基于(yu)人(ren)工(gong)智能和深(shen)度學(xue)習方法的現代計算機視覺(jue)技(ji)術在(zai)過去10年(nian)里取得了顯著進展。如今，它(ta)被廣泛用(yong)于(yu)圖像(xiang)分類、人(ren)臉識(shi)別(bie)、圖像(xiang)中物(wu)體的識(shi)別(bie)等。那(nei)么什么是深(shen)度學(xue)習？深(shen)度學(xue)習是如何應用(yong)在(zai)視覺(jue)檢(jian)測上的呢(ni)？

什么是深度學習？

       深度學習(xi)是機(ji)(ji)器學習(xi)技術的(de)一(yi)個(ge)分支，由人工(gong)神經網絡(luo)組成分類識別(bie)器。其工(gong)作原理是教機(ji)(ji)器通(tong)過實例學習(xi)，為神經網絡(luo)提供(gong)特定類型數據的(de)標記示(shi)例，然后提取(qu)(qu)這些示(shi)例之(zhi)間的(de)共同模(mo)式，將其轉換為包含這些信息(xi)的(de)神經網絡(luo)模(mo)型，這有助于對未來獲取(qu)(qu)的(de)信息(xi)進行分類。

       基于(yu)深度(du)學習技術的(de)視覺檢(jian)測(ce)，可以實(shi)現定位，區分(fen)缺(que)(que)陷(xian)、字(zi)符識(shi)別等，在(zai)運(yun)行過(guo)程中，實(shi)現模擬人類視覺檢(jian)測(ce)效果。那么到底是(shi)什么意思呢？舉個例子。如果要為鋰電(dian)池檢(jian)測(ce)創建視覺檢(jian)測(ce)軟件，需要開發一種(zhong)基于(yu)深度(du)學習的(de)算法，并使用必須檢(jian)測(ce)的(de)缺(que)(que)陷(xian)示例對其進行訓(xun)練(lian)。有了缺(que)(que)陷(xian)的(de)數據，神(shen)經(jing)網(wang)絡最(zui)終會在(zai)沒有任何額(e)外指令的(de)情況下進行檢(jian)測(ce)缺(que)(que)陷(xian)。

       基于深度學習的視覺檢測系統擅長(chang)檢測性質復(fu)(fu)雜的缺陷。它們不僅可(ke)以(yi)解決復(fu)(fu)雜的表(biao)面(mian)和外觀(guan)缺陷，還可(ke)以(yi)概括和概念化鋰電池的表(biao)面(mian)。

卷積神經網絡是什么？

       說(shuo)到(dao)基于深度學(xue)習的視覺檢測，市面(mian)上(shang)最常說(shuo)的就是卷積神(shen)經(jing)網絡(luo)，那么什么是卷積神(shen)經(jing)網絡(luo)呢(ni)？

       卷(juan)積神經網絡即CNN，有著它特(te)殊的(de)功能(neng)，網絡中(zhong)保留了(le)空間信息，因此可以更(geng)好地適用于圖像(xiang)分類(lei)問題。原(yuan)理來(lai)源于人類(lei)視覺生(sheng)物學(xue)數據的(de)啟發，視覺基于多個皮質(zhi)層(ceng)，每(mei)層(ceng)識別越(yue)來(lai)越(yue)多的(de)結構性信息。我們(men)看到的(de)是很多單個的(de)像(xiang)素；然后從這(zhe)些像(xiang)素中(zhong)，識別出(chu)幾何組成；再然后……這(zhe)樣(yang)越(yue)來(lai)越(yue)多的(de)復雜(za)的(de)元(yuan)素，如物體、面部(bu)、人類(lei)軀干、動物等被識別出(chu)來(lai)。

        科(ke)億(yi)科(ke)技的(de)AI圖(tu)像視覺檢(jian)測使用卷積神經(jing)網(wang)絡，更側重的(de)是網(wang)絡級聯，針對不同場(chang)景(jing)設計(ji)不同的(de)網(wang)絡級聯方法，更準(zhun)確反映圖(tu)像特征，使得在(zai)進(jin)行視覺檢(jian)測的(de)時候更精準(zhun)。

