This page uses cookies. For details and possible settings refer to our Privacy Policy.
Continuing to use this page means accepting the processing of cookie files.

Accept (hide info)
POL ENG GER 中文(繁體) 中文(简体)

简介

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。

关键信息

训练资料

典型应用程序需要从20到50张图像进行训练。

设备

建议使用现代的GPU进行快速的训练与执行。

速度

假设使用GPU,典型的训练时间为5分钟,典型的执行时间为200 ms。

深度学习与传统机器视觉相对

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:

深度学习

传统机器视觉

典型应用:

    • 表面检查(裂纹,划痕)
    • 食品,植物,木材检测
    • 塑料,注塑
    • 纺织品材料检测
    • 医学影像

典型应用:

    • 尺寸测量
    • 代码阅读
    • 有无检测
    • 机器人引导
    • 印刷检测

典型特征:

    • 可变形物体
    • 可变方向
    • 客户提供被测物的正例,反例,与空泛的规格
    • 可靠性为百分之99

典型特征:

    • 硬物体
    • 固定方向
    • 客户提供正式规格与公差
    • 可靠性为百分之100

训练程序

1.收集图像并进行归一化

    • 采集从20到50张图像,其中包括具有被测物的代表性的正例与反例。保存到磁盘。
    • 确认图像上被测物的尺寸,方向,照明尽可能保持一致性。
  • 2.训练

    • 使用DeepLearning_ClassifyFeaturesDeepLearning_DetectAnomalies的过滤器
    • 打开深度学习的编辑器
    • 加载训练图像
    • 将图像标记为正例反例 (非监督式模式),或使用绘图工具(监督式模式)标记缺陷
    • 点击“训练”
  • 3.执行

    • 运行程序并查看结果
  • 训练与验证集

    不管是机器学习或者深度学习,遵循正确的方法是至关重要的。最重要的规则是将训练集与验证集分开。训练集是用于创建模型的一套样品图像。但是不能将它当作衡量性能的工具,因为其产生的结果过度乐观。因此,为了准确地评估模型,数据分离(验证集)是必要的。我们的深度学习插件从用户提供的样品图象自动创建此两集。

    应用示例: 监督式模式

    在监督式模式下,用户需要仔细地标记与训练图像上的缺陷相对应的像素。接着,工具通过查找其关键特征来学习区分正例与反例。

    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。

    应用示例: 非监督式模式

    非监督式模式的训练更加简单,没有固定缺陷定义。我们的软体将样品图像并进行训练。此后寻找任何偏差。

    包装验证

    寿司盒交付市场时,每一块都必须正确放置在特定的位置上。正确的被测物也可能变化,因此给缺陷下定义极为难。解决这种问题的方式是使用非监督式模式。


    塑料,注塑

    注塑成型是一个复杂的过程,因此发生许多生产问题的可能性很高。塑料物体有可能包括客户可接受的某些弯曲或其他形状偏差。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任何类型的异常。