Reti neurali d'apprendimento profonde Aoi Vision del sistema di ispezione automatico

Reti neurali d'apprendimento profonde Aoi Vision Machine del sistema di ispezione automatico

L'elaborazione di immagini d'apprendimento profonda è di risolvere i problemi di elaborazione di immagini sviluppando «una rete neurale del tipo di cervello» e attingendo il metodo di

cervello umano che elabora i dati. Di conseguenza, tutta la scena che comprende l'apprendimento profondo richiede due condizioni necessarie: uno è il supporto di varie immagini rappresentative di grandi dati; il secondo è una piattaforma potente - generalmente facendo uso di una piattaforma di GPU. Negli scenari industriali reali dell'applicazione, queste due circostanze sono estremamente difficili da raggiungere ed il costo di implementazione è estremamente alto. KEYE TECH AI è una funzione d'apprendimento profonda lanciata in base alla piattaforma generale dello sviluppo di Kvis. Combina i propri algoritmi tradizionali potenti di elaborazione di immagini di KEYE TECH per risolvere la maggior parte del superiore a due problemi.

Configurazioni di Equipmet

La macchina di ispezione adotta le macchine fotografiche industriali del alto-pixel e le sorgenti luminose stroboscopiche ad alto rendimento per effettuare le ispezioni visive omnidirezionali per i difetti dell'aspetto del prodotto. L'attrezzatura può realizzare le ore 7*24 dell'operazione per qualsiasi tempo e può essere online automaticamente. Elimini i prodotti inferiori alla media.

Gamma di applicazione

Vantaggi e caratteristiche
(1) l'illazione della rete neurale completamente è implementata in base al CPU: L'illazione del modello di rete neurale preparata da KEYE IL TECH AI completamente è implementata in base al CPU e l'addestramento del modello di rete neurale sostiene sia il CPU che GPU. Gli utenti possono scegliere flessibilmente una piattaforma di potenza di calcolo secondo la complessità del modello richiesto dal progetto, quindi conservante le spese inutili dell'hardware sulla piattaforma di potenza di calcolo;
(2) «algoritmo di filtrazione d'apprendimento profondo innovatore di difetto»: usi gli algoritmi tradizionali per trovare tutte le aree possibili di difetto e soltanto usi in profondità l'apprendimento risolvere la distinzione di NG e di APPROVAZIONE delle aree di difetto, risolvente così il problema della formazione dell'immagine dell'acquisizione dei dati;
(3) sostiene il corso di aggiornamento dei modelli di rete neurale: Secondo la complessità dell'applicazione degli scenari industriali, l'addestramento continuo dei modelli è sostenuto, di modo che i modelli di rete neurale specifici dell'industria possono essere formati.

Precauzioni

1. L'insieme di dati di formazione deve mettere a fuoco rigorosamente «su qualità» e «sulla quantità»

•  Qualità: L'insieme di dati usato per la formazione deve essere rappresentativo, contiene le varie situazioni possibili e la distribuzione del numero delle immagini che corrispondono ad ogni situazione dovrebbe essere uniforme.
• Quantità: Il numero degli insiemi di dati usati per la formazione deve essere relativamente grande. Secondo la complessità del modello, il numero delle immagini di alta qualità deve essere grande.

2. Gli algoritmi tradizionali dovrebbero combinarsi con l'apprendimento profondo. Gli algoritmi tradizionali possono farlo, non contano sull'apprendimento profondo

• Algoritmi tradizionali: posizionamento, dimensione, ecc.
• Apprendimento profondo: riferisca «ai problemi che sono difficili da risolvere dagli algoritmi tradizionali» hanno presentato più presto.

3. Individui esattamente i problemi specifici, «da parziale» «ad intero». Lo scopo finale di un progetto di visione artificiale è di raggiungere la rilevazione accurata di 100%, ma ci saranno varie edizioni durante lo sviluppo di progetto che colpiscono questo risultato. Quando un risultato anormale accade, è necessario da posizionare esattamente il collegamento specifico per provare e trovare.

• Rassegna dell'insieme di dati di formazione: Dopo che i dati sono classificati, devono essere controllati ancora dopo l'etichettatura per vedere se c'è qualunque errore d'etichettatura o errore di classificazione.
• Ragionamento del modello di rete neurale: Dopo addestramento di modello, essere sicuro di verificare tantissime immagini prima dell'importazione degli archivi d'organizzazione a ragionamento online.

servizio di Dopo-vendita

La società ha un gruppo completo di servizio tecnico e un meccanismo di risposta rapido ed ha specialisti di servizio dedicato per ogni cliente, che può ricevere in qualunque momento la consultazione ed i rapporti d'incidente tecnici dai clienti. E per assicurare risposta rapida alle emergenze del cliente, per assicurarsi che i clienti ricevano il servizio soddisfacente. Durante l'epidemico o dovuto le ragioni speciali, quando gli ingegneri post-vendita non possono raggiungere il sito, il centro di servizio può registrare a distanza l'attrezzatura del cliente per ottenere la risoluzione dei problemi e la consultazione tecnica.

Dopo che l'attrezzatura arriva al sito di cliente, l'ingegnere post-vendita arriva a tempo effettuare l'installazione di attrezzatura, l'incarico e l'addestramento dell'operazione. La qualità del prodotto di intera macchina è imputabile ed il periodo di garanzia di qualità è a 1 anno a partire dalla data dell'accettazione. In caso di errori non umani durante il periodo di garanzia, gli ingegneri post-vendita arriveranno rapidamente al sito o forniranno la manutenzione a distanza di orientamento gratis.