将测量分类为两个不同的群体的方法是通过 ML 人们目前所说的无监督学习。这样的过程是 AI 工具箱的一部分。统计是理论中涉及的数学的一部分，但不是全部，这些数学导致算法在不预先标记点阵列的亮或暗的情况下进行学习。

反射的 IR 光本质上可以是镜面的或镜面的，并且还会发生显着水平的 IR 发射，而在大多数情况下不会提高材料的表面温度。在机器人领域还需要考虑折射和透射。

材料不会表现出轻盈。材料成分、涂层和表面纹理将表现出不同的反射率、依赖于绝对温度升高到四次方¹的发射，以及从各个方向进入材料的光的透射，可能在内部扩散。

我们最终希望能够使用它来遵循使用预设算法的路线。

这是计算机视觉的主要目标之一，自 20 世纪中叶第一次数字信号处理以来一直如此。

第一步是确定材料是否是二元期权之一，浅色或深色。

这可能是一个实验性的第一步，但是由于在水平垂直框架空间中采用离散表示立方体的数字而导致信息丢失，每个数字都有$\tau$的渠道$\beta$位，不是一个好的计算机视觉策略。IR 信息的总位数由下式给出

所以数据丢失将以百分比表示，

即使立方体中只包含一个红外光谱范围，物体识别和避免碰撞也会因大量数据丢失而受挫（$\tau = 1$）。

鉴于 0 到 1023 之间的大量值，可能在两个不同的分组中，我怎样才能最好地将给定点分类为亮或暗？

看起来$\tau$等于一并且$\beta = \log_{2} (1023 - 0 + 1) = 10$，因此以每立方位（帧中的像素）为单位的信息为 10。如果项目出于某种原因要求丢弃 9 位，以尽可能多地保留原始 10 位（也许保持通过传输或处理瓶颈的特定吞吐量），那么做到这一点的方法是通过一位特征提取，这意味着人工网络的输出应该是一位。这些是一些需要研究的无监督学习选项。

• RBM（受限玻尔兹曼机）

• K-means 聚类

• 高斯混合模型

大多数 AI 和人工网络框架和库都会在示例目录中提供这些示例。建议像这样处理项目。

• 使用上述内容作为搜索词查找网页或文章，直到找到团队清楚的解释。

• 作为一个团队，每个人至少学习三个小时。

• 找到包含所有这三个的库或框架。

• 在实验室计算机上为所有三个安装必要的先决条件。

• 制作这三种类型的工作示例，以便选择不是最容易运行的功能（有资格作为研究反模式的东西）。

• 取舍。

• 将工作代码一次一个可验证的步骤更改为所需的无监督学习程序。

• 最终，当彻底准备好后，从示例数据集跳转到机器人红外光框架集。

脚注

[1] 斯特凡-玻尔兹曼定律