定义
图像识别（Image Recognition）是指利用深度学习、机器学习等人工智能技术，对图像中的物体、场景、文字、行为等进行自动识别与分类。它是人工智能的典型应用，涵盖人脸识别、目标检测、图像分类、OCR 等任务，广泛应用于视频智能分析、医学影像AI、农产品溯源、工业质检、智慧安防等场景。
图像识别的核心任务与技术
图像识别包括图像分类（判断图像所属类别）、目标检测（定位并识别图像中的多个物体）、语义分割（像素级标注）、实例分割、OCR（文字识别）等。主流技术基于卷积神经网络（CNN）、Transformer 等深度学习模型。与人脸识别、行为分析结合，可支撑视频智能分析；与医学影像AI结合，可辅助智能诊断。
在物联网解决方案中的应用
在智慧安防中，图像识别支撑人脸识别、行为分析、车辆识别、视频智能分析。在医疗中，结合X光、CT、MRI影像实现医学影像AI辅助诊断。在农业中，结合遥感、无人机影像实现作物识别、病虫害检测、溯源。模型可部署于边缘（摄像头、边缘盒子）或云端，边缘部署可降低延迟与带宽。达希物联可为图像采集设备提供联网、数据转发与API能力。
选型与实施建议
选型时需评估：算法准确率与误报率、边缘与云端的部署比例、与现有系统的兼容性、隐私与合规要求（人脸数据需符合个人信息保护法规）。实施时建议从单场景起步，积累标注数据并持续优化模型。结合知识图谱、循证医学（医疗场景），可提升识别结果的可解释性与可信度。
视觉任务与样本分布
图像识别按事先定义的任务，把像素映射成类别、位置或区域。分类回答整张图属于哪一类，检测回答多个目标在哪里、是什么，分割回答每个像素属于哪个区域，文字识别回答图中的字符。这些输出和评价方式都不同，不能拿一个准确率互相代替。模型只在与训练样本相近的成像条件下比较可靠。摄像头、焦距、压缩和光照一变，原来的判断边界就会偏移。
任务边界要写清楚，样本要覆盖现场会遇到的角度、遮挡、反光和背景。标注规则要稳定，同一类缺陷不能这一次标成划痕、下一次标成脏污。放在边缘设备上时，输入分辨率和帧率应与训练时一致，随意缩小图像会让小目标消失。需要测量尺寸的任务还要做标定，只做分类则不必。置信度不足时由人复核，不能让所有输出都自动执行。
用公开图片上的效果代替现场，是常见落差。背景干净、目标居中的样本，到了粉尘、逆光和遮挡环境会大面积失效。多个任务塞进一个模型后，框、类别和文字互相干扰，出错时也不知道是哪一段。只看总体准确率，少数但关键的类别会被大量正常样本盖住。训练集里几乎没有夜间或新包装，上线后这些画面仍被强制分类，错误还会以很高的置信度出现。
同一段视频的相邻帧如果分到训练和测试两边，测试成绩会很好，换一条产线就下降。摄像头更换或自动曝光改变亮度后，若没有重新抽样，分布已经变了。应拿一段没有参与训练的现场录像，按任务分别统计漏检和误检，并记下当时的光照和分辨率。与人脸识别、行为分析相比，这里只提供视觉任务的结果；身份是否成立、动作是否成立，还要看各自的底库和时间条件。
上线后的抽检画面要定期更换，不能总用调试时的那几十张图。产线换料或光源老化之后，原来的误检类型会变，固定样本只会反复证明一个已经过去的状态，发现不了新的失效。
置信度阈值也应随现场样本重新查看。光源变暗之后，原来的阈值会把大量正常品推进人工复核，或者反过来把应当拦住的缺陷放行。