产品简介

深度学习插件是机器视觉应用的新突破。波兰Adaptive Vision深度学习插件是一套现成工具。使用正例与反例来进行训练,以便自动检测出缺陷或特征。其内部是在大型神经网络结构基础上开发的,由其研究团队设计与优化,用于工业检测系统。对于用户而言,该工具是参数很少的简单过滤器。并且具有易于使用的图形化工具,以便于执行培训过程。

 

深度学习插件真正展现了Adaptive Vision的主要原则
>> 直观化:甚至没有编程技能的用户也可以使用。

>> 能力强大:释放神经网络的先进能力。

>> 适应性:深度学习模型可以重新训练,以包含新特征。

关键信息
>> 训练资料:典型应用程序需要2050张图像进行训练。

>> 硬件:建议使用现代的GPU进行快速的训练与执行。

>> 速度:假设使用GPU,典型训练时间为5分钟,典型执行时间为100ms/MP

对比深度学习与传统机器视觉 

深度学习是解决机器视觉问题的一种可靠的新方式,其使用范围包括从前无法解决的难题;但是传统机器视觉方法的作用在某些应用程序中依然占优势。
>> 
深度学习典型应用:表面检查(裂纹、划痕);食品、植物、木材检测;塑料、注塑;纺织品材料检测;医学影像
>> 
深度学习典型特征:可变形物体;可变方向;客户提供被测物的正例、反例,与空泛的规格;可靠性为99%
>> 
传统机器视觉典型应用:尺寸测量;代码阅读;有无检测;机器人引导;印刷检测
>> 
传统机器视觉典型特征:硬物体;固定方向;客户提供正式规格与公差;可靠性为100%

训练程序
1.收集图像并进行归一化
>> 采集2050张图像,其中包括具有被测物的代表性的正例与反例。保存到磁盘。
>> 确保图像上被测物的尺寸、方向、照明尽可能保持一致性
2.训练
>> 使用DeepLearning_ClassifyFeaturesDeepLearning_DetectAnomalies过滤器
>> 打开DeepLearning的编辑器
>> 
加载训练图像
>> 
将图像标记为正例或反例(非监督式模式),或使用绘图工具(监督式模式)标记缺陷
>> 
点击“训练"
3.执行
>> 运行程序并查看结果

训练集与验证集
在深度学习中,就像在所有的机器学习领域一样,遵循正确的方法论是非常重要的。最重要的规则是将训练集与验证集分开。训练集是用于创建模型的一套样品图像。但是不能将它当作衡量性能的工具,因为其产生的结果过度乐观。因此,为了准确地评估模型,数据分离(验证集)是必要的。该深度学习插件从用户提供的样品图图像自动创建此两集。

应用示例
>> 监督式模式:在监督式模式下,用户需要仔细地标记与训练图像上的缺陷相对应的像素。接着,工具通过查找其关键特征来学习区分正例与反例。可应用于光伏检测、卫星图像分割、纺织品材料检测、食品(饼干)检测、大理石裂痕、木节疤等。
>> 非监督式模式:非监督式模式的训练更加简单,没有固定缺陷定义。我们的软体将样品图像并进行训练。此后寻找任何偏差。可应用于包装验证、塑料/注塑等。

在线留言

想获取此产品更多信息,请留下您的信息,我们会尽快回复您的留言

*邮箱/电话:

也可直接联系我们,咨询电话:
022-58627718

留言: