深度學習應用示例
深度學習與傳統機器視覺
深度學習是一種解決機器視覺問題的可靠的新方式，可以解決從前無法解決的難題。但是傳統機器視覺方法在某些應用領域依然占優勢。如何選擇更合适的方式？以下快速指南請查收：
深度學習應用：監督式模式
在監督式模式下，使用者需要仔細地标記與訓練圖像上的缺陷相對應的像素。接着，工具通過查找其關鍵特征來學習區分正例與反例。
光伏檢測
在這種應用程式中，裂痕與劃痕必須在具有複雜特征的表面上被檢測到。使用傳統視覺技術時，由于太陽能電池闆種類不同，是以許多算法參數必須經過調整。通過深度學習，隻需使用一種工具就可以在受監督的模式下訓練系統。
衛星圖像分割
衛星圖分析極難，是因為其特征種類繁多。盡管如此，我們的深度學習插件通過訓練，能夠穩定可靠地檢測到道路與建築。可以僅使用一張正确标記的圖像進行訓練，并且可以立即檢視結果。加載更多樣品圖像以增加模型的魯棒性。
紡織品材料檢測
紡織品材料的風格豐富多彩，但有一點是不變的——缺陷出現在高度紋理的背景上。使用深度學習技術，使用者能夠給幾個缺陷的類型下定義，并将此缺陷标記在樣品圖像上。訓練完成後，分類是自動進行的，檢測出難以看得到的缺陷。
餅幹檢測
具有同樣外貌的餅幹是不存在的，但是客戶都期望一件事能夠保持完美：比如關于巧克力蓋。如何給缺陷準确地下定義？很簡單，首先收集有缺陷的餅幹，并标記表面上的缺陷。讓Adaptive Vision的軟體學習如何識别差異，然後就可以在産品上找到它們。
大理石裂痕
檢測大理石上的裂痕屬于具有挑戰性的任務，是因為其表面不是同質的。Adaptive Vision的軟體能夠成功地區分裂痕與不規則圖案。您所需要做的不過是提供幾張示例圖像，仔細标記裂痕，然後訓練模型。
木節疤
在分級木材時，必須考慮的關鍵因素之一是木節疤的數量與尺寸。使用Adaptive Vision的深度學習插件，您可以在幾分鐘内準備好一個檢測木節疤與測量其尺寸的可靠程式。不需程式設計技巧，隻需要加載樣品圖像并分析結果。
深度學習應用：非監督式模式
非監督式模式的訓練更加簡單，沒有固定缺陷定義。我們的軟體将樣品圖像進行訓練，然後尋找各類偏差。
包裝驗證
壽司盒傳遞視場時，每一塊都必須正确地放置在特定的位置上。正确地被測物也可能變化，是以給缺陷下定義極難。解決這種問題的方式是使用非監督式模式。
塑膠、注塑
注塑成型是一個複雜的工藝，是以可能産生許多生産問題。塑膠物體有可能包括客戶可接受的某些彎曲或其他形狀偏差。Adaptive Vision的深度學習插件可以從提供的樣品圖像中學習所有可接受得偏差，然後在生産線上運作時檢測任何類型的異常。
【來源：Adaptive Vision公司】