深度学习赋予视觉算法更强大脑

在AI赋能智能制造（一） | 机器视觉加持，从此慧眼如炬中，我们了解到：

无论划痕形状、位置如何变化，视觉系统都能即刻做出正确判断；即使背景脏污、对比度低，字母和数字都难逃视觉系统的法眼； 不管物体如何放置，机器视觉系统都可快速锁定，轻松读取目标条码。这就是机器视觉与深度学习的重要性。

本期主讲

AI赋能智能制造之自有分辨的视觉算法

Why DeepLearning？

深度学习(DeepLearning)作为AI领域炙手可热的概念，具体是指什么，跟机器学习有着怎样的区别？这里进行一个初步的讲解。

海工小讲堂

发表于今天查看:135

深度学习(DeepLearning，DL)属于机器学习的子类，它模仿人类大脑对于信息的处理方式，是利用深度神经网络来解决特征表达的一种学习过程。深度学习算法能够通过底层特征的不断组合抽象能形成具有语义的更加高级的特征，来更好的表达数据。

深度学习信息处理模式

以识别图片中的猴子为例，传统机器学习识别的模式需输入长串的指令，例如猴子有毛茸茸的毛，有2只耳朵等等，然后程序根据这些指令提取特征、编码，计算机再进行判断。输入的经验越多，则表现越好。

机器学习识别模式

然而，深度学习无需输入显性的经验或者知识，无需手动设计特征，直接从数据提取特征，输出映射关系。

深度学习识别模式

面对复杂多变的生产环境、多种多样的检测对象，过度依赖于专家经验输入和人为划分任务，难免造成瓶颈，且难以优化。针对规模庞大的检测和识别任务，让机器自己学习才是最优的解决办法。

What's better?

海康威视VM算法平台集成1000+底层算子，70+视觉工具， 10+逻辑工具，其中包含深度学习字符识别、深度学习缺陷检测、深度学习图像分类等重量级秘密武器。针对检测对象的多样性和差异性，VM还提供深度学习训练工具，可让客户根据行业和场景来训练、构建满足自身需求的检测模型。VM算法平台的训练工具支持缺陷检测训练、字符训练、图像分类训练以及目标检测训练。有了深度学习算法的加持，配合自定义的检测模型，以往生产检测中的种种难题自然迎刃而解。

识文断字更在行

使用深度学习字符训练工具，对于已知类别的数字、字母类字符进行标记训练，得到一个可识别大多数文本的字符检测模型。将其应用到生产环境，可自动识别纸张、塑料、金属等材质表面的字符，且具有超强的抗背景干扰能力。

棘手环境，统统不惧！

并且，深度学习习得的模型可以可适应字符缩放、形变、扭曲等形态变化，也可适应字符间隔变化。字符缺陷检测工具能够将上述变化与字符缺陷区分开，识别字符局部缺陷。

黏连变形，没在怕的！

分门别类更精准

深度学习图像工具用于对物体或场景进行分类，无论是识别产品类目还是区分优劣，VM都能基于标注的图像集合，自主学习特征，从而对待目标进行正确的判断。

轮毂分类烟盒分类

明察秋毫更细致

缺陷检测训练工具是基于一组合格和不合格的数据进行训练，开发出基于深度学习的缺陷检测模型。在生产环境中，无论是屏幕表面的划痕、织物上的瑕疵，还是陶瓷表面的裂纹，深度学习缺陷检测算法都可以以热度图的形式将缺陷标记出来，帮助企业提高生产中的检测效率和良品率。

将深度学习算法引入机器视觉系统，给识别、检测的准确率带来大幅提升，其中字符识别错误率相对降低30%，分割相对性能提升30%，检测绝对性能提升13%。这一串的喜人数字意味着更少的漏网缺陷、更高质量的产品、更便捷有效的服务。目前，搭载着深度学习算法的视觉系统已经广泛应用于3C制造、汽车、物流、印刷纺织、新能源等各个行业，全面推动智能智造向更高水平发展。