本贴将介绍如何使用超级模型包识别纸箱/麻袋。
1. 获取超级模型包
2. 在Mech-Vision中部署超级模型包
3. 查看识别效果
4. 在Mech-DLK中微调超级模型（可选）
注意事项： 当识别效果不够理想时，才需在Mech-DLK中微调超级模型。
术语解释： 超级模型包，即梅卡曼德提供的通用模型，用于识别纸箱或麻袋。如果识别效果欠佳，可使用 Mech-DLK 对模型进行微调。
最终的定位识别效果如下图所示，左图为纸箱和麻袋的2D图，右图为深度学习识别效果。
获取超级模型包
由于Mech-Vision需利用超级模型包进行推理，完成对纸箱/麻袋的识别，所以需获取用于纸箱/麻袋的识别的模型包。
如下图所示，在下载中心对软件及其版本进行筛选，筛选出Mech-Vision可用的超级模型包，并下载。
注意事项：
- 识别精确度： 相比CPU模型包，GPU模型包可识别出更精确的物体轮廓。
- 计算速度： 在实验室测试条件下（Intel Core 12th i5-12400 vs NVIDIA GTX 1050Ti），CPU模型包的推理速度与GPU模型包基本一致。
在Mech-Vision中部署超级模型包
导入超级模型包
将超级模型包导入深度学习模型包管理工具。
使用超级模型包进行推理
使用深度学习模型包推理步骤利用导入好的超级模型包对纸箱/麻袋的图像进行推理。
提示： 模型包推理指的是经过训练的深度学习模型对数据进行推理，从而实现各种各样的任务，如图像分类、实例分割等。
查看识别效果
超级模型包推理完成后，即可在Mech-Vision中查看识别效果。
纸箱识别效果展示
纸箱识别效果如下表所示（可点击查看大图）。图中数字为置信度，即识别表现评分。彩色掩膜边缘轮廓即识别出的纸箱边缘轮廓。纸箱识别结果的边缘轮廓可达到较高贴合度。
麻袋识别效果展示
麻袋识别效果如下表所示（可点击查看大图）。图中数字为置信度，即识别表现评分。彩色掩膜边缘轮廓即识别出的麻袋边缘轮廓。麻袋识别结果的边缘轮廓可达到较高贴合度。
在Mech-DLK中微调超级模型
如果纸箱/麻袋识别效果较好，则无需进行超级模型微调。
如果纸箱/麻袋识别效果不够理想，则需在Mech-DLK中对超级模型进行微调。
获取超级模型
由于Mech-DLK不能直接对超级模型包进行微调，所以需获取该模型包对应的超级模型。
如下图所示，在下载中心对软件及其版本进行筛选，筛选出Mech-DLK可用的超级模型，并下载。
微调超级模型
打开Mech-DLK软件，选择“实例分割”模块后，可参考用户手册操作。
超级模型微调完成后，即可将超级模型导出为超级模型包，再次导入Mech-Vision进行模型包推理。
识别过程中的常见问题
如何避免误识别？
- 尽量保持现场光照稳定，避免出现图像过曝、欠曝、有阴影的情况，否则会导致图像中的麻袋边缘不清晰，影响深度学习的稳定性。
- 调节相机的白平衡，保证图像不过曝、欠曝。
- 垛旁不要摆放其他与抓取无关的纸箱或麻袋，避免误识别。
- 设置合适的ROI。
如何设置合适的ROI？
需基于垛型的最大垛（满垛）来设置ROI，需保证ROI包含垛的最高和最低区域，且ROI比满垛时的垛型稍大一圈，同时ROI内尽量不包含其他干扰点云。
完成上述操作后，若深度学习识别的稳定性没有提升，则需针对该种类纸箱或麻袋对超级模型进行迭代，或使用该种类纸箱或麻袋数据对超级模型进行微调。具体内容请参考超级模型迭代。