如何集成AI視覺檢測系統？

01 明確需求

       通常集成一個AI視覺檢測系統，需要從業務和技(ji)術分析開(kai)始。首(shou)先(xian)要明確(que)系統應該(gai)檢測什(shen)么樣(yang)的缺(que)陷？在什(shen)么樣(yang)的環境下使用？

       需要提前明確的重要問題包括：AI檢測應該是實時的還是延時的？AI視覺檢測應該如何徹底檢測缺陷，是否應該按類型區分？是否有任何現有的軟件可以集成視覺檢測功能，還是需要從頭開始開發？系統應如何將檢測到的缺陷通知用戶？AI視覺檢測系統是(shi)否應該記錄缺陷檢測統計數據？關鍵問題是(shi)：是(shi)否存(cun)在用于(yu)深度學習模型開發的(de)(de)數據，包括“好”和“壞”產品(pin)的(de)(de)圖像以(yi)及不同類型的(de)(de)缺陷？

02 收集和準備數據

        在深(shen)度學習(xi)模型開發(fa)(fa)之前(qian)，需要(yao)收集和準備數(shu)據。科億科技歷經十余年的不斷(duan)開發(fa)(fa)優化，擁有強大(da)豐(feng)富的算法(fa)庫，當面對新產(chan)品(pin)檢測時，可根據算法(fa)庫調(diao)取，進行(xing)增量/繼承學習(xi)，即(ji)原有訓(xun)(xun)練(lian)結果(guo)上新增少(shao)量樣本，極大(da)的縮短了新產(chan)品(pin)的訓(xun)(xun)練(lian)時間，實現快(kuai)速學習(xi)。

03 訓練和評估

       采集(ji)新(xin)增(zeng)樣(yang)本后，下一步(bu)是對其進行訓練，驗證和評(ping)估模型的(de)性能和結果(guo)準(zhun)確性。

04 部署和改進

       在部署視(shi)覺檢測模型(xing)時，重要(yao)的是要(yao)考慮軟件和(he)硬件系統架構如何與模型(xing)容量對應。

AI視覺檢測系統的應用案例

       包(bao)裝容器：適(shi)用(yong)于產品的品質把控，用(yong)于檢(jian)測產品外觀缺(que)陷(xian)，如黑點(dian)、飛(fei)邊、缺(que)口、模號等。

鋰(li)電池：鋰(li)電生產中密封釘(ding)焊接、頂蓋焊接等常會出現針孔、砂眼、劃痕、凹(ao)凸、偏焊等瑕疵。

       視覺對位系統、機械手視覺定位、圖像處理庫等為核心的(de)(de)(de)20多(duo)款自(zi)主知識產(chan)權產(chan)品。涉(she)及(ji)自(zi)動(dong)貼(tie)合機、絲印機、曝光機、疊片機、貼(tie)片機、智(zhi)能檢(jian)測(ce)、智(zhi)能鐳射(she)等眾多(duo)行業領(ling)域。雙(shuang)翌視覺系統最高生產(chan)精度可達(da)um級別，圖像處理精準、速度快，將智(zhi)能自(zi)動(dong)化制造行業的(de)(de)(de)生產(chan)水平(ping)提升到一個更高的(de)(de)(de)層次，改進(jin)了以往落后(hou)的(de)(de)(de)生產(chan)流程，得(de)到廣(guang)大用戶(hu)的(de)(de)(de)認可與肯(ken)定。隨著智(zhi)能自(zi)動(dong)化生產(chan)的(de)(de)(de)普及(ji)與發(fa)展，雙(shuang)翌將為廣(guang)大生產(chan)行業帶來更全(quan)面(mian)、更精細(xi)、更智(zhi)能化的(de)(de)(de)技(ji)術及(ji)服務。