“深度學習” 加持下的工業質檢，機器亦有鷹眼視覺(內含福利）
點擊標題下「云軒cloudhin」可快速關注
| 匠心 | 專業 |
Cloud hin，寓意以“云計算助力科技發展”
Cloud hin的品牌目標是“解決計算的問題”，品牌定位是“讓專業的計算機裝備為無限的計算潛能服務”。
深度學習屬于機器學習的領域，其演算方式是通過不斷重復判別物件獲得龐大數據，再經過大量的運算，以及對結果的反饋機制，讓精準度不斷接近完美。在制造業的視覺檢測中，深度學習的演算法，已經在幫助系統實現快速而精準的判別產品瑕疵。
機器視覺檢測取代人眼
產品檢測是制造業質量管理的一環，過去皆由現場作業員親力親為，然而人眼有其精度和耐力的極限，檢測速度與正確率會隨著作業時間拉長降低，再加上產線速度越來越快、產品體積逐漸輕薄短小，后期機器視覺開始取代人眼，成為產線檢測主流。
深度學習讓機器“慧”眼更精準
基于規則的傳統編程技術更擅長于計量和測量應用以及執行精確對位。在有些情況下，傳統機器視覺可能是精確定位感興趣區域的最佳選擇，而深度學習技術則是檢測該區域的最佳選擇。
基于深度學習的圖像分析軟件和傳統機器視覺是兩種互補性技術，它們具有相互重疊的功能，同時也有各自擅長的獨特領域。有些應用可能需要同時使用這兩種技術。
以外觀缺陷檢測為例，深度學習加持下的機器視覺已切實達到工業精度要求。
▲ 檢測任務的準確率考核矩陣
漏判率：漏判會直接造成不良品流向終端客戶，所以漏判率要求通常低于100PPM。
誤判率：誤判會直接對工業企業的良率造成影響，會造成物料的浪費。企業對誤判率的要求通常要求在1%-5%之間。
一方面，深度學習目前的行業普遍技術水平已經能夠達到95%以上的判定準確率。通過平衡漏判率和誤判率，更加嚴格地控制漏判，可以讓漏判率降到100PPM以下，而誤判率降到5%以下。
另一方面，針對節拍的要求，由于目前GPU顯卡可以達成每秒80禎的圖像處理速度，5秒內可以完成400張圖片的判定。一般3C行業的產品較小，只需要10張以內的照片就可以完成產品的覆蓋，比如大的機加工產品，也只需不到100張圖片進行產品表面的全覆蓋。
圖像處理的速度完成可以滿足節拍的要求， 所以總體來看，深度學習技術已經成熟到可以完成復雜工業視覺任務。
專業深度學習解決方案加速AI研究
Cloudhin?云軒支持Deep learning和高性能計算服務器定制，針對主要深度學習框架（如TensorFlow、Caffe 2、Theano或Torch）進行了優化和設置，為計算系統提供強大的深度學習功能。
GS4248四路GPU服務器搭載雙Intel Xeon E5處理器，合計24核48線程；高性能GPU處理器RTX 2080TI、TITAN RTX，均支持按需定制。單卡最高可提供130 Tensor TFLOPs的性能、576個Tensor核心，以及24 GB的高速GDDR6顯存。珠聯璧合，輕松應對如GPU虛擬化、高性能計算、機器學習等多任務處理。
專業勤修，銳意進取。云軒技術工程師畢業于NVIDIA深度學習研究所，豐富經驗，值得信賴。更多定制方案請聯系客服，我們將實時響應您的定制需求。
