Diep het Leren de Automatische Neurale Netwerken Aoi Vision van het Inspectiesysteem

Diep het Leren de Automatische Neurale Netwerken Aoi Vision Machine van het Inspectiesysteem

De diepe het leren beeldverwerking moet de problemen van de beeldverwerking oplossen door een „hersenen-als neuraal netwerk“ te bouwen en op de methode van te trekken

de menselijke gegevens van de hersenenverwerking. Daarom vereist om het even welke scène die diep het leren impliceren twee noodzakelijke voorwaarden: men is de steun van grote gegevens Diverse representatieve beelden; de tweede is een krachtig gegevensverwerkingsplatform - over het algemeen gebruikend een GPU-gegevensverwerkingsplatform. In daadwerkelijke industriële toepassingsscenario's, zijn deze twee voorwaarden uiterst moeilijk te bereiken, en de uitvoeringskosten is uiterst hoog. KEYE-technologie AI is een diepe die het leren functie op basis van het algemene de ontwikkelingsplatform van Kvis wordt gelanceerd. Het combineert KEYE-algoritmen van de het beeldverwerking van technologie de eigen krachtige traditionele om de meeste bovengenoemde twee problemen op te lossen.

Equipmetconfiguraties

De inspectiemachine keurt hoog-pixel industriële camera's en krachtige stroboscopische lichtbronnen goed om visuele inspecties in alle richtingen voor de tekorten van de productverschijning uit te voeren. Het materiaal kan 7*24-uren van verrichting voor alle weersomstandigheden realiseren, en het kan automatisch online zijn. Elimineer producten beneden de maat.

Toepassingswaaier

Voordelen en Eigenschappen
(1) de neurale netwerkgevolgtrekking wordt volledig uitgevoerd gebaseerd op cpu: De neurale netwerk modelgevolgtrekking die door KEYE TECHNOLOGIE AI wordt opgeleid wordt volledig uitgevoerd gebaseerd op cpu, en de neurale netwerk model opleiding steunt zowel cpu als GPU. De gebruikers kunnen een rekencapaciteitplatform volgens de ingewikkeldheid van het model buigzaam kiezen dat door het project, daardoor uitgaven van de besparings de onnodige hardware op het rekencapaciteitplatform wordt vereist;
(2) innovatief „diep het leren tekort het filtreren“ algoritme: gebruiken de gebruiks traditionele algoritmen om alle mogelijke tekortgebieden te vinden, en slechts diep het leren om het O.K. en NG onderscheid van tekortgebieden op te lossen, waarbij het probleem van de gegevensverzameling van het opleidingsbeeld wordt opgelost;
(3) steun het omscholen van neurale netwerkmodellen: Volgens de ingewikkeldheid van de toepassing van industriële scenario's, wordt de ononderbroken opleiding van modellen gesteund, zodat de eigen aan de industrie neurale netwerkmodellen kunnen worden gevormd.

Voorzorgsmaatregelen

1. De reeks van opleidingsgegevens moet zich strikt op „kwaliteit“ en „hoeveelheid“ concentreren

•  Kwaliteit: De gegevensreeks voor opleiding wordt gebruikt moet representatief zijn, diverse mogelijke situaties bevatten, en de distributie van het aantal beelden die aan elke situatie beantwoorden die zou eenvormig moeten zijn.
• Hoeveelheid: Het aantal gegevensreeksen die voor opleiding worden gebruikt moet vrij groot zijn. Volgens de ingewikkeldheid van het model, moet het aantal beelden van uitstekende kwaliteit groot zijn.

2. De traditionele algoritmen zouden met diep het leren moeten worden gecombineerd. De traditionele algoritmen kunnen het doen, zich baseren niet bij diep het leren

• Traditionele algoritmen: het plaatsen, grootte, enz.
• Diep lerend: verwijs naar de „problemen die moeilijk om door traditionele vroeger geïntroduceerde algoritmen“ zijn op te lossen.

3. Bepaal de plaats nauwkeurig van specifieke problemen, van „gedeeltelijk“ aan „geheel“. Het uiteindelijke doel van een project van de beeldverwerking is de nauwkeurige opsporing van 100% te bereiken, maar er zal diverse kwesties tijdens projectontwikkeling zijn die dit resultaat beïnvloeden. Wanneer een abnormaal resultaat voorkomt, is het noodzakelijk van de specifieke te testen en te vinden verbinding nauwkeurig om de plaats te bepalen.

• Overzicht van de reeks van opleidingsgegevens: Nadat het gegeven wordt geclassificeerd, moet het opnieuw na etikettering worden gecontroleerd om te zien of zijn er om het even welke etiketteringsfout of classificatiefout.
• Het neurale netwerk model redeneren: Na model opleiding, ben zeker om een groot aantal beelden te testen alvorens techniekdossiers in te voeren voor online het redeneren.

De naverkoopdienst

Het bedrijf heeft een volledig technisch de dienstteam en een snel reactiemechanisme, en de dienstspecialisten voor elke klant gehad, die technische overleg en foutenrapporten van klanten kan op elk ogenblik ontvangen. En om snelle reactie op klantennoodsituaties te verzekeren, om ervoor te zorgen dat de klanten de bevredigende dienst ontvangen. Tijdens epidemisch of wegens speciale redenen, wanneer de naverkoopingenieurs de plaats niet kunnen bereiken, kan het de dienstcentrum klantenmateriaal voor het oplossen van problemen en technisch overleg ver aanpassen.

Nadat het materiaal bij de klantenplaats aankomt, komt de naverkoopingenieur op tijd aan om materiaalinstallatie, opdragend, en verrichting opleiding uit te voeren. De productkwaliteit van de gehele machine is traceable, en de periode van de kwaliteitsgarantie is 1 jaar vanaf de datum van goedkeuring. In het geval van non-human fouten tijdens de garantieperiode, zullen de naverkoopingenieurs snel bij de plaats aankomen of zullen verre raad voor vrij onderhoud geven.