就像使用Excel一样简单——深度学习机器视觉解决方案不再难！
图片来源 ：Pleora
作者：Winn Hardin
深度学习为机器视觉设计师提供了一种强大的先进检测新工具，而且由于技术进步，它变得越来越容易应用。
深度学习使机器视觉解决方案能够用于缺陷或检查标准不容易被量化或数学定义的应用。它为机器视觉设计者提供了一 个强大的新工具，用于先进的检测、装配和 质量保证应用，因为该软件基本上可以帮助设计者开发出最佳的算法。
不过，一直以来创建深度学习软件都需要掌握传统的编程技能，最好结合扎实的统 计学和传统机器视觉系统设计基础。而现在， 由于支持深度学习的智能相机、网关和特定应用的编码，深度学习可能只需点击几下就可以实现。
采用深度学习技术的智能相机
深度学习过程分为两部分 ：训练和推理。训练涉及通过向神经网络提供“好”产品和 “坏”产品的图像来优化神经网络。人工操作 员将图像标记为好或坏，深度学习软件执行 统计分析以创建加权表。训练过程的计算量 非常大，促使许多设计人员在训练步骤中使用高端工作站或利用云资源。
软件生成的统计矩阵是深度学习第二步的核心 ：推理。推理涉及使用深度学习算 法来解决现实世界的问题。这部分深度学习 软件可以在更广泛的计算机平台上运行，从 高端 PC 到智能相机。现在，用户无需使用 TensorFlow、Caffe 或其他复杂的深度学习 数据可视化程序来训练深度学习算法，而是可以转向其他解决方案。例如，康耐视最新的智能相机 In-Sight D900 使深度学习编程就像创建电子表格一样简单。
康耐视的 In-Sight 系列视觉系统率先 使用电子表格编程来简化使用智能相机平台 的机器视觉解决方案的设计和部署。通过将 ViDi 深度学习软件与 In-Sight 平台相结合， 康耐视希望带来能够执行更复杂装配验证的 深度学习解决方案。
“D900 是第一款无需 PC 即可部署的深度学习机器视觉系统，”康耐视产品营销高级 经理 Brian Benoit 解释说，“用户可以通过PC 上的 In-Sight 软件界面训练深度学习软件。训练步骤完成后， 作业就会加载到相机上，您就可以部署了。”
据 Benoit 称，D900 专用于每分钟运行高达150-200 次检查的应用。康耐视通过升级 InSight 的内部处理能力同时利用嵌入式解决方案固有的速度来实 现这一性能。
为每台相机带来深度学习
然而，并不是每个想要利用 深度学习的机器视觉客户都愿意 用新平台替换现有的机器视觉硬 件。为了将深度学习引入现有装 置，同时简化对深度学习成功至关重要的图像采集和标记，机器视觉网络专家 Pleora 推出了其 AI 网关。基于英伟达 GPU 框架，AI 网关就像是摄像头和处理器或其 他计算引擎之间的图像采集卡。
Pleora 公司的首席技术官 Jonathan Hou 表示，通过单个网关就可以为多个“非智能”的 相机提供深度学习机器视觉功能。“客户可能拥有最好的深度学习算法，但他们如何将其部署到工厂车间？我们的解决方案允许他们保留已安装的机器视觉硬件基础，而无需强迫客户选择任何特定制造商的深度学习解决方案路径。”
使用 AI 的视觉传感器
虽然大多数深度学习系统在训练和推理步骤之间有一个硬停，这样算法的有效性就不会被那些没有经过人类专业标记或分级的图像所迷惑，但如果永远不停止学习，一些解决方案可能会得到改进。
作为条形码和可追溯性领域的专家 Datalogic 公司率先将深度学习技术应用于他们的基于图像的识别系统。“我们非常关注与可追溯性相关的任何事情，因 此我们已将深度学习应用于识 别、代码读取和一些一般模式识 别。”Datalogic 产品营销经理 Bradley Weber 表示 ：“当我们查看包装上的标签时，通常是 为了读取条形码。但最强大的解决方案还可以读取条形码下的数字、往返运输信息甚至是包装盒上的任何标记。您在包裹上收集的每一点数据都会增加您追踪包裹的机会，即使条形码或标签损 坏也是如此。”
Datalogic 的重点是在其产品中嵌入深度学习的力量，以便客户无需访问底层代码。“当我 们去查看谁安装了可追溯性解决方案时，他们不一定是视觉工程 师。” Weber 说，“ 因 此， 解决方案需要简单易操作且具有防错技术。”Datalogic 公司新发布的 SmartVS，是一种使用 AI 的视觉传感器。这是一种独特的突破 性解决方案，能够像更复杂的视觉系统一样对目标物进 行分类，配置和使 用像最简单的光电 传感器一样容易。
凭借其 AI 技术和可定制的机器学习算法，SmartVS 能够快速识别“好”和“不好”的检测条件。一旦设置完成和运行，它将始终 提供相同的高响应率（50 毫 秒 的确定时间），尽管环境、目标 物或应用因素有所不同。事实上， Smart-VS 具有自学习检测任务 条件的能力，可以解决在噪声背 景、弱光环境、低对比度零件、 挑战性材料高公差定位等的应用 问题。
“现在，处理成本降低了，我 们专注于将计算能力放在边缘，这使得深度学习成为可能，但也限制了我们动态训练的能力。”Weber 说。“随着 5G 技术的推出，我们可以想象这种势头正在从微处理器转向网络。更强大的计算机系统和更快的网络之间的来回转换将继续指导我们如何在机器视觉应用中部署和使用深度学习。任何能让我们实现自动化运输和 可 追 溯 性 的 技 术 —— 尤 其 是 在 COVID-19 病毒肆虐时期——都是一件非常好的事情。”