CH / EN

現有機器視覺檢測與SuaKIT

使用SuaKIT的深度學習算法
可以克服傳統機器視覺檢測方法的局限性

VS
傳統機器視覺解決方案
SUALAB深度學習解決方案
...
無法分析無規律圖像
當圖像不規則、無規律時,
缺陷的特征很難通過手動
設定,因此無法分析圖像。
...
可分析無規律圖像
即使圖像復雜,通過深度學習算法, 軟件可以自動學習瑕疵的特征,使得 無規律圖像的分析變得可能。
...
精確度低
如果缺陷部分和之前設定好的缺陷特征有輕微的出入,傳統視覺都無法檢測出,導致檢測的精確度下降。
...
檢測精度高
通過深度學習算法和制造業特有的數據 提高檢測的精確度。
...
實現自動化檢測進入壁壘高
生產環境發生變化時,需要特定的工程師進行最優化作業并且手動設定不斷變化的缺陷特征。
...
實現自動化檢測進入壁壘低
即使不是專業的深度學習工程師, 通過便利的GUI界面,也可以輕松地 進行最優化作業

優 點

提高檢測準確度
基于深度學習的檢測算法
比傳統機器視覺檢測具有更高的檢測精度
高效的人力資源運作
憑借我們高精度的自動化檢測能力,
一個人可以管理多個檢測設備。
降低優化成本
學習過程快速簡便,有助于縮短算法優化過程。在線應用之后獲取的圖像可以進一步的學習,從而降低優化成本。
最大化處理速度
通過使用CUDA、cuDNN等gpu處理語言,
我們實現了深度學習算法,支持多gpu、
多線程,最終實現了圖像處理速度的最大化
兼容性高
使用C ++和C#API,
您可以使用相同的語言替換現有算法,
而無需更改檢測算法。
友好的用戶界面
通過基于直觀UI提供最佳用戶體驗,
即使是不是深度學習專家的人也可以輕松地使用
從標記到輸出結果的所有測試過程。

常見問題

Q. 在實際的生產線上處理圖像的速度能達到什么程度?
根據神經網絡條件會有所不同,但512*512像素大小的圖像,每秒鐘可實時處理300張。
Q. 各個缺陷類型需要學習幾張圖像數據?
需學習圖像數量根據圖像的復雜程度會有所不同,但在初期不同的瑕疵類型提供30-100張左右即可。
Q. 神經網絡模型建立所需要的時間有多長?
一般2048*2048像素大小,500張為標準的話,需要30分鐘左右。

SuaKIT宣傳冊下載

双赢密探电子游艺