深度学习应用示例

深度学习与传统机器视觉

深度学习是一种解决机器视觉问题的可靠的新方式，可以解决从前无法解决的难题。但是传统机器视觉方法在某些应用领域依然占优势。如何选择更合适的方式？以下快速指南请查收：

深度学习应用：监督式模式

在监督式模式下，用户需要仔细地标记与训练图像上的缺陷相对应的像素。接着，工具通过查找其关键特征来学习区分正例与反例。

光伏检测

在这种应用程序中，裂痕与划痕必须在具有复杂特征的表面上被检测到。使用传统视觉技术时，由于太阳能电池板种类不同，因此许多算法参数必须经过调整。通过深度学习，只需使用一种工具就可以在受监督的模式下训练系统。

卫星图像分割

卫星图分析极难，是因为其特征种类繁多。尽管如此，我们的深度学习插件通过训练，能够稳定可靠地检测到道路与建筑。可以仅使用一张正确标记的图像进行训练，并且可以立即查看结果。加载更多样品图像以增加模型的鲁棒性。

纺织品材料检测

纺织品材料的风格丰富多彩，但有一点是不变的——缺陷出现在高度纹理的背景上。使用深度学习技术，用户能够给几个缺陷的类型下定义，并将此缺陷标记在样品图像上。训练完成后，分类是自动进行的，检测出难以看得到的缺陷。

饼干检测

具有同样外貌的饼干是不存在的，但是客户都期望一件事能够保持完美：比如关于巧克力盖。如何给缺陷准确地下定义？很简单，首先收集有缺陷的饼干，并标记表面上的缺陷。让Adaptive Vision的软件学习如何识别差异，然后就可以在产品上找到它们。

大理石裂痕

检测大理石上的裂痕属于具有挑战性的任务，是因为其表面不是同质的。Adaptive Vision的软件能够成功地区分裂痕与不规则图案。您所需要做的不过是提供几张示例图像，仔细标记裂痕，然后训练模型。

木节疤

在分级木材时，必须考虑的关键因素之一是木节疤的数量与尺寸。使用Adaptive Vision的深度学习插件，您可以在几分钟内准备好一个检测木节疤与测量其尺寸的可靠程序。不需编程技巧，只需要加载样品图像并分析结果。

深度学习应用：非监督式模式

非监督式模式的训练更加简单，没有固定缺陷定义。我们的软件将样品图像进行训练，然后寻找各类偏差。

包装验证

寿司盒交付视场时，每一块都必须正确地放置在特定的位置上。正确地被测物也可能变化，因此给缺陷下定义极难。解决这种问题的方式是使用非监督式模式。

塑料、注塑

注塑成型是一个复杂的工艺，因此可能产生许多生产问题。塑料物体有可能包括客户可接受的某些弯曲或其他形状偏差。Adaptive Vision的深度学习插件可以从提供的样品图像中学习所有可接受得偏差，然后在生产线上运行时检测任何类型的异常。

【来源：Adaptive Vision公司】