日期
12/02
2022
咨询
  • QQ扫一扫

  • Vision小助手
    (CMVU)

OPT(奥普特)深度学习软件SciDeepVision的技术原理及应用
收藏
2022-12-02 17:06:46来源: 中国机器视觉网

12月1日,OPT(奥普特)举办主题为“基于深度学习的机器视觉应用”线上研讨会,分享深度学习软件SciDeepVision的图像分析核心技术及应用案例,如异常缺陷检测算法、小样本学习、自适应训练、迁移学习等。本次专题研讨会由OPT(奥普特)研发中心高红超博士主讲。

深度学习软件SciDeepVision自动提取特征信息

深度学习是人工智能的核心技术,结合了深度学习的机器视觉系统,能让机器像人一样具有分析学习能力,从而识别文字、图像等数据信息,解决多种复杂的模式识别问题。

微信图片_20221202170727.jpg

深度学习在机器视觉的应用

深度学习的三要素分别为算法、算力、数据,在机器视觉应用中,需要强大的算力支撑并依赖大量数据。在这过程中,深度学习应用通常会遇到样本数据不足、过度依赖硬件性能等问题,进而影响图像分析效率与准确率。

OPT(奥普特)推出的深度学习软件SciDeepVision ,突破了传统深度学习的瓶颈,集标注 、训练、评估为一体, 具有无需编程、操作方便等特性,自动进行特征提取,囊括 20 余项关键技术和功能,涵盖数据规整标注、AI 基础模型、模型性能提升、模型训练、评估可视化等。

微信图片_20221202170741.jpg

深度学习算法流程可视化

集成小样本学习、迁移学习等技术,降低对数据的依赖

SciDeepVision 软件在异常检测、文字识别、小样本学习、迁移学习、 模型轻量化等图像分析方面实现关键技术创新,例如解决了过度依赖大量缺陷样本数据和硬件设备性能等问题,AI 检测模型的鲁棒性更好,能节约大量人力及时间成本。

SciDeepVision 软件采用异常缺陷检测算法,仅需正常样本,无需标注缺陷位置,检测模型能自动识别带有缺陷的图像,并精准定位缺陷位置;同时,通过小样本文字识别算法,使用少量带有字符标注信息的图片,就能生成大规模高质量的带有源域风格的文字图像。

微信图片_20221202170744.jpg

小样本文字识别算法检测对比

深度学习软件在生成检测模型过程中,通常会由于缺陷样本少、形态差异大、换型频繁等原因,出现鲁棒性、泛化性差等问题,为解决此类难题,OPT(奥普特)对SciDeepVision软件进行了三大技术创新,即小样本学习框架、自适应训练技术和迁移学习技术。

其中,自适应训练技术,能从历史数据中,推荐对当前检测有价值的数据,并进行人工标注和优化模型,数据整理工作量降低一半,大幅提升AI模型检测准确率,训练成本低。

微信图片_20221202170750.png

自适应训练技术

此外,SciDeepVision 软件的迁移学习技术,能在不影响AI检测模型鲁棒性和泛化性的前提下,缩短模型训练周期,相近工艺的质检甚至能实现一键换型,产品换型时间缩短。

微信图片_20221202170753.jpg

迁移学习技术

基于深度学习的视觉应用,覆盖锂电池制程多个工序

SciDeepVision 软件目前已广泛应用于锂电、3C等行业,如在锂离子电池制造过程中,产生的外观缺陷种类繁多、形态各异,无法用传统的定义规则来实现检测。而SciDeepVision软件已应用于锂电池制程的十多个关键工序,包括涂布、模切、激光分切、叠片、卷绕、焊接、包装等各环节。

微信图片_20221202170756.jpg

SciDeepVision软件在锂电池工序的应用

以锂电池极耳焊接缺陷检测为例,焊接缺陷形态丰富,难以界定其形态边缘,缺陷位置具有随机性,利用SciDeepVision软件,能利用卷积神经网络进行特征提取,快速输出缺陷分割的类别信息。

微信图片_20221202170758.jpg

SciDeepVision软件在极耳缺陷检测的应用

此外,OPT(奥普特)还基于深度学习,设计通用、轻量型的条形码定位算法,对条形码图像进行增强、矫正,能在仅有少量条形码数据的情况下,实现高速高精度的条形码定位。