（傳統(tǒng)機(jī)器視覺工作 VS 深度學(xué)習(xí)工作）

深度學(xué)習(xí)是基于神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法，其核心是神經(jīng)網(wǎng)絡(luò)模型，該模型由多層神經(jīng)元構(gòu)成，每層神經(jīng)元將接收上一層的輸入并進(jìn)行處理，然后將輸出傳遞到下一層。

深度學(xué)習(xí)模型則通常由多層神經(jīng)網(wǎng)絡(luò)組成，每一層都包含許多計(jì)算單元，這些計(jì)算單元之間具有權(quán)值連接。深度神經(jīng)網(wǎng)絡(luò)模型具備從原始數(shù)據(jù)中自動(dòng)抽取特征、構(gòu)建復(fù)雜特征、學(xué)習(xí)映射并輸出結(jié)果的能力，還能在訓(xùn)練過程中不斷優(yōu)化所有層級(jí)。

傳統(tǒng)的機(jī)器視覺技術(shù)需要將數(shù)據(jù)表示為一組特征，或輸入到預(yù)測(cè)模型，從而得出預(yù)測(cè)結(jié)果，這是完成制定動(dòng)作，較難適應(yīng)未來柔性化的生產(chǎn)需求，尤其是在缺陷類型復(fù)雜化、細(xì)微化、背景噪聲復(fù)雜等場(chǎng)景越來越難適用。

搭載 AI 深度學(xué)習(xí)功能后，機(jī)器視覺將原始的數(shù)據(jù)特征通過多步的特征轉(zhuǎn)換得到一種更高層次、更抽象的特征表示，并進(jìn)一步輸入到預(yù)測(cè)函數(shù)得到最終結(jié)果，基于深度學(xué)習(xí)的機(jī)器視覺在理想狀態(tài)下可以結(jié)合機(jī)器視覺的效率與人類視覺的靈活性，從而完成日趨復(fù)雜環(huán)境下的檢 測(cè)，尤其是涉及偏差或極端環(huán)境，滿足更多下游對(duì)瑕疵精度、通用性的嚴(yán)苛要求。

隨著卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的不斷進(jìn)步，人工智能的應(yīng)用領(lǐng)域正日益拓寬，其影響力已滲透到各行各業(yè)的方方面面。依托豐富的技術(shù)積累，華漢偉業(yè)自研深度學(xué)習(xí)算法，實(shí)現(xiàn)基于規(guī)則的機(jī)器視覺和基于深度學(xué)習(xí)的圖像分析之間的互補(bǔ)，具備強(qiáng)大的圖像識(shí)別與處理能力，能夠辨別各種工業(yè)復(fù)雜環(huán)境，實(shí)現(xiàn)智造升級(jí)。

iSense AI視覺檢測(cè)軟件是華漢偉業(yè)基于深度學(xué)習(xí)開發(fā)的端到端全流程AI工業(yè)質(zhì)檢平臺(tái)，旨在解決工業(yè)復(fù)雜缺陷檢測(cè)及工程管理核心難題，實(shí)現(xiàn)跨產(chǎn)品型號(hào)模型快速遷移，滿足多個(gè)細(xì)分行業(yè)場(chǎng)景的視覺應(yīng)用需求。通過在“多模態(tài)學(xué)習(xí)、實(shí)例分割、3D+2D分割、3D+2D分類、旋轉(zhuǎn)目標(biāo)檢測(cè)、對(duì)比學(xué)習(xí)、缺陷樣本自動(dòng)生成、無監(jiān)督學(xué)習(xí)”等8大產(chǎn)品特色工具的開發(fā)，實(shí)現(xiàn)了算法平臺(tái)化，助力工業(yè)產(chǎn)線快速部署，輔助企業(yè)提升產(chǎn)品質(zhì)量和制造工藝改善。

AI的核心算法功能支持零代碼的編程，簡(jiǎn)化了開發(fā)流程。同時(shí)，搭載2D、3D軟件，可以實(shí)現(xiàn)多種模態(tài)的融合檢測(cè)，完成各種復(fù)雜表面的質(zhì)量檢測(cè)，在新能源、3C電子制造、汽車電子等領(lǐng)域有著廣泛的應(yīng)用場(chǎng)景。

