热门搜索关键词:工业视觉产品 院校系统设备 智能视觉系统 远心光学
VisionBank AI官网:http://www.visionbankai.com/
VisionBank AI是搭载在“VisionBank通用机器视觉开发平台”上的一种图像处理工具,它采用深度学习
技术解决机器视觉应用场景中传统算法难以解决的问题(四大应用场景):
传统图像处理是人工分析图像的特征,再通过图像处理算法提取特征,然后通过特征的关键参数来区分对象;
深度学习是采集大量图像,然后标注图像数据并训练神经网络,通过训练好的神经网络进行对象类型推理;
(1)训练及测试数据采集:利用工厂搭建好的机器视觉硬件系统,基于VisionBank平台自动存储500~10000张包含“正负样本”的图像数据;
(2)训练及测试数据分类:将自动采集到的图片按分类要求区分到不同文件夹进行分类;
(3)数据标记及神经网络模型训练:利用VisionBank AI标记工具将分类好的图像进行自动(手动)标记,并训练神经网络模型;
(4)神经网络模型推理及在线检测:训练完毕后利用分类好的测试数据测试模型的准确性,然后加载到VisionBank工程文件中进行在线检测
深度学习图像处理是通过搭建“类脑神经网络”,借鉴人脑处理数据的方法去解决图像处理问题,所以凡是涉及到深度学习的场景,都需要两个必要条件:一是大数据支持——各种有代表性的图片;二是强大的算力平台——一般采用GPU运算平台。而在实际工业应用场景,这两个条件都是极难实现,且实现成本极高的。VisionBank AI是在VisionBank通用开发平台基础上推出的深度学习功能,它结合VisionBank本身强大的传统图像处理算法,解决了以上两个难题的大部分实现问题。
(1)神经网络推理完全基于CPU实现:VisionBank AI训练的神经网络模型推理完全基于CPU实现,而且神经网络模型训练同时支持CPU和GPU。用户可以根据项目所需模型的复杂程度灵活选择算力平台,从而节省不必要的算力平台硬件支出;
(2)创新的“深度学习缺陷过滤”算法:利用传统算法找出所有可能的缺陷区域,仅用深度学习解决缺陷区域的OK和NG判别,从而很好的解决了训练图像数据获取的问题;
(3)支持神经网络模型再训练:根据工业场景应用的复杂性,支持模型的继续训练,从而可以形成行业专用神经网络模型。
VisionBank Ai深度学习视觉解决方案相对单纯的深度视觉有以下优势:
1、训练用数据集一定要严格关注“质”和“量”
(1)质:训练用的数据集一定要有代表性,要包含各种可能的情况,而且各种情况对应的图片数量分布要均匀
(2)量:训练用的数据集数量一定要相对较多,根据模型的复杂程度,高质量的图片数量一定要大
2、传统算法要和深度学习相结合。传统算法能搞定的,坚决不要依赖深度学习
(1)传统算法:定位、尺寸等
(2)深度学习:参考前面介绍的“传统算法难以解决的问题”
3、精准定位具体问题,由“局部”到“整体”。机器视觉项目的最终目的是实现100%的准确检测,但是在项目开发过程中会存在各种问题影响这个结果。当出现异常结果时,要能准确定位到具体环节去测试查找。
(1)训练数据集复核:数据分类好,再标记后需要再检查一遍是否有标记错误或分类错误的情况
(2)神经网络模型推理:模型训练完毕后,务必先进行大量图片测试后,再导入工程文件在线推理