基于(yú)人(rén)工智能和(hé / huò)深度學習方法的(de)現代計算機視覺技術在(zài)過去10年裏取得了(le／liǎo)顯著進展。如今，它被廣泛用于(yú)圖像分類、人(rén)臉識别、圖像中物體的(de)識别等。那麽什麽是(shì)深度學習？深度學習是(shì)如何應用在(zài)視覺檢測上(shàng)的(de)呢？

什麽是(shì)深度學習？

       深度學習是(shì)機器學習技術的(de)一(yī / yì ／yí)個(gè)分支，由人(rén)工神經網絡組成分類識别器。其工作原理是(shì)教機器通過實例學習，爲(wéi / wèi)神經網絡提供特定類型數據的(de)标記示例，然後提取這(zhè)些示例之(zhī)間的(de)共同模式，将其轉換爲(wéi / wèi)包含這(zhè)些信息的(de)神經網絡模型，這(zhè)有助于(yú)對未來(lái)獲取的(de)信息進行分類。

       基于(yú)深度學習技術的(de)視覺檢測，可以(yǐ)實現定位，區分缺陷、字符識别等，在(zài)運行過程中，實現模拟人(rén)類視覺檢測效果。那麽到(dào)底是(shì)什麽意思呢？舉個(gè)例子(zǐ)。如果要(yào / yāo)爲(wéi / wèi)锂電池檢測創建視覺檢測軟件，需要(yào / yāo)開發一(yī / yì ／yí)種基于(yú)深度學習的(de)算法，并使用必須檢測的(de)缺陷示例對其進行訓練。有了(le／liǎo)缺陷的(de)數據，神經網絡最終會在(zài)沒有任何額外指令的(de)情況下進行檢測缺陷。

       基于(yú)深度學習的(de)視覺檢測系統擅長檢測性質複雜的(de)缺陷。它們不(bù)僅可以(yǐ)解決複雜的(de)表面和(hé / huò)外觀缺陷，還可以(yǐ)概括和(hé / huò)概念化锂電池的(de)表面。

卷積神經網絡是(shì)什麽？

       說(shuō)到(dào)基于(yú)深度學習的(de)視覺檢測，市面上(shàng)最常說(shuō)的(de)就(jiù)是(shì)卷積神經網絡，那麽什麽是(shì)卷積神經網絡呢？

       卷積神經網絡即CNN，有着它特殊的(de)功能，網絡中保留了(le／liǎo)空間信息，因此可以(yǐ)更好地(dì / de)适用于(yú)圖像分類問題。原理來(lái)源于(yú)人(rén)類視覺生物學數據的(de)啓發，視覺基于(yú)多個(gè)皮質層，每層識别越來(lái)越多的(de)結構性信息。我們看到(dào)的(de)是(shì)很多單個(gè)的(de)像素；然後從這(zhè)些像素中，識别出(chū)幾何組成；再然後……這(zhè)樣越來(lái)越多的(de)複雜的(de)元素，如物體、面部、人(rén)類軀幹、動物等被識别出(chū)來(lái)。

        科億科技的(de)AI圖像視覺檢測使用卷積神經網絡，更側重的(de)是(shì)網絡級聯，針對不(bù)同場景設計不(bù)同的(de)網絡級聯方法，更準确反映圖像特征，使得在(zài)進行視覺檢測的(de)時(shí)候更精準。

如何集成AI視覺檢測系統？

01 明确需求

       通常集成一(yī / yì ／yí)個(gè)AI視覺檢測系統，需要(yào / yāo)從業務和(hé / huò)技術分析開始。首先要(yào / yāo)明确系統應該檢測什麽樣的(de)缺陷？在(zài)什麽樣的(de)環境下使用？

       需要(yào / yāo)提前明确的(de)重要(yào / yāo)問題包括：AI檢測應該是(shì)實時(shí)的(de)還是(shì)延時(shí)的(de)？AI視覺檢測應該如何徹底檢測缺陷，是(shì)否應該按類型區分？是(shì)否有任何現有的(de)軟件可以(yǐ)集成視覺檢測功能，還是(shì)需要(yào / yāo)從頭開始開發？系統應如何将檢測到(dào)的(de)缺陷通知用戶？AI視覺檢測系統是(shì)否應該記錄缺陷檢測統計數據？關鍵問題是(shì)：是(shì)否存在(zài)用于(yú)深度學習模型開發的(de)數據，包括“好”和(hé / huò)“壞”産品的(de)圖像以(yǐ)及不(bù)同類型的(de)缺陷？

02 收集和(hé / huò)準備數據

        在(zài)深度學習模型開發之(zhī)前，需要(yào / yāo)收集和(hé / huò)準備數據。科億科技曆經十餘年的(de)不(bù)斷開發優化，擁有強大(dà)豐富的(de)算法庫，當面對新産品檢測時(shí)，可根據算法庫調取，進行增量/繼承學習，即原有訓練結果上(shàng)新增少量樣本，極大(dà)的(de)縮短了(le／liǎo)新産品的(de)訓練時(shí)間，實現快速學習。

03 訓練和(hé / huò)評估

       采集新增樣本後，下一(yī / yì ／yí)步是(shì)對其進行訓練，驗證和(hé / huò)評估模型的(de)性能和(hé / huò)結果準确性。

04 部署和(hé / huò)改進

       在(zài)部署視覺檢測模型時(shí)，重要(yào / yāo)的(de)是(shì)要(yào / yāo)考慮軟件和(hé / huò)硬件系統架構如何與模型容量對應。

AI視覺檢測系統的(de)應用案例

       包裝容器：适用于(yú)産品的(de)品質把控，用于(yú)檢測産品外觀缺陷，如黑點、飛邊、缺口、模号等。

锂電池：锂電生産中密封釘焊接、頂蓋焊接等常會出(chū)現針孔、砂眼、劃痕、凹凸、偏焊等瑕疵。

       視覺對位系統、機械手視覺定位、圖像處理庫等爲(wéi / wèi)核心的(de)20多款自主知識産權産品。涉及自動貼合機、絲印機、曝光機、疊片機、貼片機、智能檢測、智能鐳射等衆多行業領域。雙翌視覺系統最高生産精度可達um級别，圖像處理精準、速度快，将智能自動化制造行業的(de)生産水平提升到(dào)一(yī / yì ／yí)個(gè)更高的(de)層次，改進了(le／liǎo)以(yǐ)往落後的(de)生産流程，得到(dào)廣大(dà)用戶的(de)認可與肯定。随着智能自動化生産的(de)普及與發展，雙翌将爲(wéi / wèi)廣大(dà)生産行業帶來(lái)更全面、更精細、更智能化的(de)技術及服務。