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。

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：

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。