深度学习新篇章—维视智造交出了视觉深度学习软件平台最佳答案

从理论起步到工业实践，中国工业视觉发展分为四个阶段，当前正处于机器视觉向各行业应用渗透的时期。科技自主化成为国家战略，工业视觉应用的广度与深度实现快速发展，广度体现在2D向3D递进，深度体现在算法层的深度应用，如深度学习、AI认知逐步建立，应用渗透率提高，国产化应用需求逐渐增加，自研比例不断提升。

在机器视觉软件开发领域，大部分厂家面向市场上检测精度越来越高、检测速度越来越快、成本越来越低、场景适应面越来越广等的需求趋势，已经将深度学习作为研发的重要方向，事实也证明，为机器视觉系统配置深度学习的算法软件，确实可以处理很多制造行业产线的新问题。

然而，深度学习算法也并非“药”。一方面，很多机器视觉提供商在研发软件平台时，直接从深度学习起步，缺乏传统算法的基础积累，导致遇到需要传统算法解决的场景，就举步维艰，需要再进行定制开发；另一方面，深度学习对平台算力要求高，当前工业制造产线中仍有大量的仅需要传统算法就可解决的机器视觉场景，如果一概使用深度学习，则在某种程度上也是一种成本浪费。

传统算法融合深度学习 维视独辟蹊径的最优解

多年的研发和一线实践，维视团队深谙传统算法的优势和边界，因此开创性地将传统算法融合深度学习，为机器视觉带来了针对软件平台的最佳答案。

相对于当前行业内以传统算法或以深度学习为核心的软件，维视智造推出的VisionBank AI通用智能工业视觉算法平台，将维视20年的传统算法积累和深度学习有效融合，版本几乎可以完成任何行业内任何场景下的图像处理任务。同时，随着新算法、新技术和创新应用方法的不断发展，VisionBank AI将在其的项目开发架构及系统架构之上快速完成升级迭代，从而解决更多的场景问题。

VisionBank AI的功能特色包括：

（1）创新的“深度学习过滤”工具。先以传统算法实现“0漏检，高过检”，再用“深度学习”过滤“过检”中误判情况。该方案不仅能实现“0漏检”下极低的“过检率”指标，还具备以下优势特点：

1. 任何需要进一步“智能判定”的工具都支持“深度学习过滤”

2. 对训练数据量要求降低——“过检”情况下，提高检测指标，即可快速获取大量负样本数据，“NG”产品数据获取不再是问题。

3. 对算力平台要求降低——“深度学习过滤”工具基于OpenVINO硬件加速引擎优化，可以完全基于CPU完成在线推理。

4. 严谨、清晰的判定原理过程展示——“深度学习过滤”工具是传统算法和深度学习深度融合的典型应用，在深度学习的加持，依旧保留了传统算法的严谨逻辑。

5. 更自由的检测方案设计——“深度学习过滤”工具不仅仅用于传统算法和深度学习相融合，还可以先用深度学习“过检”，再用“深度学习过滤”的创新用法。

（2）深度学习技术在图像处理细节流程中的创新应用。维视智造不仅把深度学习技术用来直接解决一些复杂检测问题，更把深度学习技术应用在图像处理流程中的各个环节。比如：深度学习图像增强、深度学习掩膜、深度学习定位、深度学习模板训练等。在使用VisionBank AI的工具时，会经常发现深度学习技术给传统算法带来的惊喜。

深度学习图像增强”可以只输出你感兴趣的“钢筋区域”

（3）前沿的“迁移学习”技术应用。众所周知，“迁移学习”技术应用需要大量数据积累，通过“预训练模型”来实现。维视智造在深度学习图像增强、深度学习二值图后处理等流程上使用了各种“预训练”模型，可以在不获取用户任何训练数据的前提下，“提前想到”用户的预期目的。

（4）完善、易用的平台应用架构。VisionBank AI不是深度学习技术火热后的新产品，而是将深度学习技术深度融合到一个具有二十余年应用积淀的软件中的升级产品。其在相机、通讯、数据存储、IO、用户管理、流程处理逻辑等模块的功能经受住了大量各行业用户的验证和认可。

除此之外，VisionBank AI还拥有多项面对具体难题的技术突破：

（1）传统算法的应用。VisionBank AI将传统算法的能力几乎应用到了，凡是传统算法能够解决的应用场景，VisionBank AI全部触达。VisionBank AI只把深度学习技术应用在两个方面：其一、传统算法无法解决的场景；其二、采用深度学习技术时效率和稳定性更高的场景。

VisionBank AI传统算法可检出的“隐裂”缺陷

（2）智能高速定位算法的突破。高分辨率图像下的高精度、高速度智能特征匹配一直都是是行业难点问题。VisionBank AI开发的第四代“特征匹配算法”相对于代算法，匹配速度提升了11倍，支持以下异常特征匹配：特征被部分遮挡、特征大小有缩放、特征扭曲变形以及特征显示不全等。VisionBank AI的核心图像处理算法始终看齐国内外最前沿技术。

（3）神经网络模型的深度优化。VisionBank AI在线推理的神经网络模型均基于OpenVINO进行了模型优化。优化后的模型，对算力平台的要求可降低16倍（不同类型的模型优化结果有差异）。VisionBank AI的在线推理可以全部基于CPU完成。

案例实践 实力赋能

VisionBank AI可以更好的适应客户现场的各种复杂检测要求，目前也已有了典型实践案例：

螺纹裂纹检测

在螺纹的生产加工过程中，因为各种原因会产生一定比例的不合格品，如果不能够将不合格品检测出来，会对产品本身的强度造成严重影响。采用传统的视觉检测方法对螺纹进行检测，因为螺纹本身的纹理干扰等因素，在检测的过程中无法检测或者误判率非常高，采用VisionBank AI的深度学习功能，可将误判率大大的降低，良品率能够达到99.9%以上。

键盘缺陷检测

在电脑键盘字符印刷的过程中，经常会产生各种印刷不良，采用传统的视觉检测方法进行检测，粉尘、毛屑、指纹等如果残留在键盘上，就会对视觉检测造成干扰。在检测过程中将其误检为字符的印刷不良，使合格品被误检为不合格品，从而影响产线的生产效率。针对以上存在的问题，用VisionBank AI的深度学习功能对键盘进行检测，可使产线的误检率大大的降低，从而提高产线的检测生产效率和产品质量。

大枣分选

在大枣的分类检测项目的要求中，需要对多种大枣产品进行分类，其中每一类之间有着明显的差异，采用传统算法进行特征提取来判断，无法实现批量生产检测；同时，相同类别的大枣之间又存在共性，通过传统的检测方法难以稳定的获取到相同的元素。为了能够实现大枣的检测分类要求，使用VisionBank 深度学习功能对大枣进行分类和检测，就达到了很好的检测效果。

声明： 本网站原创内容，如需转载，请注明出处；本网站转载内容（文章、图片、视频等资料）的版权归原网站所有。如我们转载或使用了您的文章或图片等资料的，未能及时和您沟通确认的，请第一时间通知我们，以便我们第一时间采取相应措施，避免给双方造成不必要的经济损失或其他侵权责任。如您未通知我们，我们有权利免于承担任何责任。 我们的联系邮箱：news@cecb2b.com。