深度學習
-
機器視覺發展方向
機器視覺必然朝著以下幾個方向發展：
1)高性能、低功耗、低成本的處理器:基于ARM的soc、DSP、FPGA，協處理器GPU等，
2)深度學習：通過學習和訓練實作演算法，機器視覺的一次革命
3)硬體和軟體的模塊化：攝像頭模塊可以直接與嵌入式處理板連接，支持嵌入式平臺上影像處理庫，
對智能制造的發展行程，提出了《OPC UA》規范，該規范是一套安全、可靠且獨立于制造商和平臺的、用于工業通訊的資料互動規范，使得不同作業系統和不同制造商的設備之間可以進行資料互動，
“端到端”機器機器學習演算法，指明了相較于傳統的機器視覺需要比較高的入門門檻，視覺檢測行業的從業人員需具備較為專業的理論知識，而基于深度學習的視覺檢測能夠將該門檻降低，非視覺學科專業的從業人員只需準備足夠的高質量樣本，運用深度學習工具即可將視覺檢測運用于實際的專案中， -
深度的優勢
深度學習最大的優勢在于：
1）通過訓練樣本自動生成檢測模型
2）降低行業知識經驗的門檻，可以快速獲得較高的檢測性能
3）無需針對特定專案定制檢測演算法，大幅度減少開發時間
從應用便利性、檢測性能、檢測效率三個方面說明的深度學習的挑戰或者說局限性：
1）應用便利性
檢測的效果和準確性取決于樣本的質量，并且樣本的數量級非常大
傳統視覺檢測操作時間短，并且可以即時反饋檢測效果
深度學習演算法在訓練以及執行時，無法即時獲取報錯例外，難以追蹤問題點，只能通過不斷地調整樣本或者演算法整體
2）檢測性能
基于深度學習的視覺檢測，
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/171952.html
標籤：java