Adaptive Vision Deep Learning Add-on 创建了机器视觉技术的新标准。这些经过长时间验证的可靠工具在经过20-50张图像的 训练后，就具备自动检测物体、缺陷和各种特征的能力。 Adaptive Vision的研发团队运用大量的神经网路和自我设计的WEAVER推论引擎研发出全新一代的高效能深度学习软件，非常适合用在工业检测系统。
为了让您建构更完整和功能更强大的机器视觉系统方案，它结合Aurora Vision Studio全图控操作界面，轻松开发传统机器视觉和深度学习的演算法。
为什么要选择Adaptive Vision深度学习插件？
一般的应用仅需要约20到50张图像进行训练即可。当然图像越多训练效果越好，但我们的软件根据训练库的主要参数属性，内部将自动产生数以千计新的人造图像，让训练更有效率。
为了让训练更有效率，需要新一代的图形处理器(GPU)。在生产线上，您可以视需选用GPU或CPU，而GPU的处理时间会比CPU快3到10倍。 (Object Classification的运行速度CPU和GPU一样快)。
一般在GPU的训练时间大约是5到15分钟。推理时间的长短每张图像介于5到100毫秒，它和选用的工具与硬件有关。工业级的推理引擎WEAVER可以保证最佳的性能。
在深度学习中如同在机器学习的各个领域一样，遵循正确的方法是非常重要的。最重要的规则是将训练集和验证集分开。训练集是用于创建模型的一组样品图像。我们不能用它来衡量模型的性能，因为这通常会产生过于乐观的结果。因此，我们使用不同的数据(验证集)来评估模型。我们的深度学习工具会根据用户提供的样品图像自动创建这两种资料集。
Adaptive Vision 深度学习插件与TensorFlow或PyTorch有什么不同?
TensorFlow和PyTorch主要是面向程序员和热衷编程爱好者的低级框架。 假如贵公司有自己的研发团队，则可能会尝试使用这些工具从头到脚构建自己的解决方案。 尽管创建一个可行的功能演示一般需要几天的时间，但是要创建一个可用于生产环境的系统可能至少需要花费几个月的时间， 甚至到几年，如果您希望达到最高的性能。与此相反，我们的深度学习插件是一个完整且现成的解决方案。 它已经在100多个项目中进行了现场测试并且您今天即可开始使用！
既然我可以选择开源的神经网络库，为何还应该使用 Adaptive Vision 的深度学习插件？
除了五个经过优化的神经网络设计外、此解决方案还包括：一套图形工具能使数据注释和模型培训更加方便、训练数据的高级扩充和自动平衡、用于数据预处理且合并规算法和机器学习的一套方法、经过优化的内存管理、技术支持和我们的专有技术等其他的优势和功能。我们深度学习插件经过许多年的开发，测试和微调让您立即将其实施到您项目中并且使用较小的图像集进行训练。此解决方案在较低成本的同时，性能远高于开放源代码的框架。
我该如何开始？
首先从我们的网站下载Aurora Vision Studio和深度学习插件，然后请申请30天的试用许可证。
您也可以通过邮件方式直接联系我们的技术支持部以帮您进行有关您项目的可行性研究：support@adaptive-vision.com
.在监督模式下，用户需要小心翼翼地根据训练集中的图像去标注缺陷的位置。该工具藉由寻找关键特征去学习判断好与坏。
在这种应用中，必须在具有复杂特征的背景上检测出破损和刮伤。若用传统的方法，将需要复杂的演算法，并针对每一种太阳能板调整数十种参数。使用深度学习，只需要一种工具就可以在监督模式下做训练。
卫星图分析极为难，是因为其特征种类繁多。尽管如此，我们的深度学习插件通过训练，能够稳定可靠地检测到道路与建筑物。 可以仅使用一个正确标记的图像进行训练，并且可以立即查看结果。加载更多样品图像以增加模型的鲁棒性。
非监督式模式的训练更加简单，没有固定缺陷定义。我们的软件将样品图像并进行训练。此后寻找任何偏差。
当寿司盒出货到市场时，什么位置放什么食材都是固定的。虽然同一种食材的外观不完全相同但可以接受，而食材的缺陷却不容易被定义。解决方式是采用半监督模式去检测到该工具在训练期间所经历的任何重大改变。
注塑成型是一个复杂且伴随许多生产问题的制程。塑胶件可能会折叠或其它形状的变异，但对客户来说都是可以接受的。 我们的深度学习插件可以从提供的样品图像中学习所有可接受的偏差，然后在生产线上运行时检测到任何类型的异常。
物体分类工具根据物体的特征将所提供的输入图像分为用户特定的几组。其结果为类别名称和分类置信度。
塑胶瓶盖在生产时有时会不经意地翻面。假如客户想要检测这种情况，完全可以用传统的视觉检测方式做到，
只是它需要一位专家针对此应用设计特定的演算法。另一种方案，我们可以采用以深度学习为基础的物件分类功能，
从训练的图像集中，自动学习瓶盖的正反面。
一家工厂可能生产数以百计样式不同的铝合金轮毂。使用传统的视觉检测方式要在这么多样化的产品中识别出 一个特定的轮毂，实际上是不可能的。模板匹配需要大量的时间尝试从数百个模板中做匹配，而这些模板必须手 工逐一订制，耗费太多开发和维护时间。而深度学习是一个相当理想的解决方案，它可以让程式直接从图像集中 学习并训练，其结果非常的稳定且可靠。
实例分割技术用于定位，分割和分类图像中的单个或多个对象。与特征检测技术不同的是，此技术可检测到单个对象并将触摸或重叠的物体进行分离。
混合坚果是一种非常受欢迎包含各种形状坚果的休闲食品。由于包装中坚果的成份百分比应和标签上印刷的成分清单一致， 客户希望确保每一种类型的正确数量都可以填充到包装里。实例分割(个体区分)工具针对这种应用是非常理想的解决方案， 因为它能区分物体跟物体间的范围并返回被分割对象相对应的蒙版。
欧洲常见的汤类蔬菜组合包以随机位置包装在白色塑胶盘上。生产线作业员有时会忘记将某一种蔬菜放到盘子上。 虽然有秤重系统做把关，但客户在包装密封前还是想知道商品是否完整。由于不会有两种蔬菜看起来是完全相同的， 最理想的解进方案是采用深度学习为基础的分类法。在训练阶段，客户只须要在选定的蔬菜上做标注即可。
特征点定位工具在图像中寻找独特的形状、特征或记号做为定位点。和传统的模板匹配进行比较，这个工具会使用不同的样品图象进行多次的训练， 避免因物件的变异影响定位的可靠度。
使用我们的深度学习工具可以完成传统图像处理方法似乎无法实现的任务。在这种情况下，我们可以使用深度学习来检测蜜蜂， 当训练完成时，我们可以检查蜜蜂们是否感染了变色病-由寄生螨侵袭蜜蜂所引起的疾病。寄生虫会依附在他们的身体上， 并根据红色斑点的发炎状况来检视他们是否健康。不会只有这个案例让复杂的任务简单化，同时我们对于许多不同的产业 是抱持着开放的态度，例如农业。
在这些应用案例中，我们需要引导机器手臂抓取物品，最典型的是从输送带或容器中抓取物品。有一个好的案例是抓取小的茎梗，
然后将其垂直放置在花盆中。过程中检测到任何不正确之处，都有可能导致种植过深或上下颠倒，将导致根部无法顺利生长。
我们的深度学习工具可以快速定位植物的部位，并提供准确的结果。
