基于人工智能和深度學習方法的現代計算機視覺技術在過去10年裡取得了顯著進展。如今，它被廣泛用于圖像分類、人臉識别、圖像中物體的識别等。
那麼什麼是深度學習？深度學習是如何應用在視覺檢測上的呢？
1
Part.1
什麼是深度學習？
深度學習是機器學習技術的一個分支，由人工神經網絡組成分類識别器。其工作原理是教機器通過執行個體學習，為神經網絡提供特定類型資料的标記示例，然後提取這些示例之間的共同模式，将其轉換為包含這些資訊的神經網絡模型，這有助于對未來擷取的資訊進行分類。
基于深度學習技術的視覺檢測，可以實作定位，區分缺陷、字元識别等，在運作過程中，實作模拟人類視覺檢測效果。
那麼到底是什麼意思呢？舉個例子。
如果要為锂電池檢測建立視覺檢測軟體，需要開發一種基于深度學習的算法，并使用必須檢測的缺陷示例對其進行訓練。有了缺陷的資料，神經網絡最終會在沒有任何額外指令的情況下進行檢測缺陷。
基于深度學習的視覺檢測系統擅長檢測性質複雜的缺陷。它們不僅可以解決複雜的表面和外觀缺陷，還可以概括和概念化锂電池的表面。
2
Part.2
卷積神經網絡是什麼？
說到基于深度學習的視覺檢測，市面上最常說的就是卷積神經網絡，那麼什麼是卷積神經網絡呢？
卷積神經網絡即CNN，有着它特殊的功能，網絡中保留了空間資訊，是以可以更好地适用于圖像分類問題。原理來源于人類視覺生物學資料的啟發，視覺基于多個皮質層，每層識别越來越多的結構性資訊。我們看到的是很多單個的像素；然後從這些像素中，識别出幾何組成；再然後……這樣越來越多的複雜的元素，如物體、面部、人類軀幹、動物等被識别出來。
科億科技的AI圖像視覺檢測使用卷積神經網絡，更側重的是網絡級聯，針對不同場景設計不同的網絡級聯方法，更準确反映圖像特征，使得在進行視覺檢測的時候更精準。
3
Part.3
如何內建AI視覺檢測系統？
01 明确需求
通常內建一個AI視覺檢測系統，需要從業務和技術分析開始。首先要明确系統應該檢測什麼樣的缺陷？在什麼樣的環境下使用？
需要提前明确的重要問題包括：
AI檢測應該是實時的還是延時的？
AI視覺檢測應該如何徹底檢測缺陷，是否應該按類型區分？
是否有任何現有的軟體可以內建視覺檢測功能，還是需要從頭開始開發？
系統應如何将檢測到的缺陷通知使用者？
AI視覺檢測系統是否應該記錄缺陷檢測統計資料？
關鍵問題是：是否存在用于深度學習模型開發的資料，包括“好”和“壞”産品的圖像以及不同類型的缺陷？
02 收集和準備資料
在深度學習模型開發之前，需要收集和準備資料。科億科技曆經十餘年的不斷開發優化，擁有強大豐富的算法庫，當面對新産品檢測時，可根據算法庫調取，進行增量/繼承學習，即原有訓練結果上新增少量樣本，極大的縮短了新産品的訓練時間，實作快速學習。
03 訓練和評估
采集新增樣本後，下一步是對其進行訓練，驗證和評估模型的性能和結果準确性。
04 部署和改進
在部署視覺檢測模型時，重要的是要考慮軟體和硬體系統架構如何與模型容量對應。
4
Part.4
AI視覺檢測系統的應用案例
包裝容器：适用于産品的品質把控，用于檢測産品外觀缺陷，如黑點、飛邊、缺口、模号等。
視訊加載中...
锂電池：锂電生産中密封釘焊接、頂蓋焊接等常會出現針孔、砂眼、劃痕、凹凸、偏焊等瑕疵。
視訊加載中...