Как отличить левые и правые ножницы по металлу


Как выбрать ножницы по металлу

Ремонт кровли, выравнивание стен с помощью гипсокартона – такие работы сопровождаются резкой металла. Необходимых размеров алюминиевого профиля или листа можно добиться с помощью ножовки по металлу, но это долгий и трудоемкий процесс, еще и срез выглядит не лучшим образом. В такой ситуации помогут ножницы по металлу. Срез, сделанный ножницами, ровный и аккуратный. В статье я расскажу, как правильно выбрать ножницы по металлу.

В продаже представлен широкий ассортимент ножниц по металлу. По внешнему виду и строению режущего механизма выделяют три вида ножниц по металлу.

  • Ручные ножницы по металлу. Внешне похожи на обычные портные или канцелярские ножницы, но их ручки усилены резиновой накладкой, а режущие элементы настолько прочны, что способны разрезать металлический лист толщиной до 0,7 мм (цветной металл до 1,4 мм). Некоторые модели усилены пружиной для уменьшения физических усилий, применяемых для разрезания. Наличие фиксатора – дополнительный элемент удобства и безопасности.

Перед покупкой ножниц по металлу определитесь с видами работ, которые предстоят в процессе строительства или ремонта. В зависимости от области применения, выделяют четыре вида ножниц по металлу.

  • Прямые ножницы по металлу. Предназначены для прямого реза. Делятся на два типа. У одних моделей режущая часть инструмента находится на одном уровне с рукоятками. Такими ножницами удобно работать с профилем, подрезать и ровнять лист металла. У вторых моделей режущая часть смещена относительно рукоятки вниз. Этими ножницами делают продольные длинные разрезы. Благодаря смещению рукояток, лезвия не застревают в металле и руки оператора защищены от порезов.

Перед покупкой обратите внимание на сторону реза ножниц по металлу. Правые ножницы означают, что снизу находится правое лезвие, ими проще и ровнее получается круглый срез в правую сторону. У левых ножниц снизу левое лезвие, они предназначены для поворота среза налево. Кроме того, играет важную роль удобство работы с ножницами: правше будет проще резать левыми ножницами, не заглядывая через руку для проверки направляющей линии; левше, наоборот, удобнее работать с правыми ножницами. Существенным критерием выбора ножниц по металлу является вес инструмента. Использование в конструкции пластиковых элементов облегчит инструмент, но не работу с ним. Чем тяжелее ножницы, тем проще резать металл. Качественные ножницы по металлу отличают литые стальные элементы и кованные лезвия, такой инструмент прослужит ни один год.

Работа ножницами по металлу подразумевает знание и применение техники безопасности. Не забывайте о защите рук и глаз, будьте аккуратны, выполняя резку металла на высоте.

javascript - разные способы различать щелчок левой и правой кнопкой мыши, какой из них использовать?

Переполнение стека
  1. Около
  2. Товары
  3. Для команд
  1. Переполнение стека Общественные вопросы и ответы
  2. Переполнение стека для команд Где разработчики и технологи делятся частными знаниями с коллегами
  3. Вакансии Программирование и связанные с ним технические возможности карьерного роста
.

javascript - различие между щелчком левой и правой кнопкой мыши в IE и Firefox

Переполнение стека
  1. Около
  2. Товары
  3. Для команд
  1. Переполнение стека Общественные вопросы и ответы
  2. Переполнение стека для команд Где разработчики и технологи делятся частными знаниями с коллегами
  3. Вакансии Программирование и связанные с ним технические возможности карьерного роста
  4. Талант Нанимайте технических специалистов и создавайте свой бренд работодателя
.

Как реализовать модель CNN для подсчета пальцев и различения левой и правой руки?


Сверточная нейронная сеть (CNN), обладая вычислительной мощью, способна автоматически обнаруживать важные особенности без участия человека. Кроме того, по сравнению с обычными нейронными сетями точность моделей CNN всегда высока и считается одной из сильных архитектур, когда дело доходит до классификации изображений. Модели CNN теперь способны выполнять классификацию лучше, чем люди; он превзошел человеческие способности классифицировать изображения.

