背景随着机器视觉应用越来越广泛，被检测对象越来越复杂，机器视觉应用呈现出从传统工业视觉向基于深度学习的AI工业视觉发展的趋势。
传统工业视觉通常是在特定背景下借助光学装置和非接触的传感器获得被检测物体的特征图像，设置对应的设计特征完成视觉方案的搭建。
传统方式在工业应用中弊端较为明显，其鲁棒性差无法适用于随机性强、特征复杂的工作任务，因此，目前业界越来越多的使用深度学习来解决此类复杂特征问题。
图1：机器视觉功能AI产品深度学习方法 (Deep Learning) 作为传统神经网络的拓展，近年来在智能制造发展上占据弥足轻重的位置，为各行各业提供了通用的机器视觉解决方案。
在非受控条件下，受光照、姿态、遮挡、脏污等影响图像质量波动大，且存在图像数据量大，特征维度高，部分应用需实时处理，而深度学习方法的快速发展，为解决上述问题提供了有效的途径。
该方案适用于产品复杂，包含背景多样、种类繁多的应用场景。
图2：深度学习任务目前华睿科技深度学习训练平台集成了样本标定、样本增强、网络模型训练、模型结果测试分析的一体化功能，方便用户更加便捷地对视觉任务进行模型训练、测试、选择。
该平台的深度学习视觉算法任务主要涵盖了分类、检测、语义分割、光学字符识别（OCR）等方面，每个类型的任务都内置了大、中、小的网络模型，并根据具体任务自适应了超参数，用户可根据任务的复杂程序选择相应大小的网络模型。
图3：深度学习标注界面流程化操作华睿科技深度学习软件界面简洁，用户配置参数少，操作门槛低，引导化操作快速帮助新人上手使用。
整个过程主要分为四步：创建项目类型、半自动标注、样本增强及训练、导入视觉方案部署，真正实现了傻瓜式操作。
图4：流程化操作预标定功能华睿科技深度学习软件预标定功能可帮助用户快速完成多样本标注任务。
在标注过程中，面对成千上万的原始样本，耗费工程师大量的时间，而预标定功能在标注过程中借由阶段生成的模型快速帮助用户将特征信息提取出来，较大程度上缩短了样本打标签的时间。
多模型设置华睿科技深度学习软件为用户提供了大、中、小三种网络模型，可根据实际应用场景选择合适的模型。
图5：样本训练部分参数场景应用深度学习深度学习算法在目前的行业普遍技术水平已经能够达到 99% 以上的判定准确率。
通过平衡漏判率和误判率，更加严格地控制漏判，可以让漏判率降到0.5%以下，而误判率降到1% 以下。
多场景OCR识别在工业制造等多个行业中，有很多需要对产品字符识别的需求，其因环境影响字符脏、乱、模糊，传统的方式基于人工视觉，很容易产生疲劳，无法保证很高效的识别效率，华睿科技深度学习识别解决方案，能够满足复杂环境下的识别任务，提升识别的准确率。
图6：OCR识别场景生产过程缺陷实时检测在制造生产过程中，质检是众多工艺环节中不可或缺的一环，据统计，当前80%以上的工业表面缺陷检测仍依赖于人工检测法，每天产品线上进行人工检测人数量超350万人。
而当前人工质检面临质量、成本等问题，华睿科技充分发挥先进技术优势，解决传统缺陷检测难点和痛点，助力企业质量提升。
图7：缺陷检测场景结语AI赋能制造业发展迎来新机遇，机器视觉助力制造业转型升级。
华睿科技深度学习平台涵盖分类任务、检测任务、OCR任务、分割任务，为行业提供标准化解决方案，流程化操作，快速生成训练模型。
以新科技助力中国智能制造增长，共同推进人工智能与业务场景的深度融合。