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)

簡介

深度學習插件是機器視覺應用的新突破。此插件是一套現成工具。使用正例與反例來進行訓練,以便自動檢測出缺陷或特徵。其內部是在大型神經網絡結構基礎上開發的,由我們的研究團隊設計與優化的,用於工業檢測系統。對於用戶而言,該工具是只需調整少量參數簡單的過濾器。與此同時具有易於使用的圖形工具,以便於執行訓練過程。

深度學習插件的確體現Adaptive Vision的主要原則:

直觀化 - 甚至可以使用沒有編程技能的用戶。

強力 - 釋放神經網絡的先進能力。

適應性 - 深度學習模型可以重新訓練,以包含新特徵。

關鍵信息

訓練資料

典型應用程序需要從20到50張圖像進行訓練。

設備

建議使用現代的GPU進行快速的訓練與執行。

速度

假設使用GPU,典型的訓練時間為5分鐘,典型的執行時間為200 ms。

深度學習與傳統機器視覺相對

深度學習是一種解決機器視覺問題的新可靠方式。其使用範圍包括從前無法解決的難題。但是傳統機器視覺方法的作用在某些應用程序中依然佔優勢。如何選擇更適合的方式?以下快速指南:

深度學習

傳統機器視覺

典型應用:

    • 表面檢查(裂紋,划痕)
    • 食品,植物,木材檢測
    • 塑料,注塑
    • 紡織品材料檢測
    • 醫學影像

典型應用:

    • 尺寸測量
    • 代碼閱讀
    • 有無檢測
    • 機器人引導
    • 印刷檢測

典型特徵:

    • 可變形物體
    • 可變方向
    • 客戶提供被測物的正例,反例,與空泛的規格
    • 可靠性為百分之99

典型特徵:

    • 硬物體
    • 固定方向
    • 客戶提供正式規格與公差
    • 可靠性為百分之100

訓練程序

1.收集圖像並進行歸一化

    • 採集從20到50張圖像,其中包括具有被測物的代表性的正例與反例。保存到磁盤。
    • 確認圖像上被測物的尺寸,方向,照明儘可能保持一致性。
  • 2.訓練

    • 使用DeepLearning_ClassifyFeaturesDeepLearning_DetectAnomalies的過濾器
    • 打開深度學習的編輯器
    • 加載訓練圖像
    • 將圖像標記為正例反例 (非監督式模式),或使用繪圖工具(監督式模式)標記缺陷
    • 點擊“訓練”
  • 3.執行

    • 運行程序並查看結果
  • 訓練與驗證集

    不管是機器學習或者深度學習,遵循正確的方法是至關重要的。最重要的規則是將訓練集與驗證集分開。訓練集是用於創建模型的一套樣品圖像。但是不能將它當作衡量性能的工具,因為其產生的結果過度樂觀。因此,為了準確地評估模型,數據分離(驗證集)是必要的。我們的深度學習插件從用戶提供的樣品圖象自動創建此兩集。

    應用示例: 監督式模式

    在監督式模式下,用戶需要仔細地標記與訓練圖像上的缺陷相對應的像素。接着,工具通過查找其關鍵特徵來學習區分正例與反例。

    光伏檢測

    在這種應用程序中,裂痕與划痕必須被檢測到在複雜特徵的表面上。使用傳統視覺技術時,由於太陽能電池板多種,因此許多算法參數必須經過調整。通過深度學習,只需使用一種工具就可以在受監督的模式下訓練系統。

    衛星圖像分割

    衛星圖分析極為難,是因為其特徵種類繁多。 儘管如此,我們的深度學習插件通過訓練,能夠穩定可靠地檢測到道路與建築。可以僅使用一個正確標記的圖像進行訓練,並且可以立即查看結果。加載更多樣品圖像以增加模型的魯棒性。

    紡織品材料檢測

    紡織品材料的風格豐富多彩,但有一點是不變的-缺陷發生在高度紋理的背景上。使用深度學習技術,用戶能夠給幾個缺陷的類型下定義,並將此缺陷標記在樣品圖像上。訓練完成後,分類是自動進行的,檢測出難以看得到的缺陷。

    餅乾檢測

    具有同樣的外貌的餅乾是不存在的,但是客戶都期望一件事一定必須保持完美:巧克力蓋。如何給缺陷準確地下定義?很簡答。首先收集發生缺陷的餅乾,並標記表面上的缺陷。我們的軟體學習如何識別差異,並且可靠地在產品上找到它們。

    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。

    應用示例: 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

    壽司盒交付市場時,每一塊都必須正確放置在特定的位置上。正確的被測物也可能變化,因此給缺陷下定義極為難。解決這種問題的方式是使用非監督式模式。


    塑料,注塑

    注塑成型是一個複雜的過程,因此發生許多生產問題的可能性很高。塑料物體有可能包括客戶可接受的某些彎曲或其他形狀偏差。我們的深度學習插件可以從提供的樣品圖像中學習所有可接受的偏差,然後在生產線上運行時檢測任何類型的異常。