法请看下面的地址：
reComputerforJetson
审核编辑：刘清
原文标题：边缘计算|什么是视觉识别？如何在边缘设备部署视觉识别？
长沙市望城经济技术开发区航空路6号手机智能终端产业园2号厂房3层（0731-88081133）