深度学习插件是机器视觉应用的新突破。此插件是一套现成工具。使用正例与反例来进行训练，以便自动检测出缺陷或特征。其内部是在大型神经网络结构基础上开发的，由我们的研究团队设计与优化的，用于工业检测系统。对于用户而言，该工具是只需调整少量参数简单的过滤器。与此同时具有易于使用的图形工具，以便于执行训练过程。

深度学习插件的确体现Adaptive Vision的主要原则：

直观化 - 甚至可以使用没有编程技能的用户。

强力 - 释放神经网络的先进能力。

适应性 - 深度学习模型可以重新训练，以包含新特征。

深度学习是一种解决机器视觉问题的新可靠方式。其使用范围包括从前无法解决的难题。但是传统机器视觉方法的作用在某些应用程序中依然占优势。如何选择更适合的方式？以下快速指南：

光伏检测

在这种应用程序中，裂痕与划痕必须被检测到在复杂特征的表面上。使用传统视觉技术时，由于太阳能电池板多种，因此许多算法参数必须经过调整。通过深度学习，只需使用一种工具就可以在受监督的模式下训练系统。

卫星图像分割

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。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。

纺织品材料检测

纺织品材料的风格丰富多彩，但有一点是不变的-缺陷发生在高度纹理的背景上。使用深度学习技术，用户能够给几个缺陷的类型下定义，并将此缺陷标记在样品图像上。训练完成后，分类是自动进行的，检测出难以看得到的缺陷。

饼干检测

具有同样的外貌的饼干是不存在的，但是客户都期望一件事一定必须保持完美：巧克力盖。如何给缺陷准确地下定义？很简答。首先收集发生缺陷的饼干，并标记表面上的缺陷。我们的软体学习如何识别差异，并且可靠地在产品上找到它们。

大理石裂痕

检测大理石上的裂痕属于具有挑战性的任务，是因为其表面不是同质的。我们的软体能够成功地区分裂痕与不规则图案。您所需要做的不过是提供几张示例图像，仔细标记裂痕，最终训练模型。

木节疤

在分级木材时，必须考虑的关键因素之一是木节疤的数量与尺寸。使用Adaptive Vision的深度学习插件，您可以在几分钟内准备一个检测木节疤与测量其尺寸的可靠程序。不需编程技巧。只需要加载样品图像并分析结果。