В этой статье рассказывается о проблеме Kaggle, которая заключается в прогнозировании количества пальцев, а также о различении левой и правой руки. Мы построим модель CNN, чтобы классифицировать количество пальцев, а также различать руки. Мы будем напрямую импортировать данные из Kaggle и будем использовать Google Colab для их реализации, чтобы получить выгоду от GPU и TPU, предоставляемых Google Colab. Вы можете использовать записную книжку Jupyter или любую другую среду IDE для построения нейронной сети.

Что в этой статье?

  • Загрузка набора данных из Kaggle
  • Модель CNN для классификации по подсчету пальцев
  • Обучение модели CNN этой задаче
  • Получение точности

Набор данных

В наборе данных, который мы загрузим из Kaggle, у нас есть 21 600 изображений пальцев левой и правой руки. Все изображения имеют размер 128 на 128 пикселей. У нас 18000 изображений в обучающей выборке и 3600 изображений в тестовой.Ярлыки находятся в двух последних символах имени файла. L / R означает левую / правую руку; 0,1,2,3,4,5 указывает количество пальцев.



Реализация CNN для классификации подсчета пальцев с помощью графического процессора

Во-первых, нам нужно включить графический процессор. Для этого перейдите в «Runtime» в Google Colab, затем нажмите «Change runtime type» и выберите GPU, как показано на изображении ниже.

После того, как вы включите среду выполнения в качестве графического процессора, вы можете подойти и навести указатель мыши на отображение использования оперативной памяти и диска и проверить, включен ли графический процессор.Если графический процессор работает, вы увидите сообщение «Connected to Python 3 Google Compute Engine backend (GPU) *», как показано на изображении ниже.

Загрузка набора данных из Kaggle

После того, как он будет включен, мы продолжим установку зависимостей. Поскольку мы будем импортировать данные напрямую из Kaggle, нам необходимо установить пакет, который это поддерживает. Итак, мы установили пакет Kaggle, как показано ниже.

! Pip install Kaggle 

После того, как вы установили пакет, нам нужно импортировать все необходимые библиотеки.Используйте приведенный ниже код для того же.

 импортировать тензорный поток как tf из zipfile импортировать ZipFile import os, glob из skimage.io импорт imread из skimage.transform import resize импортировать matplotlib.pyplot как plt случайный импорт предупреждения об импорте из scipy import ndarray импортировать изображение как sk из преобразования импорта изображения from skimage import util из skimage import io из показателей импорта sklearn из tqdm._tqdm_notebook импортировать tqdm_notebook как tqdm импортировать numpy как np из keras.models импорт Последовательный из кераса.слои импортируют Convolution2D, Dropout, Dense from keras.layers import BatchNormalization из keras.layers импортировать MaxPooling2D из keras.layers import Flatten от keras.optimizers import adam от keras.optimizers import sgd from keras.layers import LeakyReLU из numpy import asarray 

После того, как мы импортировали библиотеки, можно импортировать данные из Kaggle. Для этого нам нужно сначала добавить файл kaggle.json, который вы получите, создав новый токен API на Kaggle. Зайдите в мою учетную запись в Kaggle и прокрутите вниз, вы увидите вариант для создания нового API.После того, как вы нажмете на него, будет загружен файл «kaggle.json». После того, как у вас есть этот файл, загрузите его и измените разрешения, используя код, показанный ниже.

 из файлов импорта google.colab files.upload () ! mkdir -p ~ / .kaggle ! cp kaggle.json ~ / .kaggle / ! chmod 600 ~ / .kaggle / kaggle.json 

Как только мы закончим с этим, мы импортируем набор данных непосредственно в Google Colab, используя следующий API для извлечения данных, которые задаются в задаче Kaggle.

! Загрузка наборов данных kaggle -d корякинп / пальцы 

После того, как вы запустите указанную выше команду, будет загружен zip-файл с данными.Теперь нам нужно разархивировать файл, используя приведенный ниже код.

 из zip-файла импортировать ZipFile file_name = "finger.zip" с ZipFile (имя_файла, 'r') как zip: zip.extractall () print ('Готово') 

После того, как мы разархивируем файл данных. Мы создадим два списка для хранения обучающего образа и соответствующих обучающих меток. После создания списка мы прочитали данные обучения и метки обучения в соответствующем списке, используя приведенный ниже код.

