如雨后春笋般深度学习缺陷检测视觉平台，你在想，别人在做
如雨后春笋般深度学习缺陷检测视觉平台，主要有两个方向的视觉平台，Ai软件，智能机硬件+算法。
无论是Ai软件，智能机都是以小样本训练、迁移学习，AI底层优化算法等解决工业视觉缺陷检测难题，并在汽车，3C、泛半导体、锂电池等众多领域广泛落地，实现了机器替代人，提高了企业产品质量检测，提高检测效率，降低人工成本，辅助保证产线良率、产能，为改善产品工艺和质量提供可靠的数据追溯。
缺陷检测行业痛点有哪些？
客户端痛点：
1.图像数据少
缺陷图像数据少，收集困难；个别罕见缺陷收集难度更大
2.产品型号多
产品类型多复杂，型号多变
3.周期长
项目周期长，落地慢
4.要求高
终端客户要求检测精度过高，0漏检！
5.缺陷标准模糊
终端客户内部缺陷标准不统一，存在模棱两可的情况，项目推进中形成很大的阻力
技术端痛点：
1.精度不可控
深度学习卷积不可控，检测精确度低
2.优化无方向
深度学习神经网络黑匣子，优化无方向
3.检测速度慢
GPU显卡成本高，硬件加速处理速度慢
4.软件操作复杂
软件集成度、功能性差，操作复杂，工程师不会使用
5.综合技术实力要求高
对光学方案要求越来越高，对综合技术能力要求越来越高，AI需要传统图像处理算法配合。
小样本训练带来挑战性（解决工业缺陷图像数据少，减少AI对于数据量的依赖）
1、目前问题点：
深度学习模型的效果过于依赖大量训练数据，而工业流水线上的AI模型需应对的NG样本存在类型多、数据少的特点。
2、现有挑战：
如何在保证精度的情况下进行神经网络模型的小样本训练？
3、解决方案：
基于工业样本的特点，利用结构化保持的流形学习方法、深度最优测度学习方法及特征匹配与对抗学习方法，解决基于迁移学习的小样本识别中产生的负迁移、负适配、欠拟合等关键问题。
迁移学习（强泛化能力，解决跨产品型号能力差问题 ）
1、目前问题点：
检测目标存在多型号，材质相似，缺陷类型大致相同等特点。以往的深度学习算法在训练同一类图像的过程中，容易产生过拟合现象。
2、现有挑战：
解决对类似图像训练的过拟合问题！
3、解决方案：
通过工业领域收集的各类缺陷图片，训练出较为通用的预训练工业模型。由于通用模型的低层语义通常包含缺陷边缘、颜色等通用基础信息，无需重复训练，因此迁移学习冻结预训练模型的全部卷积层，只训练自己定制的全连接层；即只训练高层语义所包含的组合性复杂特征来将通用预训练工业模型迁移到多个领域只有小数据的领域，提高了泛化能力具有适应性。
1、目前问题点：
AI Segmentation分割模型普遍存在精度不够的问题。开源算法及行业内某些厂商的语义分割算法检测的后的IOU（交并比）效果不理想，即反映精度不够或检测存在偏差的问题。
2、现有挑战：
消除由于模型分割精度不够导致的检测偏差问题。
3、解决方案：
Handdle AI深度学习模块优化了算法底层框架，得益于专业的超参控制调整，使所检测的分割像素无限贴近于真实。根据项目图像特征的不同，组合配备对应的超参控制，对像素特征具有极高的感知，大幅度提升检测IOU及像素级精度。
可视化调试(解决深度学习模型优化无方向问题)
1、目前问题点：
针对目前深度学习只能处理可微数据，超参多不好调试，卷积过程黑匣子不可控，训练数据要求多，无法理解图像背后含义等缺陷。
2、现有挑战：
神经网络优化没有方向，黑匣子无法可视化，无法人为干预结果。
3、解决方案：
通过计算获得最大一类的输出相对于最后一个featuremap的梯度，再把这个梯度可视化到原图，抽出中间层的结果来打开黑匣子，解决优化无方向等黑匣子问题；针对样本在训练过程中不可控的问题，特别加强了图像分类可视化功能，通过热力图、精准定位到最高权重，并提供强有效的方向性修复方案。
机器学习+深度学习
1、目前问题点：
基于AI深度学习的模型分析下，有部分项目在结果上无法做到绝对的精准量化；AI模块对于部分数据处理存在速率低下的情况。
2、现有挑战：
解决AI模块对于绝对精度的量化问题与项目推理运行的时效问题。
3、解决方案：
Handdle AI深度学习结合自主研发的机器视觉算法，将模板匹配、轮廓匹配、定位、量测等多模块算法集成，融合搭配AI深度学习算法。平台为AI提供了可靠的预训练样本；并满足大量用户现场有关机器视觉的应用。将检测的结果经过MV算法进行精准测量，并通过模块化的搭建方式组合模块，实现高效的项目推理部署。
