VisionBank AI官網(wǎng)：http://www.visionbankai.com/

VisionBank AI是搭載在“VisionBank通用機(jī)器視覺開發(fā)平臺(tái)”上的一種圖像處理工具，它采用深度學(xué)習(xí)
技術(shù)解決機(jī)器視覺應(yīng)用場景中傳統(tǒng)算法難以解決的問題（四大應(yīng)用場景）：

VisionBank經(jīng)過多個(gè)版本的技術(shù)更新，現(xiàn)有以下功能和技術(shù)突破：
一，對平臺(tái)算力要求降低，精簡項(xiàng)目成本。
VisionBank在線推理的神經(jīng)網(wǎng)絡(luò)模型均基于OpenVINO進(jìn)行了模型優(yōu)化，優(yōu)化后的模型，對算力平臺(tái)的要求最高可降低16倍（不同類型的模型優(yōu)化結(jié)果有差異）。使得VisionBank的在線推理可全部基于CPU完成，降低GPU使用需求，從而優(yōu)化企業(yè)的成本控制。
二，訓(xùn)練數(shù)據(jù)量降低100倍。
創(chuàng)新的深度學(xué)習(xí)模塊和傳統(tǒng)缺陷檢測算法深度融合，可以利用傳統(tǒng)算法“過檢”后的“圖像塊”來訓(xùn)練“缺陷過濾神經(jīng)網(wǎng)絡(luò)模型”，在利用對抗訓(xùn)練的準(zhǔn)確性優(yōu)勢下，有效解決了“負(fù)樣本”圖像數(shù)據(jù)獲取問題。
三，新一代特征匹配算法，提速11倍。
最新開發(fā)的第四代“特征匹配算法”相對于第一代算法，匹配速度提升了11倍，支持以下異常特征匹配：特征被部分遮擋、特征大小有縮放、特征扭曲變形以及特征顯示不全等。
四，最新升級(jí)的架構(gòu)模塊，最多支持16臺(tái)相機(jī)同時(shí)并行檢測。
一臺(tái)處理器可以當(dāng)16臺(tái)處理器使用，在多相機(jī)協(xié)同工作場景，實(shí)現(xiàn)了有效的成本優(yōu)化。

傳統(tǒng)圖像處理是人工分析圖像的特征，再通過圖像處理算法提取特征，然后通過特征的關(guān)鍵參數(shù)來區(qū)分對象；

深度學(xué)習(xí)是采集大量圖像，然后標(biāo)注圖像數(shù)據(jù)并訓(xùn)練神經(jīng)網(wǎng)絡(luò)，通過訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行對象類型推理；

（1）訓(xùn)練及測試數(shù)據(jù)采集：利用工廠搭建好的機(jī)器視覺硬件系統(tǒng)，基于VisionBank平臺(tái)自動(dòng)存儲(chǔ)500~10000張包含“正負(fù)樣本”的圖像數(shù)據(jù)；

（2）訓(xùn)練及測試數(shù)據(jù)分類：將自動(dòng)采集到的圖片按分類要求區(qū)分到不同文件夾進(jìn)行分類；

（3）數(shù)據(jù)標(biāo)記及神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練：利用VisionBank AI標(biāo)記工具將分類好的圖像進(jìn)行自動(dòng)（手動(dòng)）標(biāo)記，并訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；

（4）神經(jīng)網(wǎng)絡(luò)模型推理及在線檢測：訓(xùn)練完畢后利用分類好的測試數(shù)據(jù)測試模型的準(zhǔn)確性，然后加載到VisionBank工程文件中進(jìn)行在線檢測。

深度學(xué)習(xí)圖像處理是通過搭建“類腦神經(jīng)網(wǎng)絡(luò)”，借鑒人腦處理數(shù)據(jù)的方法去解決圖像處理問題，所以凡是涉及到深度學(xué)習(xí)的場景，都需要兩個(gè)必要條件：一是大數(shù)據(jù)支持——各種有代表性的圖片；二是強(qiáng)大的算力平臺(tái)——一般采用GPU運(yùn)算平臺(tái)。而在實(shí)際工業(yè)應(yīng)用場景，這兩個(gè)條件都是極難實(shí)現(xiàn)，且實(shí)現(xiàn)成本極高的。VisionBank AI是在VisionBank通用開發(fā)平臺(tái)基礎(chǔ)上推出的深度學(xué)習(xí)功能，它結(jié)合VisionBank本身強(qiáng)大的傳統(tǒng)圖像處理算法，解決了以上兩個(gè)難題的大部分實(shí)現(xiàn)問題。

（1）神經(jīng)網(wǎng)絡(luò)推理完全基于CPU實(shí)現(xiàn)：VisionBank AI訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型推理完全基于CPU實(shí)現(xiàn)，而且神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練同時(shí)支持CPU和GPU。用戶可以根據(jù)項(xiàng)目所需模型的復(fù)雜程度靈活選擇算力平臺(tái)，從而節(jié)省不必要的算力平臺(tái)硬件支出； 

（2）創(chuàng)新的“深度學(xué)習(xí)缺陷過濾”算法：利用傳統(tǒng)算法找出所有可能的缺陷區(qū)域，僅用深度學(xué)習(xí)解決缺陷區(qū)域的OK和NG判別，從而很好的解決了訓(xùn)練圖像數(shù)據(jù)獲取的問題； 

（3）支持神經(jīng)網(wǎng)絡(luò)模型再訓(xùn)練：根據(jù)工業(yè)場景應(yīng)用的復(fù)雜性，支持模型的繼續(xù)訓(xùn)練，從而可以形成行業(yè)專用神經(jīng)網(wǎng)絡(luò)模型。

VisionBank Ai深度學(xué)習(xí)視覺解決方案相對單純的深度視覺有以下優(yōu)勢：

1、訓(xùn)練用數(shù)據(jù)集一定要嚴(yán)格關(guān)注“質(zhì)”和“量”

（1）質(zhì)：訓(xùn)練用的數(shù)據(jù)集一定要有代表性，要包含各種可能的情況，而且各種情況對應(yīng)的圖片數(shù)量分布要均勻
（2）量：訓(xùn)練用的數(shù)據(jù)集數(shù)量一定要相對較多，根據(jù)模型的復(fù)雜程度，高質(zhì)量的圖片數(shù)量一定要大
2、傳統(tǒng)算法要和深度學(xué)習(xí)相結(jié)合。傳統(tǒng)算法能搞定的，堅(jiān)決不要依賴深度學(xué)習(xí)
（1）傳統(tǒng)算法：定位、尺寸等
（2）深度學(xué)習(xí)：參考前面介紹的“傳統(tǒng)算法難以解決的問題”
3、精準(zhǔn)定位具體問題，由“局部”到“整體”。機(jī)器視覺項(xiàng)目的最終目的是實(shí)現(xiàn)100%的準(zhǔn)確檢測，但是在項(xiàng)目開發(fā)過程中會(huì)存在各種問題影響這個(gè)結(jié)果。當(dāng)出現(xiàn)異常結(jié)果時(shí)，要能準(zhǔn)確定位到具體環(huán)節(jié)去測試查找。
（1）訓(xùn)練數(shù)據(jù)集復(fù)核：數(shù)據(jù)分類好，再標(biāo)記后需要再檢查一遍是否有標(biāo)記錯(cuò)誤或分類錯(cuò)誤的情況
（2）神經(jīng)網(wǎng)絡(luò)模型推理：模型訓(xùn)練完畢后，務(wù)必先進(jìn)行大量圖片測試后，再導(dǎo)入工程文件在線推理