 X_train = [] y_train = [] os.chdir ('/ content / train') для i в tqdm (os.listdir ()): img = cv2.imread (я) img = cv2.resize (img, (128,128)) X_train.append (img) y_train.append (я [-6: -4]) 

Давайте визуализируем несколько обучающих изображений с соответствующими метками, используя код, показанный ниже на изображении. Используйте приведенный ниже код, чтобы визуализировать 10 обучающих выборок с их метками, как показано на изображении.

% встроенного matplotlib импортировать matplotlib.pyplot как plt plt.figure (figsize = (10, 1)) для i в диапазоне (10): plt.subplot (1, 10, i + 1) plt.imshow (X_train [i], cmap = "серый") plt.axis ('выкл.') plt.show () print ('метка для каждого изображения выше:% s'% (y_train [0:10])) 

Мы снова создаем два других списка для хранения тестовых изображений и соответствующих тестовых этикеток. И снова мы читаем изображения и их ярлыки в соответствующих списках.

 X_test = [] y_test = [] os.chdir ('/ контент / тест') для i в tqdm (os.listdir ()): img = cv2.imread (я) img = cv2.resize (img, (128,128)) X_test.append (img) y_test.добавить (i [-6: -5]) 

Затем мы проверили форму обучающего и тестового изображений, которая оказалась равной 128 * 128 * 3, и проверили общую метку в y_train и y_test, которые были по 12 в каждой.

После этого мы преобразуем метки с помощью LabelEncoder, а затем преобразуем их в категориальные, имеющие 12 классов, и преобразуем их в массивы. Вы можете обратиться к изображению ниже для того же.

 print ("Форма изображения в X_train:", X_train [0] .shape) print ("Форма изображения в X_test:", X_test [0].форма) print ("Всего категорий:", len (np.unique (y_train))) print ("Всего категорий:", len (np.unique (y_test))) 
 le = предварительная обработка.LabelEncoder () y_train = le.fit_transform (y_train) y_test = le.fit_transform (y_test) y_train = tf.keras.utils.to_categorical (y_train, num_classes = 12) y_test = tf.keras.utils.to_categorical (y_test, num_classes = 12) y_train = np.array (y_train) X_train = np.array (X_train) y_test = np.array (y_test) X_tese = np.array (X_test) 

Как только это будет сделано, мы наконец проверили форму обучающих и тестовых изображений и их меток, как показано на изображении ниже.

Смотрите также
 print ("X_train Shape:", X_train.shape) print ("Форма X_test:", X_test.shape) print ("Форма y_train:", y_train.shape) print ("y_test Shape:", y_test.shape) 

Модель CNN для классификации по подсчету пальцев

Затем мы инициировали модель как последовательную и определили слой пакетной нормализации с 4 слоями свертки и 4 слоями maxpool с функцией активации как relu, за которой следует сглаженный слой и полностью связанный слой. Последний полностью подключенный уровень имеет 12 как выходной класс и функцию активации как softmax.

 m1 = Последовательный () m1.add (BatchNormalization (input_shape = (128,128,3))) m1.add (Convolution2D (32, (3,3), активация = 'relu', input_shape = (128, 128, 3))) m1.add (MaxPooling2D (размер_пул = 2)) m1.add (Convolution2D (Filters = 6, kernel_size = 4, padding = 'same', activate = relu ')) m1.add (MaxPooling2D (размер_пул = 2)) m1.add (Convolution2D (filters = 128, kernel_size = 3, padding = 'same', activate = 'relu')) m1.add (MaxPooling2D (размер_пул = 2)) m1.add (Convolution2D (filters = 128, kernel_size = 2, padding = 'same', activate = 'relu')) m1.добавить (MaxPooling2D (pool_size = 2)) m1.add (Свести ()) m1.add (Dense (единицы = 128, активация = 'relu')) m1.add (Dense (единицы = 64, активация = 'relu')) m1.add (Dense (единицы = 32, активация = 'relu')) m1.add (Плотный (единицы = 12, активация = 'softmax')) 

После этого мы компилируем модель, используя Адам в качестве оптимизатора, потерю как категориальную кросс-энтропию и метрики как точность, как показано ниже.

 m1.compile (optimizer = 'adam', loss = 'category_crossentropy', metrics = ['precision']) 

Обучение модели CNN

После того, как модель скомпилирована, мы подгоняем наши данные обучения и проверки к модели и запускаем процесс обучения.Мы присвоили эпохам 30. Код для обучения показан ниже на изображении. Процесс повторяется до 30 эпох, и вычисляются 4 вещи: точность обучения, потеря, потеря проверки и точность проверки.

