深度学习的分类工具是如何工作的

对零件和组件进行分类对于复杂的装配验证很有用，因为在生产线上必须识别和分类多个项目。分类对于内联过程控制和持续过程改进也是至关重要的，在错误变成根深蒂固的问题之前提供必要的数据来捕获错误。

尽管有令人难以置信的进步betway.com betway体育 在美国，探测形状、大小和位置不同的物体或组件传统上需要人眼的灵活性。即使是最强大的计算机检测系统也很容易被复杂的、高度图案化的背景和镜面眩光等图像质量问题所迷惑。

这些条件使得视觉算法很难以可靠的精度定位感兴趣的目标或区域。对于一个自动化系统来说，为了成功地识别感兴趣的区域而忽略不相关的特征，即使不是完全不可能，也是非常耗时和困难的。

在这些场景中，当应用程序需要自动精确地查找复杂特征和对象时，转向基于深度学习的工具可能会很有用，这种工具不依赖编程，而是从图像示例中学习。通过使用这些自学习算法，我们可以根据颜色、纹理、材料、包装或缺陷类型来定位和分类零件。

让我们来看看基于深度学习的分类工具如何帮助不同的行业。西盟体育betway

汽车行业的深度学习分类

在许多汽车应用程序，识别是通过条形码读取和光学字符识别技术解码条形码和序列号。然而，在不支持代码阅读或字母数字文本的环境中，制造商必须依赖视觉识别。这对于发生在不可预测的位置或视觉变化和偏差的任何识别都可能是有问题的，但当需要根据这些标记计数、分类或分类部件时，就更加复杂了。

想象一个汽车制造商收到一批火花塞从一个零件制造商。这些插头的颜色和标记各不相同，因为它们是为几种车型设计的。当它们到达生产线，在不同颜色的托盘中进行预装配时，自动检测系统需要识别、清点和分类它们，以便将数据传递给机器人装配阶段。为了做到这一点，自动化系统需要区分不同颜色的火花塞，这将为机器人提供重要的装配信息，但也会忽略托盘的背景颜色，这是一个分散注意力的地方。

像这样的分类挑战需要一种基于深度学习的工具，它可以根据火花塞的形状和尺寸概括其正常外观，而不会被单个标记分心，然后根据颜色进行分类。要做到这一点，一个基于深度学习的图像分析工具Cognex深度学习使用标记训练图像来概括火花塞的外观，以计数托盘上的集合。然后，它能够按颜色对它们进行排序，并将这些数据传输给机器人进行组装。

电子工业的深度学习分类

为电子硬件制造商在极其严格的公差下工作，所有的表面缺陷，他们的组件必须仔细地检测和编目在生产过程的早期。这些部件的金属表面投射出镜面眩光，这可能会混淆检查系统，因为它似乎改变了部件在摄像机中的外观。

常见的缺陷，如在组装过程中出现的碰撞、划痕或污渍，在生产的早期阶段往往很难识别，因为粗糙、有纹理和反光的表面。而且这些缺陷只在一定的光照条件下才可见，往往表现在光照不均匀引起的局部对比度变化中。

同时，正常的变化和材料表面自然发生但微不足道的异常需要检测系统的容忍。使用基于深度学习的工具，电子制造商可以使用标准和非专业照明检测任何方向的典型缺陷，容忍镜面眩光和微不足道的异常，然后根据它们的共同属性对缺陷进行分类和分类。

一个常见的应用包括对表面缺陷进行分类以进行质量控制。深度学习可以根据缺陷的共同特征，将每种缺陷分类为自己的类或类型。例如，模型可以根据金属表面出现的“痕迹”、“凹痕”和“划痕”来区分“撞击”。因为即使每一击都与另一击略有不同，制造商也需要使用深度学习来概念化和概括击击的共同特征，以正确地识别它们。

为此，基于深度学习的检测系统整合了有关部件金属表面的上下文信息，以形成表面检测的形状、尺寸和纹理的可靠模型。因此，像撞击和划痕这样的缺陷被标记为异常或失败或“糟糕”的图像，因为它们看起来是偏离正常表面纹理的纹理区域。在此基础上，所有具有共同特征的“坏”图像将根据它们共同的方面进行排序，如撞击、污渍、凹痕和划痕。

如果某些缺陷类型不会造成功能损坏，并且被制造商认为是允许的，那么系统就可以决定容忍这种类型，并允许它进入生产的下一个阶段。

包装行业的深度学习分类

外貌的包装标识不使用条形码是一个挑战。在这些情况下，检测系统不仅需要对产品或批次外观的正常和预期变化敏感，而且还需要对包装外观变化的方式敏感，这是由于不均匀照明的局部变化造成的对比。

在多包装食品、饮料和消费品的情况下，相同的包装可能在他们的球童中准备不同的包装，检验系统需要立即识别包装上的细微差异——这在某些光线下很难发现——导致两类不同的包装。

例如，两套相同的四包卫生纸卷，标有相同的条形码，可能嵌在它们的球童中;一些四包可能单独筑巢，而其他包裹额外运输。为了让机器视觉检测德国必威系统捕捉到这种细微的差异，需要使用广泛的选择标准和仔细调整和优化的检测算法进行编程。

相反，基于深度学习的图像分析依赖于一种类似人类的方法来学习区分两类不同的软件包。根据两类包装的标签图像，系统能够感知额外的包装是它们的区别，并相应地进行分类。

生命科学行业的深度学习分类

癌细胞表现出多变和不可预测的形式。事实上，一种癌细胞的不同大小和形状的差异比它们的共同特征更大。病理学家几乎不可能明确指出是什么“形成”了乳腺癌细胞。古老的谚语“眼见为实”在细胞病理学上证明了令人沮丧的真理。

基于深度学习缺陷检测工具要克服这一障碍，就要学习各种各样的、无数种形式的癌细胞，并能够准确地标记出所有那些看起来异常的细胞，同时牢记健康细胞的自然和正常变异。但在对细胞分化程度进行分级时，基于深度学习的工具可以根据特定的形态对所有异常图像进行分类。由于固有的编程限制，这是机器视觉无法处理德国必威的任务。

例如，前列腺癌细胞根据其“格里森模式”或腺体结构的程度进行分级，等级为1-5。“1”是均匀的，“5”是不规则而明显的。基于深度学习的工具可以帮助自动化检查，通过合并一个模型，根据腺体分化程度，1-5级细胞组织的样子，并根据这个外观，分类工具可以对所有样本进行相应的分类。像Cognex深度学习这样的工具可以做到这一点，即使场景涉及多个区域，聚焦在单一图像中的几个感兴趣的区域。

当涉及到分类时，“类别”可以根据缺陷类型、大小、形状、颜色和每个工业行业特有的各种形态而变化。基于深度学习的工业图像分析软件不仅可以为制造商的自动检测提供动力，还可以完成以前不可能完成的工作:不需要编程就可以进行分类、排序和分级。这使得最终实现自动化检查成为可能，这些检查包括区分视觉上相似但不同的产品，同时在同一类中容忍较大的差异，以及区分可容忍的异常和真正的缺陷。

基于深度学习的解决方案，如康耐视深度学习，扩大了传统机器视觉的能力，不仅可以根据零部件的视觉特征进行检查，还可以对零部件进行分类和分类，帮助加快组装速度，并在生产错误影响质量和产德国必威量之前捕捉到它们。