选择边学习和深度的学习

深度学习模拟的方式相互连接的神经元在人脑中加强和削弱连接创建一个对图像的理解。在深度学习,数百名层神经网络暴露在大量的图像相似的对象。这些层之间通过轻微修改连接内部和每次接触到一个新的形象,深度学习学会可靠地识别这些对象,和检测缺陷,没有明确的培训。

传统的深度学习提供了处理大型的能力和高度详细的图像集,使其适合复杂或高度定制的应用程序。因为这样的应用程序引入了重要的变化,他们要求先进的计算能力和强大的培训能力。占这个变异和捕获所有的潜在结果,图片编号在成百上千的图像必须用于培训。传统的深度学习使用户能够快速有效地分析这些图像集,自动执行复杂的任务提供一个有效的解决方案。而成熟的深度学习产品和开源框架来解决复杂的应用程序设计,大多数的工厂自动化应用程序需要更复杂,使它们更适合边学习。

人工智能的力量可以应用于工厂自动化的问题通过将应用程序需求的知识嵌入到神经网络连接从一开始。这个训练的“删除大量的计算负载,尤其是当得到适当的传统机器视觉工具的支持。德国必威结果是边学习,光和快速的视觉工具。

边学习工具可以在几分钟内被训练,使用只有五到十图像。比较深刻的学习解决方案,这可能需要几个小时到几天的训练,使用到成千上万的图片。通过简化部署、边学习使制造商迅速增加,同时保持灵活,能够调整容易变化。

为了优化边学习嵌入式视觉系统上运行,训练图像缩减规模或夹具,只有感兴趣的特定区域进行了分析。如果这些缩减规模图像分化与线工程师自己的眼睛,他们可以有信心学习工具边缘将执行同样。然而,重要的是要注意,这种优化是有取舍的。它限制使用边缘学习非常先进和高精度缺陷检测应用程序,这是更好的解决与传统深度学习解决方案。