Réseaux neurologiques automatiques de étude profonds Aoi Vision de système d'inspection

Réseaux neurologiques automatiques de étude profonds Aoi Vision Machine de système d'inspection

L'étude profonde traitement d'images est de résoudre des problèmes traitement d'images en établissant « un réseau neurologique comme un cerveau » et le dessin sur la méthode de

esprit humain traitant des données. Par conséquent, n'importe quelle scène comportant l'étude profonde exige deux conditions nécessaires : on est l'appui de diverses images représentatives de grandes données ; le deuxième est une plate-forme de calcul puissante - généralement utilisant une plate-forme de calcul de GPU. Dans les scénarios industriels réels d'application, il est extrêmement difficile réaliser ces deux conditions, et le coût d'exécution est extrêmement haut. KEYE TECH AI est une fonction de étude profonde lancée sur la base de la plate-forme générale de développement de Kvis. Il combine propres algorithmes traitement d'images traditionnels puissants de KEYE TECH pour résoudre les la plupart de au-dessus de deux problèmes.

Configurations d'Equipmet

La machine d'inspection adopte les caméras industrielles de haut-pixel et les sources lumineuses stroboscopiques performantes pour effectuer des inspections visuelles omnidirectionnelles pour des défauts d'aspect de produit. L'équipement peut réaliser les heures 7*24 de la mission tout temps, et il peut être en ligne automatiquement. Éliminez les produits inférieurs.

Chaîne d'application

Avantages et caractéristiques
(1) l'inférence de réseau neurologique est complètement mise en application basée sur l'unité centrale de traitement : L'inférence modèle de réseau neurologique qualifiée par KEYE TECH AI est complètement mise en application basée sur l'unité centrale de traitement, et la formation de modèle de réseau neurologique soutient l'unité centrale de traitement et le GPU. Les utilisateurs peuvent avec souplesse choisir une plate-forme de puissance de calcul selon la complexité du modèle prié par le projet, sauvant de ce fait des dépenses inutiles de matériel sur la plate-forme de puissance de calcul ;
(2) algorithme de filtrage de étude « profond innovateur de défaut » : employez les algorithmes traditionnels pour trouver tous les secteurs possibles de défaut, et employez seulement profondément l'étude pour résoudre la discrimination d'OK et de NG des secteurs de défaut, résolvant de ce fait le problème de former l'image par acquisition de données ;
(3) appui le recyclage des modèles de réseau neurologique : Selon la complexité de l'application des scénarios industriels, la formation continue des modèles est soutenue, de sorte que des modèles propres l'industrie de réseau neurologique puissent être formés.

Précautions

1. L'ensemble de données s'exerçant doit strictement se concentrer sur la « qualité » et la « quantité »

•  Qualité : L'ensemble de données utilisé pour former doit être représentatif, contiennent de diverses situations possibles, et la distribution du nombre d'images correspondant chaque situation devrait être uniforme.
• Quantité : Le nombre d'ensembles de données utilisés pour former doit être relativement grand. Selon la complexité du modèle, le nombre d'images de haute qualité doit être grand.

2. Des algorithmes traditionnels devraient être combinés avec l'étude profonde. Les algorithmes traditionnels peuvent le faire, ne comptent pas sur l'étude profonde

• Algorithmes traditionnels : positionnement, taille, etc.
• Étude profonde : référez-vous aux « problèmes il est difficile résoudre que par des algorithmes traditionnels » ont présenté plus tôt.

3. Localisez exactement les problèmes spécifiques, de « partiel » « entier ». L'objectif ultime d'un projet de vision par ordinateur est de réaliser la détection précise de 100%, mais il y aura de diverses questions pendant le développement de projet qui affectent ce résultat. Quand un résultat anormal se produit, il est nécessaire de placer exactement le lien spécifique pour examiner et trouver.

• Examen de l'ensemble de données s'exerçant : Après que les données soient classifiées, elles doivent être vérifiées encore après étiquetage pour voir s'il y a n'importe quelle erreur de étiquetage ou erreur de classification.
• Raisonnement modèle de réseau neurologique : Après la formation modèle, être sûr d'examiner un grand nombre d'images avant d'importer les dossiers de construction pour le raisonnement en ligne.

Service après-vente

La société a une équipe complète de service technique et un mécanisme de réponse rapide, et a des spécialistes en service spécialisé pour chaque client, qui peut recevoir des rapports techniques de consultation et de défaut des clients tout moment. Et pour assurer la réponse rapide aux urgences de client, pour s'assurer que les clients reçoivent le service satisfaisant. Pendant l'épidémique ou en raison des raisons spéciales, quand les ingénieurs après-vente ne peuvent pas atteindre le site, le centre de service peut distance ajuster l'équipement de client pour le dépannage et la consultation technique.

Après que l'équipement arrive au site client, l'ingénieur après-vente arrive temps d'effectuer l'installation d'équipement, la commission, et la formation d'opération. La qualité du produit de la machine entière est décelable, et la période de garantie de qualité est 1 an de la date de l'acceptation. En cas des défauts non-humains au cours de la période de garantie, les ingénieurs après-vente arriveront rapidement au site ou fourniront des conseils distance pour l'entretien libre.

propos de nous

Historique du développement

Le centre de technologie est composé du département des algorithmes, du département des logiciels, du département de l'optique, du département du matériel et du département de la mécanique.s'assurer que l'algorithme d'IA est en mesure de mettre jour en permanence.

Structure de l'organisation