在AI賦能智能制造（一） | 機(jī)器視覺(jué)加持，從此慧眼如炬中，我們了解到：

無(wú)論劃痕形狀、位置如何變化，視覺(jué)系統(tǒng)都能即刻做出正確判斷；即使背景臟污、對(duì)比度低，字母和數(shù)字都難逃視覺(jué)系統(tǒng)的法眼； 不管物體如何放置，機(jī)器視覺(jué)系統(tǒng)都可快速鎖定，輕松讀取目標(biāo)條碼。

這身過(guò)人本領(lǐng)的離不開(kāi)機(jī)器視覺(jué)系統(tǒng)孜孜不倦學(xué)習(xí)，勤勤懇懇訓(xùn)練。海康威視VM算法平臺(tái)屬于海康威視AI Cloud體系邊緣域圈層， 其借助深度學(xué)習(xí)算法，指導(dǎo)視覺(jué)系統(tǒng)實(shí)現(xiàn)更便捷的缺陷檢測(cè)、更精準(zhǔn)的字符識(shí)別、更高效的目標(biāo)定位。

本期主講

AI賦能智能制造之自有分辨的視覺(jué)算法

Why DeepLearning？

深度學(xué)習(xí)(DeepLearning)作為AI領(lǐng)域炙手可熱的概念，具體是指什么，跟機(jī)器學(xué)習(xí)有著怎樣的區(qū)別？這里進(jìn)行一個(gè)初步的講解。

海工小講堂

發(fā)表于今天查看:13500

深度學(xué)習(xí)(DeepLearning，DL)屬于機(jī)器學(xué)習(xí)的子類(lèi)，它模仿人類(lèi)大腦對(duì)于信息的處理方式，是利用深度神經(jīng)網(wǎng)絡(luò)來(lái)解決特征表達(dá)的一種學(xué)習(xí)過(guò)程。深度學(xué)習(xí)算法能夠通過(guò)底層特征的不斷組合抽象能形成具有語(yǔ)義的更加高級(jí)的特征，來(lái)更好的表達(dá)數(shù)據(jù)。

深度學(xué)習(xí)信息處理模式

以識(shí)別圖片中的猴子為例，傳統(tǒng)機(jī)器學(xué)習(xí)識(shí)別的模式需輸入長(zhǎng)串的指令，例如猴子有毛茸茸的毛，有2只耳朵等等，然后程序根據(jù)這些指令提取特征、編碼，計(jì)算機(jī)再進(jìn)行判斷。輸入的經(jīng)驗(yàn)越多，則表現(xiàn)越好。

機(jī)器學(xué)習(xí)識(shí)別模式

然而，深度學(xué)習(xí)無(wú)需輸入顯性的經(jīng)驗(yàn)或者知識(shí)，無(wú)需手動(dòng)設(shè)計(jì)特征，直接從數(shù)據(jù)提取特征，輸出映射關(guān)系。

深度學(xué)習(xí)識(shí)別模式

面對(duì)復(fù)雜多變的生產(chǎn)環(huán)境、多種多樣的檢測(cè)對(duì)象，過(guò)度依賴(lài)于專(zhuān)家經(jīng)驗(yàn)輸入和人為劃分任務(wù)，難免造成瓶頸，且難以?xún)?yōu)化。針對(duì)規(guī)模龐大的檢測(cè)和識(shí)別任務(wù)，讓機(jī)器自己學(xué)習(xí)才是最優(yōu)的解決辦法。

What's better?

海康威視VM算法平臺(tái)集成1000+底層算子，70+視覺(jué)工具， 10+邏輯工具，其中包含深度學(xué)習(xí)字符識(shí)別、深度學(xué)習(xí)缺陷檢測(cè)、深度學(xué)習(xí)圖像分類(lèi)等重量級(jí)秘密武器。針對(duì)檢測(cè)對(duì)象的多樣性和差異性，VM還提供深度學(xué)習(xí)訓(xùn)練工具，可讓客戶(hù)根據(jù)行業(yè)和場(chǎng)景來(lái)訓(xùn)練、構(gòu)建滿(mǎn)足自身需求的檢測(cè)模型。VM算法平臺(tái)的訓(xùn)練工具支持缺陷檢測(cè)訓(xùn)練、字符訓(xùn)練、圖像分類(lèi)訓(xùn)練以及目標(biāo)檢測(cè)訓(xùn)練。有了深度學(xué)習(xí)算法的加持，配合自定義的檢測(cè)模型，以往生產(chǎn)檢測(cè)中的種種難題自然迎刃而解。

識(shí)文斷字更在行

使用深度學(xué)習(xí)字符訓(xùn)練工具，對(duì)于已知類(lèi)別的數(shù)字、字母類(lèi)字符進(jìn)行標(biāo)記訓(xùn)練，得到一個(gè)可識(shí)別大多數(shù)文本的字符檢測(cè)模型。將其應(yīng)用到生產(chǎn)環(huán)境，可自動(dòng)識(shí)別紙張、塑料、金屬等材質(zhì)表面的字符，且具有超強(qiáng)的抗背景干擾能力。

棘手環(huán)境，統(tǒng)統(tǒng)不懼！

并且，深度學(xué)習(xí)習(xí)得的模型可以可適應(yīng)字符縮放、形變、扭曲等形態(tài)變化，也可適應(yīng)字符間隔變化。字符缺陷檢測(cè)工具能夠?qū)⑸鲜鲎兓c字符缺陷區(qū)分開(kāi)，識(shí)別字符局部缺陷。

黏連變形，沒(méi)在怕的！

分門(mén)別類(lèi)更精準(zhǔn)

深度學(xué)習(xí)圖像工具用于對(duì)物體或場(chǎng)景進(jìn)行分類(lèi)，無(wú)論是識(shí)別產(chǎn)品類(lèi)目還是區(qū)分優(yōu)劣，VM都能基于標(biāo)注的圖像集合，自主學(xué)習(xí)特征，從而對(duì)待目標(biāo)進(jìn)行正確的判斷。

▲輪轂分類(lèi)                              

▼煙盒分類(lèi)

明察秋毫更細(xì)致

缺陷檢測(cè)訓(xùn)練工具是基于一組合格和不合格的數(shù)據(jù)進(jìn)行訓(xùn)練，開(kāi)發(fā)出基于深度學(xué)習(xí)的缺陷檢測(cè)模型。在生產(chǎn)環(huán)境中，無(wú)論是屏幕表面的劃痕、織物上的瑕疵，還是陶瓷表面的裂紋，深度學(xué)習(xí)缺陷檢測(cè)算法都可以以熱度圖的形式將缺陷標(biāo)記出來(lái)，幫助企業(yè)提高生產(chǎn)中的檢測(cè)效率和良品率。

將深度學(xué)習(xí)算法引入機(jī)器視覺(jué)系統(tǒng)，給識(shí)別、檢測(cè)的準(zhǔn)確率帶來(lái)大幅提升，其中字符識(shí)別錯(cuò)誤率相對(duì)降低30%，分割相對(duì)性能提升30%，檢測(cè)絕對(duì)性能提升13%。這一串的喜人數(shù)字意味著更少的漏網(wǎng)缺陷、更高質(zhì)量的產(chǎn)品、更便捷有效的服務(wù)。目前，搭載著深度學(xué)習(xí)算法的視覺(jué)系統(tǒng)已經(jīng)廣泛應(yīng)用于3C制造、汽車(chē)、物流、印刷紡織、新能源等各個(gè)行業(yè)，全面推動(dòng)智能智造向更高水平發(fā)展。