（傳統機器視覺工作 VS 深度學習工作）

深度學習是基于神經網絡的機器學習方法，其核心是神經網絡模型，該模型由多層神經元構成，每層神經元將接收上一層的輸入并進行處理，然后將輸出傳遞到下一層。

深度學習模型則通常由多層神經網絡組成，每一層都包含許多計算單元，這些計算單元之間具有權值連接。深度神經網絡模型具備從原始數據中自動抽取特征、構建復雜特征、學習映射并輸出結果的能力，還能在訓練過程中不斷優化所有層級。

傳統的機器視覺技術需要將數據表示為一組特征，或輸入到預測模型，從而得出預測結果，這是完成制定動作，較難適應未來柔性化的生產需求，尤其是在缺陷類型復雜化、細微化、背景噪聲復雜等場景越來越難適用。

搭載 AI 深度學習功能后，機器視覺將原始的數據特征通過多步的特征轉換得到一種更高層次、更抽象的特征表示，并進一步輸入到預測函數得到最終結果，基于深度學習的機器視覺在理想狀態下可以結合機器視覺的效率與人類視覺的靈活性，從而完成日趨復雜環境下的檢 測，尤其是涉及偏差或極端環境，滿足更多下游對瑕疵精度、通用性的嚴苛要求。

隨著卷積神經網絡技術的不斷進步，人工智能的應用領域正日益拓寬，其影響力已滲透到各行各業的方方面面。依托豐富的技術積累，華漢偉業自研深度學習算法，實現基于規則的機器視覺和基于深度學習的圖像分析之間的互補，具備強大的圖像識別與處理能力，能夠辨別各種工業復雜環境，實現智造升級。

iSense AI視覺檢測軟件是華漢偉業基于深度學習開發的端到端全流程AI工業質檢平臺，旨在解決工業復雜缺陷檢測及工程管理核心難題，實現跨產品型號模型快速遷移，滿足多個細分行業場景的視覺應用需求。通過在“多模態學習、實例分割、3D+2D分割、3D+2D分類、旋轉目標檢測、對比學習、缺陷樣本自動生成、無監督學習”等8大產品特色工具的開發，實現了算法平臺化，助力工業產線快速部署，輔助企業提升產品質量和制造工藝改善。

AI的核心算法功能支持零代碼的編程，簡化了開發流程。同時，搭載2D、3D軟件，可以實現多種模態的融合檢測，完成各種復雜表面的質量檢測，在新能源、3C電子制造、汽車電子等領域有著廣泛的應用場景。

字符識別是借助基于神經網絡的深度學習算法對已知類型的數字、字母類字符進行標記訓練，在生產流程中，該技術能夠自動檢測并識別圖像中是否存在這些字符，輸出精確的結果。這一過程實現了機器無需人工干預，即可自行解讀字符信息的能力。

華漢偉業采用2D+AI視覺技術中的字符識別工具對零部件的有無以及字符進行檢測，能夠有效地處理圖像中的噪聲和干擾，突出具有刻印深度的產品特征信息，大幅度提升產品不良品的檢出，準確率高，計算速度快。

例如在二維碼飛拍讀取應用中，融入深度學習，基于海量的樣本數據，動態判斷產品內容，滿足高速檢測需求，能夠捕捉到更復雜的字符特征和模式，高效識別各種疑難碼。

缺陷檢測主要是指對工業產品表面瑕疵的識別，目前缺陷檢測應用最多，且對外觀有嚴格要求的產品包括金屬、玻璃、電子元器件等。

傳統機器視覺系統面對復雜多變的缺陷類型，需要根據實際的場景搭建不同的算法模塊，由專業的人員對機器進行大量的調試，繁復的調試工作不僅需要大量的工時，同時還需要品管人員進行反復的校核，最終進入產線檢測。

而深度學習將人工智能和基于規則的傳統機器視覺可擴展性的優勢結合在一起。華漢偉業將傳統的2D/2.5D/3D檢測算法與AI深度學習算法深度融合，支持多種模態組合。

在方殼電池六面檢案例中，華漢偉業通過對缺陷圖像的大量識別訓練，能夠更快的構建出算法模型，通過算法實現快速響應，自動且全面地檢測產品表面各種形狀和大小的缺陷，包括劃痕、裂紋、凹凸、氣泡等，實現對產品的質量控制以及對制造工業生產線的智能化升級。

與人眼相比，機器視覺在效率、精度、環境要求、安全性等各因素上都有明顯的優勢。同時，在AI深度學習+機器視覺的升級趨勢下，在工業自動化、數字化、柔性化、復雜性生產上貢獻了更高的適配度。

華漢偉業將深度學習算法引入機器視覺系統，通過神經網絡學習不同場景的特征，建立不同的深度學習模型，從而實現分析更加復雜的圖像并提高圖像分析能力與檢測效果。自研的深度學習不僅能夠適應不同的應用場景，還可以自動提取數據中的特征，在處理各種不同的數據時取得良好的效果。

通過搭載人工智能發展東風實現機器視覺的再一次迭代升級，華漢偉業打破傳統機器視覺壁壘，以創新技術發展新質生產力，持續賦能產業升級。