基于深度学习的机器视觉软件的训练方式

作者:admin    发布时间:2019-06-24    浏览量:

机器视觉解决方案可用于各种任务,例如缺陷检查,定位,处理工件以及识别和识别物体。一个挑战是选择最符合要求的软件系统,并且可以成为即将完成的任务的工具。遵循一些简单的标准可以提供帮助。

深度学习的机器视觉系统解决方案

在嵌入式系统上寻求强大的功能。今天的机器视觉软件必须支持完全集成和高度自动化的生产过程,例如,在工业物联网(iIoT)中。在整个价值链中,所有生产资料 - 人类工作者,协作机器人(cobots),机器,传感器,传输系统和智能设备 - 需要通过公司网络或互联网无缝协作,集成。机器视觉软件必须满足所有相关要求。

该软件应在各种紧凑型嵌入式设备上运行,例如移动智能相机或智能传感器,这些设备通常用于iIoT环境。这些传感器变得越来越智能化。

机器视觉软件训练识别

许多人使用ARM处理器。默认情况下,最先进的机器视觉软件应该支持基于这种广泛分布和流行的处理架构的嵌入式平台。这将允许在嵌入式系统的多样化环境中无缝使用标准机器视觉软件的习惯强大功能。例如,使用光学字符识别技术,正确的软件将允许使用移动手持设备读取数字和字母组合,以可靠地识别对象,即使字符难以阅读,扭曲或模糊。

拥抱深度学习技术。正确选择机器视觉软件也应该支持基于人工智能的新技术。机器学习,深度学习和卷积神经网络(CNN)等方法有助于使识别过程更加精确,并能够适应现代自动化的要求。这些方法旨在全面分析和评估大量数据(大数据),以训练许多不同的对象和缺陷类。

有相当部分制造商往往不愿采用深度学习技术,因为训练通常需要大量的样本图像来准确识别对象。每个类需要多达100,000个比较图像,需要进行检查才能获得足够的识别率。即使有必要的样本数据,培训也需要花费大量时间。通常,在错误检查期间识别不同缺陷类的编程工作也非常复杂。这通常需要具有丰富专业知识的高技能员工。

机器视觉CNN系统

为了解决这个昂贵且耗时的需求,寻找机器视觉软件,它提供了一套易于使用的深度学习功能。理想的软件应该使公司能够在没有大量时间和金钱的情况下自己培训CNN。

要寻找的一个特征是具有CNN的系统,其通过针对速度和最大识别率进行优化而预先用于工业应用。通过仅需要少量样本图像,这缩短了训练过程和编程工作量。

然而,它仍然产生一个神经网络,可以精确匹配特定的要求。

预训练的CNN应该附带来自不同工业环境的大量免版税图像。这意味着使用这些网络的应用程序不受第三方版权的限制。

基于深度学习的机器视觉系统

默认应该支持合并技术。为了实现集成制造过程,不同的系统环境必须相互交互和无缝通信。例如,现代机器视觉软件必须提供能够与可编程逻辑控制器紧密配合的复杂功能。一致的标准和接口可用于合并两种技术。

开放平台通信统一架构(OPC UA)在这方面发挥着最重要的作用。作为一种现代的机器对机器通信协议,OPC UA使得在几个技术提供商的组件之间交换信息变得直接,它还可以在由不同硬件模块组成的异构基础架构中运行。通过这种方式,与整个系统通信的语义互操作性成为现实。因此,理想的机器视觉软件也应默认支持OPC UA。

相关新闻推荐

关注官方微信

微信二维码
版权所有 深圳市如虎科技有限公司 Copyright © 2018-2019 Tigervs.Com All Rights Reserved 粤ICP备19029139号-1