OPT（奥普特）深度学习软件SciDeepVision的技术原理及应用

           12月1日，OPT（奥普特）举办主题为“基于深度学习的机器视觉应用”线上研讨会，分享深度学习软件SciDeepVision的图像分析核心技术及应用案例，如异常缺陷检测算法、小样本学习、自适应训练、迁移学习等。本次专题研讨会由OPT（奥普特）研发中心高红超博士主讲。
    深度学习软件SciDeepVision
    自动提取特征信息
           深度学习是人工智能的核心技术，结合了深度学习的机器视觉系统，能让机器像人一样具有分析学习能力，从而识别文字、图像等数据信息，解决多种复杂的模式识别问题。
    
    深度学习在机器视觉的应用
           深度学习的三要素分别为算法、算力、数据，在机器视觉应用中，需要强大的算力支撑并依赖大量数据。在这过程中，深度学习应用通常会遇到样本数据不足、过度依赖硬件性能等问题，进而影响图像分析效率与准确率。
          OPT（奥普特）推出的深度学习软件SciDeepVision ，突破了传统深度学习的瓶颈，集标注 、训练、评估为一体， 具有无需编程、操作方便等特性，自动进行特征提取，囊括 20 余项关键技术和功能，涵盖数据规整标注、AI 基础模型、模型性能提升、模型训练、评估可视化等。
    深度学习算法流程可视化
    集成小样本学习、迁移学习等技术
    降低对数据的依赖
           SciDeepVision 软件在异常检测、文字识别、小样本学习、迁移学习、 模型轻量化等图像分析方面实现关键技术创新，例如解决了过度依赖大量缺陷样本数据和硬件设备性能等问题，AI 检测模型的鲁棒性更好，能节约大量人力及时间成本。
           SciDeepVision 软件采用异常缺陷检测算法，仅需正常样本，无需标注缺陷位置，检测模型能自动识别带有缺陷的图像，并精准定位缺陷位置；同时，通过小样本文字识别算法，使用少量带有字符标注信息的图片，就能生成大规模高质量的带有源域风格的文字图像。
    
    小样本文字识别算法检测对比
           深度学习软件在生成检测模型过程中，通常会由于缺陷样本少、形态差异大、换型频繁等原因，出现鲁棒性、泛化性差等问题，为解决此类难题，OPT（奥普特）对SciDeepVision软件进行了三大技术创新，即小样本学习框架、自适应训练技术和迁移学习技术。
    
    小样本学习技术
           其中，自适应训练技术，能从历史数据中，推荐对当前检测有价值的数据，并进行人工标注和优化模型，数据整理工作量降低一半，大幅提升AI模型检测准确率，训练成本低。
    
    自适应训练技术
           此外，SciDeepVision 软件的迁移学习技术，能在不影响AI检测模型鲁棒性和泛化性的前提下，缩短模型训练周期，相近工艺的质检甚至能实现一键换型，产品换型时间缩短。
    
    迁移学习技术
    基于深度学习的视觉应用
    覆盖锂电池制程多个工序
           SciDeepVision 软件目前已广泛应用于锂电、3C等行业，如在锂离子电池制造过程中，产生的外观缺陷种类繁多、形态各异，无法用传统的定义规则来实现检测。而SciDeepVision软件已应用于锂电池制程的十多个关键工序，包括涂布、模切、激光分切、叠片、卷绕、焊接、包装等各环节。
    
    SciDeepVision软件在锂电池工序的应用
           以锂电池极耳焊接缺陷检测为例，焊接缺陷形态丰富，难以界定其形态边缘，缺陷位置具有随机性，利用SciDeepVision软件，能利用卷积神经网络进行特征提取，快速输出缺陷分割的类别信息。
    
    SciDeepVision软件在极耳缺陷检测的应用
           此外，OPT（奥普特）还基于深度学习，设计通用、轻量型的条形码定位算法，对条形码图像进行增强、矫正，能在仅有少量条形码数据的情况下，实现高速高精度的条形码定位。