Redes neuronales automáticas de aprendizaje profundas Aoi Vision del sistema de inspección

Redes neuronales automáticas de aprendizaje profundas Aoi Vision Machine del sistema de inspección

El tratamiento de la imagen de aprendizaje profundo es solucionar problemas del tratamiento de la imagen construyendo “cerebro-como red neuronal” y dibujando en el método de

cerebro humano que procesa datos. Por lo tanto, cualquier escena que implica el aprendizaje profundo requiere dos condiciones necesarias: uno es la ayuda de las diversas imágenes representativas de los datos grandes; el segundo es una plataforma computacional potente - generalmente usando una plataforma computacional de GPU. En escenarios industriales reales del uso, estas dos condiciones son extremadamente difíciles de alcanzar, y el coste de la puesta en práctica es extremadamente alto. La TECNOLOGÍA AI de KEYE es una función de aprendizaje profunda puesta en marcha en base de la plataforma general del desarrollo de Kvis. Combina algoritmos tradicionales potentes del tratamiento de la imagen de la tecnología de KEYE propios para solucionar la mayor parte de sobre dos problemas.

Configuraciones de Equipmet

La máquina de la inspección adopta cámaras industriales del alto-pixel y fuentes de luz estroboscópicas de alto rendimiento para realizar las inspecciones visuales omnidireccionales para los defectos del aspecto del producto. El equipo puede realizar las horas 7*24 de operación para todo clima, y puede estar en línea automáticamente. Elimine los productos inferiores al nivel normal.

Gama del uso

Ventajas y características
(1) la inferencia de la red neuronal se ejecuta totalmente sobre la base de la CPU: La inferencia del modelo de red neuronal entrenada por la TECNOLOGÍA AI de KEYE se ejecuta totalmente sobre la base de la CPU, y el entrenamiento del modelo de red neuronal apoya la CPU y GPU. Los usuarios pueden elegir fexiblemente una plataforma del poder de computación según la complejidad del modelo requerido por el proyecto, de tal modo ahorrando gastos innecesarios del hardware en la plataforma del poder de computación;
(2) de “algoritmo de filtración aprendizaje profundo innovador del defecto”: utilice los algoritmos tradicionales para encontrar todas las áreas posibles del defecto, y utilice solamente profundamente el aprendizaje solucionar la discriminación de la AUTORIZACIÓN y del NG de las áreas del defecto, solucionando así el problema de entrenar imagen de adquisición de datos;
(3) ayuda la reinstrucción de los modelos de red neuronal: Según la complejidad del uso de escenarios industriales, la formación continua de modelos se apoya, para poder formar modelos de red neuronal específicos de la industria.

Precauciones

1. El conjunto de datos de entrenamiento debe centrarse estrictamente en “calidad” y “cantidad”

•  Calidad: El conjunto de datos usado para entrenar debe ser representativo, contiene diversas situaciones posibles, y la distribución del número de imágenes correspondiente a cada situación debe ser uniforme.
• Cantidad: El número de conjuntos de datos usados para entrenar debe ser relativamente grande. Según la complejidad del modelo, el número de imágenes de alta calidad debe ser grande.

2. Los algoritmos tradicionales se deben combinar con el aprendizaje profundo. Los algoritmos tradicionales pueden hacerlo, no confían en el aprendizaje profundo

• Algoritmos tradicionales: colocación, tamaño, etc.
• Aprendizaje profundo: refiera a los “problemas que son difíciles de solucionar por algoritmos tradicionales” introdujeron anterior.

3. Localice exactamente los problemas específicos, de “parcial” a “entero”. El objetivo último de un proyecto de la visión por ordenador es alcanzar la detección exacta del 100%, pero habrá los diversos problemas durante el desarrollo de proyecto que afectan a este resultado. Cuando ocurre un resultado anormal, es necesario situar exactamente el vínculo específico para probar y para encontrar.

• Estudio del conjunto de datos de entrenamiento: Después de que se clasifiquen los datos, necesitan ser comprobados otra vez después de etiquetar para considerar si hay cualquier error de etiquetado o error de la clasificación.
• Razonamiento del modelo de red neuronal: Después del entrenamiento modelo, estar seguro de probar un gran número de imágenes antes de importar los ficheros que dirigen para el razonamiento en línea.

servicio de la Después-venta

La compañía tiene un equipo completo del servicio técnico y un mecanismo de respuesta rápido, y tiene los especialistas del servicio dedicado para cada cliente, que puede recibir informes técnicos de la consulta y de la falta de clientes en cualquier momento. Y para asegurar respuesta rápida a las emergencias del cliente, para asegurarse de que los clientes reciben servicio satisfactorio. Durante el epidémico o debido a las razones especiales, cuando los ingenieros de las después-ventas no pueden alcanzar el sitio, el centro de servicio puede ajustar remotamente el equipo del cliente para que haya localizar averías y la consulta técnica.

Después de que el equipo llegue el sitio de cliente, el ingeniero de las después-ventas llega a tiempo para realizar la instalación de equipo, encargar, y el entrenamiento de la operación. La calidad del producto de la máquina entera es detectable, y el período de garantía de la calidad está a 1 año a partir de la fecha de la aceptación. En caso de faltas no humanas durante el período de garantía, los ingenieros de las después-ventas llegarán rápidamente el sitio o proporcionarán mantenimiento remoto de la dirección gratis.