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)

深度學習插件


介紹

Adaptive Vision Deep Learning Add-on 創建了機器視覺技術的新標準。這些經過長時間驗證的可靠工具在經過20-50張影像的 訓練後,就具備自動檢測物體、缺陷和各種特徵的能力。Adaptive Vision的研發團隊運用大量的神經網路和自我設計的WEAVER推論引擎研發出全新一代的高效能深度學習軟體, 非常適合用在工業檢測系統。

為了讓您建構更完整和功能更強大的機器視覺系統方案,它結合Adaptive Vision Studio全圖控操作界面,輕鬆開發傳統機器視覺和深度學習的演算法。

為什麼要選擇Adaptive Vision深度學習插件?

  • 是一種完整的,用於模型訓練和應用程序設計的圖形環境。
  • 操作無需要任何編程技能。您只要加載圖像,添加標籤,然後單擊“訓練”就行!
  • 轉為工業應用而優化的軟體,使用WEAVER推理引擎并在GPU和CPU上皆能達到最佳的性能。
  • 新功能:可使用Zillin在線工具以準備訓練數據。

適應性 - 深度學習模型可以重新訓練,以包含新特徵。

主要特點

從少數樣本中學習

一般的應用僅需要約20到50張影做訓練即可。愈多訓練的效果愈好,但我們的軟體根據訓練庫的主要參數屬性,內部將自動產生數以千計 新的人造影像,讓訓練更有效率。

運行在GPU和CPU

為了讓訓練更有效率,需要新一代的繪圖處理器(GPU)。在生產線上,您可以視需選用GPU或CPU,而GPU的處理時間會比CPU快3到10倍。(Object Classification的運行速度CPU和GPU一樣快)。

最佳性能

一般在GPU的訓練時間大約是5到15分鐘。推論時間的長短每張影像介於5到100毫秒,它和選用的工具與硬體有關。工業級的推論引擎 WEAVER可以保證最佳的性能。

訓練步驟

1.收集影像並做好分類

    • 取得20到50張影像,好壞都要,影像要盡可能涵蓋物件的變化,並儲存到硬碟裡。
    • 影像中物件的比例、方向和明暗盡可能保持一致。
  • 2.訓練

    • 打開Adaptive Vision Studio並選擇Deep Learning的其中一個工具
    • 打開工具中的編輯器,並載入影像
    • 開始標註影像或使用繪圖工具做記號(您也可以從Zillin匯入資料)
    • 點擊“訓練”
  • 訓練庫和驗證庫

    在深度學習中如同在機器學習的各個領域一樣,遵循正確的方法是非常重要的。最重要的規則是將訓練庫和驗證庫分開。 訓練庫是用於創建模型的一組樣本。我們不能用它來衡量模型的性能,因為這通常會產生過於樂觀的結果。因此,我們使用不同的數據(驗證庫)來評估模型。我們的深度學習工具會根據用戶提供的樣本自動創建這兩種資料庫。

    3.執行

    • 運行程式並查看結果
    • 返回步驟1或2直到結果完全令人滿意。
  • FAQ

    How is it different from TensorFlow or PyTorch?

    TensorFlow and PyTorch are low-level frameworks for programmers and for passionates. If you have your R&D team, you may want to use these tools to build a solution from scratch. It may take a couple of days to create a demo, but at least several months to have a production-ready vision system, and even more to achieve the highest possible performance. On the other hand, our product is a complete solution, field-tested in over 100 projects and you can use it yourself today.

    Why should I use Adaptive Vision if I could use an open source neural network?

    We provide you a complete solution – it consists of five optimized neural network designs, but also of: graphical tools for easy data annotation and training, advanced augmentations and automatic balancing of training data, mix of traditional and machine learning methods for data preprocessing, optimized memory management, industrial-grade inference engine for CPU and GPU, tools for deployment, technical support + know-how. We spent many man-years in developing, testing and fine-tuning all of that so that you can bring it to your project instantly, with reasonably small training set, with performance much above the open-source frameworks and at a low cost at the same time.

    How can I start?
     

    Download Adaptive Vision Studio + Deep Learning Add-on from our website. Then request a trial license for 30 days.

    If you want, you can also contact our technical support directly to prove feasibility of your project: support@adaptive-vision.com

    .

    應用案例: 監督模式

    在監督模式下,用戶需要小心翼翼地根據訓練庫中的影像去標註缺陷的位置。該工具藉由尋找關鍵特徵去學習判斷好與壞。

    太陽能板檢測

    在這個應用中,必須在具有複雜特徵的背景上檢測出破損和刮傷。若用傳統的方法,將需要複雜的演算法,並針對每一種太陽能板調整數十種參數。使用深度學習,只需要一種工具就可以在監督模式下做訓練。

    衛星影像識別

    衛星影像不容易解析,因為它涵蓋非常多的特徵。不過,我們的深度學習軟體透過訓練可以非常穩定且可靠的區別道路和建築物。


    紡織品檢測

    紡織品有許多不同的樣式,但有一個共通點:缺陷都出現在高度複雜的背景。借助深度學習技術,用戶可以自行定義缺陷的種類並將其標註在樣本影像上。 當完成訓練後,自動完成缺陷的分類,甚至肉眼無法辨識的缺陷都可以被檢出。

    餅乾檢測

    不會有兩個餅乾看起來是相同的,但客戶總是期待外觀看起來是完美的。如何定義缺陷?您只需要收集有破損的餅乾並標註它在哪裡。 我們的的軟體經過學習差異之後,便用高度可靠的方式找到缺陷。

    大理石裂痕

    檢測大理石上的裂痕屬於具有挑戰性的任務,是因為其表面不是同質的。我們的軟體能夠成功地區分裂痕與不規則圖案。您所需要做的不過是提供幾張示例圖像,仔細標記裂痕,最終訓練模型。

    木節疤

    在分級木材時,必須考慮的關鍵因素之一是木節疤的數量與尺寸。使用Adaptive Vision的深度學習插件,您可以在幾分鐘內準備一個檢測木節疤與測量其尺寸的可靠程序。不需編程技巧。只需要加載樣品圖像並分析結果。

    應用案例: 非監督式模式

    非監督式模式的訓練更加簡單,沒有固定缺陷定義。我們的軟體將樣品圖像並進行訓練。此後尋找任何偏差。

    包裝驗證

    當壽司盒出貨到市場時,什麼位置放什麼食材都是固定的。雖然同一種食材的外觀不完全相同但可以接受,而食材的缺陷卻不容易被定義。 解決方式是採用半監督模式去檢測到該工具在訓練期間所經歷的任何重大改變。

    塑膠射出成型檢測

    射出成型是一個複雜且伴隨許多生產問題的製程。塑膠件可能會折疊或其它形狀的變異,但對客戶來說都是可以接受的。我們的深度學習工具可以從提供的樣本中接受這種變異,並在生產線上找出有任何異狀的不良品。