在AI賦能智能制造（一） | 機器視覺加持，從此慧眼如炬中，我們了解到：

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

這身過人本領的離不開機器視覺系統(tǒng)孜孜不倦學習，勤勤懇懇訓練。海康威視VM算法平臺屬于海康威視AI Cloud體系邊緣域圈層， 其借助深度學習算法，指導視覺系統(tǒng)實現(xiàn)更便捷的缺陷檢測、更精準的字符識別、更高效的目標定位。

本期主講

AI賦能智能制造之自有分辨的視覺算法

Why DeepLearning？

深度學習(DeepLearning)作為AI領域炙手可熱的概念，具體是指什么，跟機器學習有著怎樣的區(qū)別？這里進行一個初步的講解。

海工小講堂

發(fā)表于今天查看:13500

深度學習(DeepLearning，DL)屬于機器學習的子類，它模仿人類大腦對于信息的處理方式，是利用深度神經(jīng)網(wǎng)絡來解決特征表達的一種學習過程。深度學習算法能夠通過底層特征的不斷組合抽象能形成具有語義的更加高級的特征，來更好的表達數(shù)據(jù)。

深度學習信息處理模式

以識別圖片中的猴子為例，傳統(tǒng)機器學習識別的模式需輸入長串的指令，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，計算機再進行判斷。輸入的經(jīng)驗越多，則表現(xiàn)越好。

機器學習識別模式

然而，深度學習無需輸入顯性的經(jīng)驗或者知識，無需手動設計特征，直接從數(shù)據(jù)提取特征，輸出映射關系。

深度學習識別模式

面對復雜多變的生產(chǎn)環(huán)境、多種多樣的檢測對象，過度依賴于專家經(jīng)驗輸入和人為劃分任務，難免造成瓶頸，且難以優(yōu)化。針對規(guī)模龐大的檢測和識別任務，讓機器自己學習才是最優(yōu)的解決辦法。

What's better?

海康威視VM算法平臺集成1000+底層算子，70+視覺工具， 10+邏輯工具，其中包含深度學習字符識別、深度學習缺陷檢測、深度學習圖像分類等重量級秘密武器。針對檢測對象的多樣性和差異性，VM還提供深度學習訓練工具，可讓客戶根據(jù)行業(yè)和場景來訓練、構建滿足自身需求的檢測模型。VM算法平臺的訓練工具支持缺陷檢測訓練、字符訓練、圖像分類訓練以及目標檢測訓練。有了深度學習算法的加持，配合自定義的檢測模型，以往生產(chǎn)檢測中的種種難題自然迎刃而解。

識文斷字更在行

使用深度學習字符訓練工具，對于已知類別的數(shù)字、字母類字符進行標記訓練，得到一個可識別大多數(shù)文本的字符檢測模型。將其應用到生產(chǎn)環(huán)境，可自動識別紙張、塑料、金屬等材質表面的字符，且具有超強的抗背景干擾能力。

棘手環(huán)境，統(tǒng)統(tǒng)不懼！

并且，深度學習習得的模型可以可適應字符縮放、形變、扭曲等形態(tài)變化，也可適應字符間隔變化。字符缺陷檢測工具能夠將上述變化與字符缺陷區(qū)分開，識別字符局部缺陷。

黏連變形，沒在怕的！

分門別類更精準

深度學習圖像工具用于對物體或場景進行分類，無論是識別產(chǎn)品類目還是區(qū)分優(yōu)劣，VM都能基于標注的圖像集合，自主學習特征，從而對待目標進行正確的判斷。

▲輪轂分類                              

▼煙盒分類

明察秋毫更細致

缺陷檢測訓練工具是基于一組合格和不合格的數(shù)據(jù)進行訓練，開發(fā)出基于深度學習的缺陷檢測模型。在生產(chǎn)環(huán)境中，無論是屏幕表面的劃痕、織物上的瑕疵，還是陶瓷表面的裂紋，深度學習缺陷檢測算法都可以以熱度圖的形式將缺陷標記出來，幫助企業(yè)提高生產(chǎn)中的檢測效率和良品率。

將深度學習算法引入機器視覺系統(tǒng)，給識別、檢測的準確率帶來大幅提升，其中字符識別錯誤率相對降低30%，分割相對性能提升30%，檢測絕對性能提升13%。這一串的喜人數(shù)字意味著更少的漏網(wǎng)缺陷、更高質量的產(chǎn)品、更便捷有效的服務。目前，搭載著深度學習算法的視覺系統(tǒng)已經(jīng)廣泛應用于3C制造、汽車、物流、印刷紡織、新能源等各個行業(yè)，全面推動智能智造向更高水平發(fā)展。