Модель
 = m1.fit (X_train, y_train, эпох = 30, validation_data = (X_test, y_test), verbose = 1, initial_epoch = 0) 
 

Получение точности

После завершения обучения мы можем оценить модель и вычислить потери и точность, используя приведенный ниже код.

 loss_and_metrics = m1.evaluate (X_test, y_test) печать (loss_and_metrics) 

Прогнозы по подсчету пальцев

Теперь мы можем использовать эту модель для случайной проверки прогноза и фактической метки нескольких изображений. Используйте нижеприведенное, чтобы сделать то же самое. Мы генерируем случайное число для выбора изображения, а затем делаем прогноз этого изображения с помощью модели. Вы можете сравнить это с реальной этикеткой изображения. Для обоих случайно выбранных изображений модель предсказала правильно.

 предсказанные_классы = m1.предсказать (X_train [:,:,:,:]) предсказанные_классы = np.argmax (np.round (предсказанные_классы), ось = 1) предсказанные_классы [0] импортировать numpy как np k = X_train.shape [0] r = np.random.randint (k) р 15614 print ("Прогноз:", предсказанные_классы [r]) print ("\ nActuals:", y_train [r]) k = X_train.shape [0] r = np.random.randint (k) р 14487 print ("Прогноз:", предсказанные_классы [r]) print ("\ nActuals:", y_train [r]) 

Вы всегда можете настроить параметры для улучшения производительности модели, такие как эпохи и оптимизаторы.Также для большей точности вы также можете использовать предварительно обученные архитектуры, такие как ResNet и VGG16, которые обучены на наборе данных Image Net.

Прочтите здесь одну такую ​​статью, в которой вы можете узнать больше о реализации таких архитектур «Практическое руководство по реализации ResNet50 в PyTorch с TPU». Кроме того, мы можем использовать такие модели классификации по количеству отпечатков пальцев для подсчета количества отпечатков пальцев в режиме реального времени с помощью веб-камеры. и OpenCV.

Заключение

Я завершаю статью, заявляя, что эти модели могут использоваться в различных приложениях, таких как управление кофемашинами в офисах с помощью подсчета пальцев и домашней автоматизации для управления приборами с использованием подсчета пальцев, чтобы оставаться бесконтактными в это время COVID.Эта модель может применяться в самых разных приложениях. Надеюсь, вы поняли, как построить такую ​​модель подсчета пальцев с помощью CNN. Теперь вы можете изучить различные варианты использования этого типа моделей.


Если вам понравилась эта история, присоединяйтесь к нашему сообществу Telegram.

Кроме того, вы можете написать для нас и стать одним из 500+ экспертов, которые написали статьи на AIM. Поделитесь своими номинациями здесь.
.

Почему у некоторых возникают проблемы с различением левого и правого?

Для некоторых людей указать направление является проблемой. Чувство направления определенно не является их сильной стороной, и автоматически трудно различать левое и правое. Это классические люди, которым, когда им дают указание и они пытаются следовать ему, всегда нужно говорить: «Не то право, другое право».

Если это случится и с вами, вы должны знать, что вы не одиноки.Подсчитано, что 20% населения мира испытывает трудности с ориентацией в пространстве и отличием правого от левого. Также известно, что эта проблема чаще встречается у левшей, женщин и людей с высоким IQ.

Научиться отличать левого от правого сложнее, чем кажется

Во время роста чувство направления вправо / влево проходит через две разные фазы. Во-первых, это внутриличностный процесс, то есть мы учимся различать правое и левое в нашем образе тела.Позже мы оставляем этот «эгоистичный» подход и вступаем в сверхличный процесс, который позволит нам различать обе стороны с точки зрения другого человека или перед зеркалом.