字符識(shí)別是借助基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法對(duì)已知類型的數(shù)字、字母類字符進(jìn)行標(biāo)記訓(xùn)練，在生產(chǎn)流程中，該技術(shù)能夠自動(dòng)檢測(cè)并識(shí)別圖像中是否存在這些字符，輸出精確的結(jié)果。這一過程實(shí)現(xiàn)了機(jī)器無需人工干預(yù)，即可自行解讀字符信息的能力。

華漢偉業(yè)采用2D+AI視覺技術(shù)中的字符識(shí)別工具對(duì)零部件的有無以及字符進(jìn)行檢測(cè)，能夠有效地處理圖像中的噪聲和干擾，突出具有刻印深度的產(chǎn)品特征信息，大幅度提升產(chǎn)品不良品的檢出，準(zhǔn)確率高，計(jì)算速度快。

例如在二維碼飛拍讀取應(yīng)用中，融入深度學(xué)習(xí)，基于海量的樣本數(shù)據(jù)，動(dòng)態(tài)判斷產(chǎn)品內(nèi)容，滿足高速檢測(cè)需求，能夠捕捉到更復(fù)雜的字符特征和模式，高效識(shí)別各種疑難碼。

缺陷檢測(cè)主要是指對(duì)工業(yè)產(chǎn)品表面瑕疵的識(shí)別，目前缺陷檢測(cè)應(yīng)用最多，且對(duì)外觀有嚴(yán)格要求的產(chǎn)品包括金屬、玻璃、電子元器件等。

傳統(tǒng)機(jī)器視覺系統(tǒng)面對(duì)復(fù)雜多變的缺陷類型，需要根據(jù)實(shí)際的場(chǎng)景搭建不同的算法模塊，由專業(yè)的人員對(duì)機(jī)器進(jìn)行大量的調(diào)試，繁復(fù)的調(diào)試工作不僅需要大量的工時(shí)，同時(shí)還需要品管人員進(jìn)行反復(fù)的校核，最終進(jìn)入產(chǎn)線檢測(cè)。

而深度學(xué)習(xí)將人工智能和基于規(guī)則的傳統(tǒng)機(jī)器視覺可擴(kuò)展性的優(yōu)勢(shì)結(jié)合在一起。華漢偉業(yè)將傳統(tǒng)的2D/2.5D/3D檢測(cè)算法與AI深度學(xué)習(xí)算法深度融合，支持多種模態(tài)組合。

在方殼電池六面檢案例中，華漢偉業(yè)通過對(duì)缺陷圖像的大量識(shí)別訓(xùn)練，能夠更快的構(gòu)建出算法模型，通過算法實(shí)現(xiàn)快速響應(yīng)，自動(dòng)且全面地檢測(cè)產(chǎn)品表面各種形狀和大小的缺陷，包括劃痕、裂紋、凹凸、氣泡等，實(shí)現(xiàn)對(duì)產(chǎn)品的質(zhì)量控制以及對(duì)制造工業(yè)生產(chǎn)線的智能化升級(jí)。

與人眼相比，機(jī)器視覺在效率、精度、環(huán)境要求、安全性等各因素上都有明顯的優(yōu)勢(shì)。同時(shí)，在AI深度學(xué)習(xí)+機(jī)器視覺的升級(jí)趨勢(shì)下，在工業(yè)自動(dòng)化、數(shù)字化、柔性化、復(fù)雜性生產(chǎn)上貢獻(xiàn)了更高的適配度。

華漢偉業(yè)將深度學(xué)習(xí)算法引入機(jī)器視覺系統(tǒng)，通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)不同場(chǎng)景的特征，建立不同的深度學(xué)習(xí)模型，從而實(shí)現(xiàn)分析更加復(fù)雜的圖像并提高圖像分析能力與檢測(cè)效果。自研的深度學(xué)習(xí)不僅能夠適應(yīng)不同的應(yīng)用場(chǎng)景，還可以自動(dòng)提取數(shù)據(jù)中的特征，在處理各種不同的數(shù)據(jù)時(shí)取得良好的效果。

通過搭載人工智能發(fā)展東風(fēng)實(shí)現(xiàn)機(jī)器視覺的再一次迭代升級(jí)，華漢偉業(yè)打破傳統(tǒng)機(jī)器視覺壁壘，以創(chuàng)新技術(shù)發(fā)展新質(zhì)生產(chǎn)力，持續(xù)賦能產(chǎn)業(yè)升級(jí)。