12月1日，OPT(奧普特)舉辦主題為“基于深度學習的機器視覺應用”線上研討會，分享深度學習軟件SciDeepVision的圖像分析核心技術及應用案例，如異常缺陷檢測算法、小樣本學習、自適應訓練、遷移學習等。本次專題研討會由OPT(奧普特)研發(fā)中心高紅超博士主講。

　　深度學習軟件SciDeepVision

　　自動提取特征信息

　　深度學習是人工智能的核心技術，結合了深度學習的機器視覺系統(tǒng)，能讓機器像人一樣具有分析學習能力，從而識別文字、圖像等數據信息，解決多種復雜的模式識別問題。

深度學習在機器視覺的應用

　　深度學習的三要素分別為算法、算力、數據，在機器視覺應用中，需要強大的算力支撐并依賴大量數據。在這過程中，深度學習應用通常會遇到樣本數據不足、過度依賴硬件性能等問題，進而影響圖像分析效率與準確率。

　　OPT(奧普特)推出的深度學習軟件SciDeepVision ，突破了傳統(tǒng)深度學習的瓶頸，集標注 、訓練、評估為一體， 具有無需編程、操作方便等特性，自動進行特征提取，囊括 20 余項關鍵技術和功能，涵蓋數據規(guī)整標注、AI 基礎模型、模型性能提升、模型訓練、評估可視化等。

深度學習算法流程可視化

　　集成小樣本學習、遷移學習等技術

　　降低對數據的依賴

　　SciDeepVision 軟件在異常檢測、文字識別、小樣本學習、遷移學習、 模型輕量化等圖像分析方面實現關鍵技術創(chuàng)新，例如解決了過度依賴大量缺陷樣本數據和硬件設備性能等問題，AI 檢測模型的魯棒性更好，能節(jié)約大量人力及時間成本。

　　SciDeepVision 軟件采用異常缺陷檢測算法，僅需正常樣本，無需標注缺陷位置，檢測模型能自動識別帶有缺陷的圖像，并精準定位缺陷位置;同時，通過小樣本文字識別算法，使用少量帶有字符標注信息的圖片，就能生成大規(guī)模高質量的帶有源域風格的文字圖像。

小樣本文字識別算法檢測對比

　　深度學習軟件在生成檢測模型過程中，通常會由于缺陷樣本少、形態(tài)差異大、換型頻繁等原因，出現魯棒性、泛化性差等問題，為解決此類難題，OPT(奧普特)對SciDeepVision軟件進行了三大技術創(chuàng)新，即小樣本學習框架、自適應訓練技術和遷移學習技術。

　　其中，自適應訓練技術，能從歷史數據中，推薦對當前檢測有價值的數據，并進行人工標注和優(yōu)化模型，數據整理工作量降低一半，大幅提升AI模型檢測準確率，訓練成本低。

自適應訓練技術

　　此外，SciDeepVision 軟件的遷移學習技術，能在不影響AI檢測模型魯棒性和泛化性的前提下，縮短模型訓練周期，相近工藝的質檢甚至能實現一鍵換型，產品換型時間縮短。

遷移學習技術

　　基于深度學習的視覺應用

　　覆蓋鋰電池制程多個工序

　　SciDeepVision 軟件目前已廣泛應用于鋰電、3C等行業(yè)，如在鋰離子電池制造過程中，產生的外觀缺陷種類繁多、形態(tài)各異，無法用傳統(tǒng)的定義規(guī)則來實現檢測。而SciDeepVision軟件已應用于鋰電池制程的十多個關鍵工序，包括涂布、模切、激光分切、疊片、卷繞、焊接、包裝等各環(huán)節(jié)。

SciDeepVision軟件在鋰電池工序的應用

　　以鋰電池極耳焊接缺陷檢測為例，焊接缺陷形態(tài)豐富，難以界定其形態(tài)邊緣，缺陷位置具有隨機性，利用SciDeepVision軟件，能利用卷積神經網絡進行特征提取，快速輸出缺陷分割的類別信息。

SciDeepVision軟件在極耳缺陷檢測的應用

　　此外，OPT(奧普特)還基于深度學習，設計通用、輕量型的條形碼定位算法，對條形碼圖像進行增強、矯正，能在僅有少量條形碼數據的情況下，實現高速高精度的條形碼定位。

　　了解深度學習在機器視覺應用的更多詳情，請掃二維碼，觀看直播視頻!