12月1日，OPT（奧普特）舉辦主題為“基於深度學習的機器視覺應用”線上研討會，分享深度學習軟件SciDeepVision的圖像分析核心技術及應用案例
，如異常缺陷檢測算法、小樣本學習
、自適應訓練、遷移學習等。本次專題研討會由OPT（奧普特）研發中心高紅超博士主講。

　　深度學習軟件SciDeepVision

　　自動提取特征信息

　　深度學習是人工智能的核心技術
，結合了深度學習的機器視覺係統
，能讓機器像人一樣具有分析學習能力
，從而識別文字、圖像等數據信息，解決多種複雜的模式識別問題。

　　深度學習在機器視覺的應用

　　深度學習的三要素分別為算法、算力、數據，在機器視覺應用中，需要強大的算力支撐並依賴大量數據。在這過程中，深度學習應用通常會遇到樣本數據不足、過度依賴硬件性能等問題，進而影響圖像分析效率與準確率。

　　OPT（奧普特）推出的深度學習軟件SciDeepVision ，突破了傳統深度學習的瓶頸，集標注 
、訓練、評估為一體， 具有無需編程、操作方便等特性，自動進行特征提取
，囊括 20 餘項關鍵技術和功能
，涵蓋數據規整標注
、AI 基礎模型

、模型性能提升、模型訓練、評估可視化等。

　　深度學習算法流程可視化

　　集成小樣本學習、遷移學習等技術

　　降低對數據的依賴

　　SciDeepVision 軟件在異常檢測、文字識別
、小樣本學習、遷移學習、 模型輕量化等圖像分析方麵實現關鍵技術創新，例如解決了過度依賴大量缺陷樣本數據和硬件設備性能等問題
，AI 檢測模型的魯棒性更好
，能節約大量人力及時間成本。

　　SciDeepVision 軟件采用異常缺陷檢測算法，僅需正常樣本
，無需標注缺陷位置，檢測模型能自動識別帶有缺陷的圖像，並精準定位缺陷位置；同時，通過小樣本文字識別算法，使用少量帶有字符標注信息的圖片，就能生成大規模高質量的帶有源域風格的文字圖像。

　　小樣本文字識別算法檢測對比

　　深度學習軟件在生成檢測模型過程中，通常會由於缺陷樣本少、形態差異大、換型頻繁等原因
，出現魯棒性、泛化性差等問題，為解決此類難題，OPT（奧普特）對SciDeepVision軟件進行了三大技術創新，即小樣本學習框架
、自適應訓練技術和遷移學習技術。

　　其(qi)中(zhong)，自(zi)適(shi)應(ying)訓(xun)練(lian)技(ji)術(shu)
，能(neng)從(cong)曆(li)史(shi)數(shu)據(ju)中(zhong)，推(tui)薦(jian)對(dui)當(dang)前(qian)檢(jian)測(ce)有(you)價(jia)值(zhi)的(de)數(shu)據(ju)，並(bing)進(jin)行(xing)人(ren)工(gong)標(biao)注(zhu)和(he)優(you)化(hua)模(mo)型(xing)，數(shu)據(ju)整(zheng)理(li)工(gong)作(zuo)量(liang)降(jiang)低(di)一(yi)半(ban)，大(da)幅(fu)提(ti)升(sheng)AI模型檢測準確率
，訓練成本低。

　　自適應訓練技術

　　此外，SciDeepVision 軟件的遷移學習技術
，能在不影響AI檢測模型魯棒性和泛化性的前提下，縮短模型訓練周期，相近工藝的質檢甚至能實現一鍵換型，產品換型時間縮短。

　　遷移學習技術

　　基於深度學習的視覺應用

　　覆蓋鋰電池製程多個工序

　　SciDeepVision 軟件目前已廣泛應用於鋰電、3C等行業，如在鋰離子電池製造過程中，產生的外觀缺陷種類繁多、形態各異
，無法用傳統的定義規則來實現檢測。而SciDeepVision軟件已應用於鋰電池製程的十多個關鍵工序，包括塗布、模切、激光分切


、疊片、卷繞
、焊接、包裝等各環節。

　　SciDeepVision軟件在鋰電池工序的應用

　　以鋰電池極耳焊接缺陷檢測為例，焊接缺陷形態豐富，難以界定其形態邊緣，缺陷位置具有隨機性，利用SciDeepVision軟件，能利用卷積神經網絡進行特征提取
，快速輸出缺陷分割的類別信息。

　　SciDeepVision軟件在極耳缺陷檢測的應用

　　此外
，OPT（奧普特）還基於深度學習
，設計通用、輕量型的條形碼定位算法
，對條形碼圖像進行增強
、矯正，能在僅有少量條形碼數據的情況下，實現高速高精度的條形碼定位。

　　了解深度學習在機器視覺應用的更多詳情，請掃二維碼，觀看直播視頻！