基于人工智能和深度學習方法的現代計算機視覺技術在過去10年里取得了顯著進展。如今，它被廣泛用于圖像分類、人臉識別、圖像中物體的識別等。那么什么是深度學習？深度學習是如何應用在視覺檢測上的呢？

什么是深度學習？

       深度學習是機器學習技術的一個分支，由人工神經網絡組成分類識別器。其工作原理是教機器通過實例學習，為神經網絡提供特定類型數據的標記示例，然后提取這些示例之間的共同模式，將其轉換為包含這些信息的神經網絡模型，這有助于對未來獲取的信息進行分類。

       基于深度學習技術的視覺檢測，可以實現定位，區(qū)分缺陷、字符識別等，在運行過程中，實現模擬人類視覺檢測效果。那么到底是什么意思呢？舉個例子。如果要為鋰電池檢測創(chuàng)建視覺檢測軟件，需要開發(fā)一種基于深度學習的算法，并使用必須檢測的缺陷示例對其進行訓練。有了缺陷的數據，神經網絡最終會在沒有任何額外指令的情況下進行檢測缺陷。

       基于深度學習的視覺檢測系統(tǒng)擅長檢測性質復雜的缺陷。它們不僅可以解決復雜的表面和外觀缺陷，還可以概括和概念化鋰電池的表面。

卷積神經網絡是什么？

       說到基于深度學習的視覺檢測，市面上最常說的就是卷積神經網絡，那么什么是卷積神經網絡呢？

       卷積神經網絡即CNN，有著它特殊的功能，網絡中保留了空間信息，因此可以更好地適用于圖像分類問題。原理來源于人類視覺生物學數據的啟發(fā)，視覺基于多個皮質層，每層識別越來越多的結構性信息。我們看到的是很多單個的像素；然后從這些像素中，識別出幾何組成；再然后……這樣越來越多的復雜的元素，如物體、面部、人類軀干、動物等被識別出來。

        科億科技的AI圖像視覺檢測使用卷積神經網絡，更側重的是網絡級聯(lián)，針對不同場景設計不同的網絡級聯(lián)方法，更準確反映圖像特征，使得在進行視覺檢測的時候更精準。

如何集成AI視覺檢測系統(tǒng)？

01 明確需求

       通常集成一個AI視覺檢測系統(tǒng)，需要從業(yè)務和技術分析開始。首先要明確系統(tǒng)應該檢測什么樣的缺陷？在什么樣的環(huán)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(qū)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(fā)？系統(tǒng)應如何將檢測到的缺陷通知用戶？AI視覺檢測系統(tǒng)是否應該記錄缺陷檢測統(tǒng)計數據？關鍵問題是：是否存在用于深度學習模型開發(fā)的數據，包括“好”和“壞”產品的圖像以及不同類型的缺陷？

02 收集和準備數據

        在深度學習模型開發(fā)之前，需要收集和準備數據?？苾|科技歷經十余年的不斷開發(fā)優(yōu)化，擁有強大豐富的算法庫，當面對新產品檢測時，可根據算法庫調取，進行增量/繼承學習，即原有訓練結果上新增少量樣本，極大的縮短了新產品的訓練時間，實現快速學習。

03 訓練和評估

       采集新增樣本后，下一步是對其進行訓練，驗證和評估模型的性能和結果準確性。

04 部署和改進

       在部署視覺檢測模型時，重要的是要考慮軟件和硬件系統(tǒng)架構如何與模型容量對應。

AI視覺檢測系統(tǒng)的應用案例

       包裝容器：適用于產品的品質把控，用于檢測產品外觀缺陷，如黑點、飛邊、缺口、模號等。

鋰電池：鋰電生產中密封釘焊接、頂蓋焊接等常會出現針孔、砂眼、劃痕、凹凸、偏焊等瑕疵。

       視覺對位系統(tǒng)、機械手視覺定位、圖像處理庫等為核心的20多款自主知識產權產品。涉及自動貼合機、絲印機、曝光機、疊片機、貼片機、智能檢測、智能鐳射等眾多行業(yè)領域。雙翌視覺系統(tǒng)最高生產精度可達um級別，圖像處理精準、速度快，將智能自動化制造行業(yè)的生產水平提升到一個更高的層次，改進了以往落后的生產流程，得到廣大用戶的認可與肯定。隨著智能自動化生產的普及與發(fā)展，雙翌將為廣大生產行業(yè)帶來更全面、更精細、更智能化的技術及服務。