探索我们的 Open eVision Deep Learning 库如何检测和分类缺陷

Product / 09.2020


神经网络是受到构成人脑的生物神经网络启发的计算系统。卷积神经网络 (CNN) 是一类深度前馈人工神经网络,最常用于图像分析。
深度学习使用 CNN 来解决传统计算机视觉算法很难或无法解决的复杂问题。深度学习算法通常从示例中学习,因此更易于使用。它们不需要用户理清如何对部件进行分类或检查。相反,在初期训练阶段,它们通过显示多张待检验部件图来从中学习。成功训练后,即可对部件进行分类,或是检测和分割缺陷。
 

 

EasyClassify

深度学习分类库

 
EasyClassify 是 Deep Learning Bundle 的分类工具。EasyClassify 要求用户标记训练图像,也即告知哪些是优良图像,哪些是不良图像,或哪些图像属于哪个类别。
在学习/训练过程之后,EasyClassify 库将对图像进行分类。对于提供的任何图像,
它将返回概率列表,显示图像属于所示教类别的可能性。
例如,如果流程要求将不良部件与优良部件分开,EasyClassify 将返回每个部件是优良还是不良,也会返回相应的概率。
特性速览
  • 包含用于分类器训练和图像分类的功能
  • 能够检测缺陷产品或进行产品分类
  • 支持数据增强,每类只需一百幅训练图像
  • 兼容 CPU 和 GPU 处理
  • 包含用于创建、训练和评估数据集的免费 Deep Learning Studio 应用程序
  • 作为 Deep Learning Bundle 的一部分提供
 EasyClassify.png
 
 
 
 
 

EasySegment

深度学习分割库


EasySegment 是 Deep Learning Bundle 的分割工具。EasySegment 执行缺陷检测和分割。它可以识别有缺陷的部件,并精确指出图像中的缺陷位置。在无监督模式下,EasySegment 学习何为“优良”样本(即无任何缺陷的样本)的模式。它在训练时只使用“优良”样本图像。然后便可使用该工具将新图像按优良或缺陷进行分类,并分割出这些图像中的缺陷。EasySegment 无监督模式只训练优良样本图像,即使事先不知晓缺陷类型或不易获得缺陷样本,EasySegment 也照样能执行检验。

在监督模式下,EasySegment 学习图像中何为缺陷部分、何为“优良”部分的模型。
这个过程使用带有预期分割的图像来进行训练,然后即可使用该工具来检测和分割新图像中的缺陷。EasySegment 的监督模式可以达到更高的精度,由于预期分割的缘故,相较于无监督模式,它可以分割更为复杂的缺陷。
 
 

特性速览
  • 无监督模式:仅训练“优良”图像,
    以检测并分割新图像中的异常和缺陷

  • 监督模式:学习缺陷模型,
    以提高分割和检测精度

  • 适用于任何图像分辨率

  • 支持数据增强和蒙版

  • 兼容 CPU 和 GPU 处理

  • 包含用于创建、训练和评估数据集的免费 Deep Learning Studio 应用程序

  • 作为 Deep Learning Bundle 的一部分提供