Redes neurais de aprendizagem profundas Aoi Vision do sistema de inspeção automático

Redes neurais de aprendizagem profundas Aoi Vision Machine do sistema de inspeção automático

O processamento de imagens de aprendizagem profundo é resolver problemas do processamento de imagens construindo “cérebro-como a rede neural” e tirando no método de

cérebro humano que processa dados. Consequentemente, toda a cena que envolve a aprendizagem profunda exige duas circunstâncias necessárias: um é o apoio de várias imagens representativas dos dados grandes; o segundo é uma plataforma de computação poderosa - geralmente usar uma plataforma de computação de GPU. Em encenações industriais reais da aplicação, estas duas circunstâncias são extremamente difíceis de conseguir, e o custo da aplicação é extremamente alto. A TECNOLOGIA AI de KEYE é uma função de aprendizagem profunda lançada com base na plataforma geral do desenvolvimento de Kvis. Combina algoritmos tradicionais poderosos do processamento de imagens da tecnologia de KEYE próprios para resolver a maioria do acima de dois problemas.

Configurações de Equipmet

A máquina da inspeção adota câmeras industriais do alto-pixel e fontes luminosas stroboscopic de capacidade elevada para realizar inspeçãos visuais omni-direcionais para defeitos da aparência do produto. O equipamento pode realizar as horas 7*24 da operação para qualquer tempo, e pode ser em linha automaticamente. Elimine produtos de qualidade inferior.

Escala da aplicação

Vantagens e características
(1) a inferência da rede neural é executada completamente com base no processador central: A inferência do modelo de rede neural treinada pela TECNOLOGIA AI de KEYE é executada completamente com base no processador central, e o treinamento do modelo de rede neural apoia o processador central e o GPU. Os usuários podem flexivelmente escolher uma plataforma da potência informática de acordo com a complexidade do modelo exigido pelo projeto, salvar desse modo despesas desnecessárias do hardware na plataforma da potência informática;
(2) “algoritmo de filtração de aprendizagem profundo inovativo do defeito”: use algoritmos tradicionais para encontrar todas as áreas possíveis do defeito, e use somente profundamente a aprendizagem resolver a discriminação da APROVAÇÃO e do NG de áreas do defeito, resolvendo assim o problema de treinar a imagem por aquisição de dados;
(3) apoie a instrucção de modelos de rede neural: De acordo com a complexidade da aplicação de encenações industriais, o treinamento contínuo dos modelos é apoiado, de modo que os modelos de rede neural específicos da indústria possam ser formados.

Precauções

1. A série de dados de formação deve restritamente centrar-se sobre a “qualidade” e a “quantidade”

•  Qualidade: A série de dados usada treinando deve ser representativa, contém várias situações possíveis, e a distribuição do número de imagens que correspondem a cada situação deve ser uniforme.
• Quantidade: O número de séries de dados usadas treinando deve ser relativamente grande. De acordo com a complexidade do modelo, o número das imagens de alta qualidade deve ser grande.

2. Os algoritmos tradicionais devem ser combinados com a aprendizagem profunda. Os algoritmos tradicionais podem fazê-lo, não confiam na aprendizagem profunda

• Algoritmos tradicionais: posicionamento, tamanho, etc.
• Aprendizagem profunda: refira os “problemas que são difíceis de resolver por algoritmos tradicionais” introduziram mais cedo.

3. Encontre exatamente problemas específicos, de “parcial” a “inteiro”. O objetivo último de um projeto da visão por computador é conseguir a detecção exata de 100%, mas haverá as várias edições durante o desenvolvimento de projeto que afetam este resultado. Quando um resultado anormal ocorre, é necessário posicionar exatamente a relação específica para testar e encontrar.

• Revisão da série de dados de formação: Depois que os dados são classificados, precisam de ser verificados outra vez após a rotulagem para considerar se há qualquer erro de rotulagem ou erro da classificação.
• Raciocínio do modelo de rede neural: Após o treinamento modelo, para ser certo testar um grande número imagens antes de importar arquivos de planejamento para o raciocínio em linha.

serviço da Após-venda

A empresa tem uma equipe completa do serviço técnico e um mecanismo de resposta rápido, e tem especialistas do serviço dedicado para cada cliente, que pode receber relatórios técnicos da consulta e da falha dos clientes a qualquer hora. E para assegurar a resposta rápida às emergências do cliente, para assegurar-se de que os clientes recebam o serviço satisfatório. Durante o epidêmico ou devido às razões especiais, quando os coordenadores pós-vendas são incapazes de alcançar o local, o centro de serviço pode remotamente ajustar o equipamento do cliente para a pesquisa de defeitos e a consulta técnica.

Depois que o equipamento chega no local de cliente, o coordenador pós-venda chega a tempo para realizar a instalação de equipamento, a comissão, e o treinamento da operação. A qualidade de produto da máquina inteira é rastreável, e o período de garantia da qualidade está a 1 ano da data de aceitação. No caso das falhas não-humanas durante o período de garantia, os coordenadores pós-vendas chegarão rapidamente no local ou fornecerão a orientação remota para a manutenção livre.