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Aurora 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？
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。
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)。
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。
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。
Adaptive Vision 深度學習插件與TensorFlow或PyTorch有什麼不同?
TensorFlow和PyTorch主要是面向程序員和熱衷編程愛好者的低級框架。假如貴公司有自己的研發團隊，則可能會嘗試使用這些工具從頭到腳構建自己的解決方案。儘管創建一個可行的功能演示一般需要幾天的時間，但是要創建一個可用於生產環境的系統可能至少需要花費幾個月的時間，甚至到幾年，如果您希望達到最高的性能。與此相反，我們的深度學習插件是一個完整且現成的解決方案。它已經在100多個項目中進行了現場測試並且您今天即可開始使用！
既然我可以選擇開源的神經網絡庫，為何還應該使用 Adaptive Vision 的深度學習插件？
除了五個經過優化的神經網絡設計外、此解決方案還包括：一套圖形工具能使數據註釋和模型培訓更加方便、訓練數據的高級擴充和自動平衡、用於數據預處理且合併規算法和機器學習的一套方法、經過優化的內存管理、技術支持和我們的專有技術等其他的優勢和功能。我們深度學習插件經過許多年的開發，測試和微調讓您立即將其實施到您項目中並且使用較小的圖像集進行訓練。此解決方案在較低成本的同時，性能遠高於開放源代碼的框架。
我該如何開始？
首先從我們的網站下載Aurora Vision Studio和深度學習插件，然後請request a trial license申請30天的試用許可證。
您也可以通過郵件方式直接聯繫我們的技術支持部以幫您進行有關您項目的可行性研究： support@adaptive-vision.com
.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。
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。
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。
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。
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。
物體分類工具根據物體的特徵將所提供的輸入圖影像為用戶特定的幾組。其結果為類別名稱和分類置信度。
塑膠瓶蓋在生產時有時會不經意地翻面。假如客戶想要檢測這種情況，完全可以用傳統的視覺檢測方式做到，
只是它需要一位專家針對此應用設計特定的演算法。另一種方案，我們可以採用以深度學習為基礎的物件分類功能，
從訓練的影像庫中，自動學習瓶蓋的正反面。
一家工廠可能生產數以百計樣式不同的鋁合金輪圈。使用傳統的視覺檢測方式要在這麼多樣化的產品中識別出一個特定的輪圈， 實際上是不可能的。模板比對需要大量的時間嘗試從數百個模板中做匹配，而這些模板必須手工逐一訂製， 耗費太多開發和維護時間。而深度學習是一個相當理想的解決方案，它可以讓程式直接從影像庫中學習並訓練， 其結果非常的穩定且可靠。
個體區分技術被用來在一張影像中定位、區隔和分類單一或多重物件。它不同於Feature Detection(特徵識別)技術，它可以找出個別的物件，即使物件互相接觸或是重疊也能夠正確區分。
混合堅果是一種非常受歡迎包含各種形狀堅果的休閒食品。由於包裝中堅果的成份百分比應和標籤上印刷的成分清單一致， 客戶希望確保每一種類型的正確數量都可以填充到包裝裡。Instance Segmentation (個體區分) 工具針對這種應用是非常理想的解決方案，因為它能區分物體跟物體間的範圍並返回被分割對象相對應的蒙版。
歐洲常見的湯類蔬菜組合包是以隨機位置包裝在白色塑膠盤上。生產線作業員有時會忘記將某一種蔬菜放到盤子上。 雖然有秤重系統做把關，但客戶在包裝密封前還是想知道商品是否完整。由於不會有兩種蔬菜看起來是完全相同的， 最理想的解進方案是採用深度學習為基礎的分類法。在訓練階段，客戶只須要在所選的蔬菜上做標註即可。
特徵點定位工具在影像中尋找獨特的形狀、特徵或記號做為定位點。和傳統的模板比對進行比較，這個工具會進行多次的樣本訓練， 避免因物件的變異影響定位的可靠度。
使用我們的深度學習工具可以完成傳統影像處理方法似乎無法實現的任務。在這種情況下，我們可以使用深度學習來檢測蜜蜂， 當訓練完成時，我們可以檢查蜜蜂們是否感染了變色病-由寄生蟎侵襲蜜蜂所引起的疾病。寄生蟲會依附在他們的身體上， 並根據紅色斑點的發炎狀況來檢視他們是否健康。不會只有這個案例讓複雜的任務簡單化， 同時我們對於許多不同的產業是抱持著開放的態度，例如農業。
在這些應用案例中，我們需要引導機器手臂抓取物品，最典型的是從輸送帶或容器中抓取物品。
有一個好的案例是抓取小的莖梗，然後將其垂直放置在花盆中。過程中檢測到任何不正確之處，
都有可能導致種植過深或上下顛倒，將導致根部無法順利生長。我們的深度學習工具可以快速定位植物的部位，
並提供準確的結果。
