二次开发与AI融合_基于tensorflow识别螺栓
经常做二次开发的小伙伴，就会发现二次开发不是万能的，实际工作中应用场景很有限。
有时候为了自动化实现某个功能，代码量可能比半自动的多好几倍，可能程序还不稳健。
以查找螺栓这类标准件为例，通过常规二次开发识别的方式可能有以下几种：
1、零件的名称
2、零件的体积
3、表面积
4、面的数量等方式识别。
但是，但是……………
随着工业的蓬勃发展。对于复杂的装配体，使用的螺栓种类也是越来越多，传统的识别逻辑已经不足以识别后续新增的标准件。
但是关了一扇门的同时，又打开了一扇窗，现今的AI技术发展为解决这一问题提供了新的解决方案。
可以基于强大的tensorflow框架实现，它能够通过图像处理和深度学习算法，快速准确地识别出零件中的螺栓。
实际上就是分类算法将图片传递给程序返回0或1即可。
利用tensorflow进行图像分类和目标检测。它通过训练神经网络模型，让计算机学习螺栓的特征，在输入待检测零件的图像后，快速准确地判断其中是否存在螺栓，这种自动化的识别方式不仅提高了识别的准确性，还能识别类似的零件，具有一定扩展性。
对于训练数据的生成，通过二次开发程序就很容易实现了，各种视角的图片，咔咔一顿截取，输送给AI学习，这就是有监督学习。
此外，程序还有着极高的可扩展性和适应性。
通过调整和优化神经网络模型的结构和参数，可以针对不同的部件进行定制化的识别任务，例如：
1、将识别对象替换为铆钉。
2、替换为某种特征结构等。
3、模型检测。
4、优化路径识别。
5、网格流向调整。
.....
用于满足不同的需求。
相信随着技术的不断进步，会有越来越多的程序运用到CAE中，进一步提升生产效率，推动行业的发展（进一步内卷）
。
我们已经从，流程化>规范化>自动化，一步一步进入到了“智能化”阶段。
二次开发已然是上一阶段的产物了，但也是进入到智能化，必不可少的一环。
虽然目前AI拿来直接预测大型装配的结果还是很弱，但是拿来预测单体零件，识别图像还是很容易的。
如何搭建NVIDIA的炼丹炉_并配置pytorch
上面是配置pytorch的说明，配置tensorflow就很容易了
pip3 install tensorflow程序就没有从图像训练开始运行了，而是直接调用的ResNet50预训练集，再调用matplotlib将图片识别结果显示。
实际项目中直接获取返回值就可以判断零件类型了
下面是调用预训练集识别模型的代码，需要参考的小伙伴可以付费查看哦。或者分享文章后，私信分享的截图，看到了就发送完整代码截图哦
