VisionBank AI官網:http://www.visionbankai.com/
VisionBank AI是搭載在“VisionBank通(tōng)用(yòng)機器視覺開發平台”上的(de)一種圖像處理(lǐ)工具,它采用(yòng)深度學習(xí)
技術解決機器視覺應用(yòng)場(chǎng)景中傳統算(suàn)法難以解決的(de)問題(四大(dà)應用(yòng)場(chǎng)景):
VisionBank經過多(duō)個(gè)版本的(de)技術更新,現有以下(xià)功能和(hé)技術突破:
一,對(duì)平台算(suàn)力要求降低,精簡項目成本。
VisionBank在線推理(lǐ)的(de)神經網絡模型均基于OpenVINO進行了(le)模型優化(huà),優化(huà)後的(de)模型,對(duì)算(suàn)力平台的(de)要求最高(gāo)可(kě)降低16倍(不同類型的(de)模型優化(huà)結果有差異)。使得(de)VisionBank的(de)在線推理(lǐ)可(kě)全部基于CPU完成,降低GPU使用(yòng)需求,從而優化(huà)企業的(de)成本控制。
二,訓練數據量降低100倍。
創新的(de)深度學習(xí)模塊和(hé)傳統缺陷檢測算(suàn)法深度融合,可(kě)以利用(yòng)傳統算(suàn)法“過檢”後的(de)“圖像塊”來(lái)訓練“缺陷過濾神經網絡模型”,在利用(yòng)對(duì)抗訓練的(de)準确性優勢下(xià),有效解決了(le)“負樣本”圖像數據獲取問題。
三,新一代特征匹配算(suàn)法,提速11倍。
最新開發的(de)第四代“特征匹配算(suàn)法”相對(duì)于第一代算(suàn)法,匹配速度提升了(le)11倍,支持以下(xià)異常特征匹配:特征被部分(fēn)遮擋、特征大(dà)小有縮放、特征扭曲變形以及特征顯示不全等。
四,最新升級的(de)架構模塊,最多(duō)支持16台相機同時(shí)并行檢測。
一台處理(lǐ)器可(kě)以當16台處理(lǐ)器使用(yòng),在多(duō)相機協同工作場(chǎng)景,實現了(le)有效的(de)成本優化(huà)。
傳統圖像處理(lǐ)是人(rén)工分(fēn)析圖像的(de)特征,再通(tōng)過圖像處理(lǐ)算(suàn)法提取特征,然後通(tōng)過特征的(de)關鍵參數來(lái)區(qū)分(fēn)對(duì)象;
深度學習(xí)是采集大(dà)量圖像,然後标注圖像數據并訓練神經網絡,通(tōng)過訓練好的(de)神經網絡進行對(duì)象類型推理(lǐ);
(1)訓練及測試數據采集:利用(yòng)工廠搭建好的(de)機器視覺硬件系統,基于VisionBank平台自動存儲500~10000張包含“正負樣本”的(de)圖像數據;
(2)訓練及測試數據分(fēn)類:将自動采集到的(de)圖片按分(fēn)類要求區(qū)分(fēn)到不同文件夾進行分(fēn)類;
(3)數據标記及神經網絡模型訓練:利用(yòng)VisionBank AI标記工具将分(fēn)類好的(de)圖像進行自動(手動)标記,并訓練神經網絡模型;
(4)神經網絡模型推理(lǐ)及在線檢測:訓練完畢後利用(yòng)分(fēn)類好的(de)測試數據測試模型的(de)準确性,然後加載到VisionBank工程文件中進行在線檢測
深度學習(xí)圖像處理(lǐ)是通(tōng)過搭建“類腦(nǎo)神經網絡”,借鑒人(rén)腦(nǎo)處理(lǐ)數據的(de)方法去解決圖像處理(lǐ)問題,所以凡是涉及到深度學習(xí)的(de)場(chǎng)景,都需要兩個(gè)必要條件:一是大(dà)數據支持——各種有代表性的(de)圖片;二是強大(dà)的(de)算(suàn)力平台——一般采用(yòng)GPU運算(suàn)平台。而在實際工業應用(yòng)場(chǎng)景,這(zhè)兩個(gè)條件都是極難實現,且實現成本極高(gāo)的(de)。VisionBank AI是在VisionBank通(tōng)用(yòng)開發平台基礎上推出的(de)深度學習(xí)功能,它結合VisionBank本身強大(dà)的(de)傳統圖像處理(lǐ)算(suàn)法,解決了(le)以上兩個(gè)難題的(de)大(dà)部分(fēn)實現問題。
(1)神經網絡推理(lǐ)完全基于CPU實現:VisionBank AI訓練的(de)神經網絡模型推理(lǐ)完全基于CPU實現,而且神經網絡模型訓練同時(shí)支持CPU和(hé)GPU。用(yòng)戶可(kě)以根據項目所需模型的(de)複雜(zá)程度靈活選擇算(suàn)力平台,從而節省不必要的(de)算(suàn)力平台硬件支出;
(2)創新的(de)“深度學習(xí)缺陷過濾”算(suàn)法:利用(yòng)傳統算(suàn)法找出所有可(kě)能的(de)缺陷區(qū)域,僅用(yòng)深度學習(xí)解決缺陷區(qū)域的(de)OK和(hé)NG判别,從而很好的(de)解決了(le)訓練圖像數據獲取的(de)問題;
(3)支持神經網絡模型再訓練:根據工業場(chǎng)景應用(yòng)的(de)複雜(zá)性,支持模型的(de)繼續訓練,從而可(kě)以形成行業專用(yòng)神經網絡模型。
VisionBank Ai深度學習(xí)視覺解決方案相對(duì)單純的(de)深度視覺有以下(xià)優勢:
1、訓練用(yòng)數據集一定要嚴格關注“質”和(hé)“量”
(1)質:訓練用(yòng)的(de)數據集一定要有代表性,要包含各種可(kě)能的(de)情況,而且各種情況對(duì)應的(de)圖片數量分(fēn)布要均勻
(2)量:訓練用(yòng)的(de)數據集數量一定要相對(duì)較多(duō),根據模型的(de)複雜(zá)程度,高(gāo)質量的(de)圖片數量一定要大(dà)
2、傳統算(suàn)法要和(hé)深度學習(xí)相結合。傳統算(suàn)法能搞定的(de),堅決不要依賴深度學習(xí)
(1)傳統算(suàn)法:定位、尺寸等
(2)深度學習(xí):參考前面介紹的(de)“傳統算(suàn)法難以解決的(de)問題”
3、精準定位具體問題,由“局部”到“整體”。機器視覺項目的(de)最終目的(de)是實現100%的(de)準确檢測,但是在項目開發過程中會存在各種問題影(yǐng)響這(zhè)個(gè)結果。當出現異常結果時(shí),要能準确定位到具體環節去測試查找。
(1)訓練數據集複核:數據分(fēn)類好,再标記後需要再檢查一遍是否有标記錯誤或分(fēn)類錯誤的(de)情況
(2)神經網絡模型推理(lǐ):模型訓練完畢後,務必先進行大(dà)量圖片測試後,再導入工程文件在線推理(lǐ)