Внутриличностная стадия наступает в возрасте около 5 лет и связана с обучением чтению и письму. Фактически, в этом возрасте дети часто меняют написание букв и цифр. Фаза межличностного общения развивается примерно в 9 лет, но, по оценкам, примерно в 11 лет только 50% детей овладевают этим навыком.

На самом деле, это непростое обучение, потому что оно включает в себя различные когнитивные функции, от памяти до способности обрабатывать и интегрировать визуальную информацию, а также пространственное восприятие. К этому добавим, что это система координат, которая changees, так как левая и правая меняются в зависимости от исходной точки.

Вопрос симметрии мозга и пространственного интеллекта

Существует несколько заболеваний, таких как пространственная агнозия, которые вызывают трудности с ориентацией и вызваны повреждением мозга.Поэтому нейробиологи считают, что объяснение этой проблемы может лежать в мозге.

Фактически, считается, что способность различать правое от левого зависит в первую очередь от левого полушария и, в частности, от теменной доли. Но есть теория, которая связывает трудность различения правого и левого с симметрией мозга. У большинства людей есть небольшая церебральная асимметрия, что означает, что одно полушарие немного больше другого и играет доминирующую роль в выполняемых функциях и деятельности.

Интересно, что чем выше симметрия двух полушарий, тем труднее человеку отличить правое от левого. Эта теория объясняет, почему женщины часто путают обе части тела, поскольку симметрия мозга у них обычно выше, чем у мужчин. Подсчитано, что 8,8% мужчин часто путают правое и левое, а у женщин этот процент возрастает до 17,5%.

К счастью, это не проблема, это просто означает, что у человека недостаточно развит свой пространственный интеллект, способность ориентироваться в пространстве.Фактически, каждый человек уникален, создан по «особой формуле», в которой интеллект смешан в той или иной степени. Так что тот, кто испытывает трудности с ориентировкой в ​​космосе, обычно показывает блестящий интеллект в других сферах жизни.

Какую роль играет концентрация?

Дело в том, что даже люди, которые автоматизировали эту способность, все еще не могут отличить левое от правого. В связи с этим исследователи из Королевской больницы Виктории провели исследование с участием 234 студентов-медиков и обнаружили, что, когда они отвлекались, им было трудно отличить левую от правой, что значительно увеличивало вероятность того, что они совершат ошибки в своей работе.

Очевидно, что это плохая новость для пациентов, особенно если учесть, что люди, работающие в больницах, часто подвергаются сильному стрессу. Фактически, статистика показывает, что одна из каждых 112 994 хирургических процедур проводится не на той стороне пациента, что приводит к удалению здоровых органов. В медицине это явление известно как «операция на неправильном участке».

Есть решение?

Большинство людей, столкнувшихся с этой небольшой проблемой, часто прибегают к различным стратегиям, чтобы быстро запомнить, что правильно, а что осталось.Некоторым просто нужно запомнить руку, которой они пишут, другим запомнить, где находится сердце.

В любом случае следует уточнить, что это не недостаток, а лишь небольшая трудность. На самом деле, это скорее проблема автоматизации, поскольку эти люди умеют распознавать правое и левое, но им требуется больше времени, чем остальным людям, потому что основной процесс не автоматизирован и, прежде чем принять решение, они должны подумать .

Источники:
McKinley, J. et. Al.(2015) «Извините, я имел в виду левую сторону пациента»: влияние отвлечения на дискриминацию между левыми и правыми. ТОС; 49 (4): 427–435.
Hirnstein, M. et. Al. (2009) Половые различия при спутанности сознания слева и справа зависят от асимметрии полушария. Кора головного мозга; 45; 891–899.
Mulloy, D. F. et. Al. (2008) Хирургия неправильного расположения: медицинская ошибка, которую можно предотвратить. Безопасность и качество пациентов: Справочник для медсестер, основанный на фактических данных. Роквилл: Хьюз Р.Г.
Hausmann, M. et. Al. (1999) Половые различия в функциональной церебральной асимметрии в плане повторных измерений.Мозг и познание; 41: 263–275.
Hannay, H. J. et. Al. (1990) Самоотчет о путанице между правыми и левыми у мужчин и женщин в колледже. Навыки восприятия моторики; 70 (2): 451-257.

.

Смотрите также