深度學習與傳統機器視覺

深度學習是一種解決機器視覺問題的可靠的新方式，可以解決從前無法解決的難題。但是傳統機器視覺方法在某些應用領域依然占優勢。如何選擇更適合的方式？以下快速指南：

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。接著，工具通過查找其關鍵特征來學習區分正例與反例。

光伏檢測

在這種應用程序中，裂痕與劃痕必須在具有復雜特征的表面上被檢測到。使用傳統視覺技術時，由于太陽能電池板種類不同，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

衛星圖分析極難，是因為其特征種類繁多。盡管如此，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筑。可以僅使用一張正確標記的圖像進行訓練，并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——缺陷出現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，并將此缺陷標記在樣品圖像上。訓練完成后，分類是自動進行的，檢測出難以看得到的缺陷。

餅干檢測

具有同樣的外貌的餅干是不存在的，但是客戶都期望一件事一定要保持完美：比如關于巧克力蓋。如何給缺陷準確地下定義？很簡單。首先收集有缺陷的餅干，并標記表面上的缺陷。讓Adaptive Vision的軟件學習如何識別差異，然后就可以在產品上找到它們。

大理石裂痕

檢測大理石上的裂痕屬于具有挑戰性的任務，是因為其表面不是同質的。Adaptive Vision的軟件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好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并分析結果。

非監督式模式的訓練更加簡單，沒有固定缺陷定義。我們的軟件將樣品圖像并進行訓練。然后尋找各類偏差。

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

注塑成型是一個復雜的工藝，因此可能產生許多生產問題。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。Adaptive Vision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，然后在生產線上運行時檢測任何類型的異常。

【來源：Adaptive Vision公司】




http://m.audacee.com.cn   光虎光電科技（天津）有限公司