全国服务热线:4000-400-860
您现在所在位置:首页 > 产品中心 > 视觉解决方案 > 机器视觉软件
视觉解决方案 机器视觉软件 机器视觉系统 院校系统设备 机器视觉教学创新实验室 视觉机器人教学创新实验室 "工业4.0-智能工厂"实验室 工业相机 Microvision工业相机 AVT工业相机 Dalsa线阵相机 远心光学镜头 双远心镜头 远心镜头 远心光源 远心装置 远心器件 工业镜头 工业光源 配套产品 图像采集卡
VisionBank Ai深度学习机器视觉开发平台软件
发布时间:2022-04-28
VisionBank Ai 深度学习视觉解决方案



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):


微信截图_20220420111124

微信截图_20220420111135


传统图像处理原理



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;

8888888888


深度学习图像处理原理



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;

999999999999999


VisionBank AI项目开发四步骤



(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;

微信截图_20220420112919

(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;

11111111111111111

(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;

222222222222222


(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

4444444444441111111111111111111111111

VisionBank AI优势特点



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。

深度学习项目开发注意事项



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


相关资料下载:
Copyright © 2015-2021 北京博科创新机器视觉技术有限公司 All Rights Reserved. | 备案号:京ICP备15021655号-1