Euresys展示了其新的深度学习捆绑包，旨在缺陷检查

神经网络是受构成人脑的生物神经网络启发的计算系统。卷积神经网络（CNN）是一类深，喂养的人工神经网络，最常用于分析图像。

深度学习使用大型CNN来解决复杂问题或无法通过所谓的常规计算机视觉算法解决的复杂问题。深度学习算法可能更容易使用，因为他们通常会以身作则学习。他们不需要用户弄清楚如何对零件进行分类或检查。取而代之的是，在初始训练阶段，他们仅通过向要检查的零件的许多图像显示来学习。成功培训后，它们可用于对零件进行分类，检测和细分缺陷。

易于班级

DEEP LEARNING CLASSIFICATION LIBRARY

易于班级is the classification tool of Deep Learning Bundle. EasyClassify requires the user to label training images, that is to tell which ones are good and which ones are bad, or which ones belong to which class. After this learning/training process, the EasyClassify library is able to classify images. For any given image, it returns a list of probabilities, showing the likelihood that the image belongs to each of the classes it has been taught.

例如，如果该过程需要将不良零件与好的零件分开，那么易于批评的返回是每个零件是好是坏，并​​且概率是什么。

At a glance

• Includes functions for classifier training and image classification
• 能够检测有缺陷的产品或将产品分类为各种类别
• 支持数据增强，每节课只有一百个培训图像
• 与CPU和GPU处理兼容
• Includes the free Deep Learning Studio application for dataset creation, training and evaluation
• 仅作为深度学习捆绑包的一部分

段

深度学习细分库

Easy细分是深度学习捆绑包的细分工具。EaseSegment执行缺陷检测和分割。它标识了包含缺陷的部分，并精确地查找图像中的位置。无监督的段段模式通过学习一个“好”样本的模型（即没有任何缺陷的样本）来起作用。这是通过仅使用“好”样品的图像训练来完成的。然后，该工具可用于将新图像分类为良好或有缺陷，并将这些图像的缺陷分割。通过仅使用好样品的图像进行训练，即使事先不知道缺陷类型或不容易获得缺陷的样品，易于段的无监督模式也能够进行检查。

The supervised mode of EasySegment works by learning a model of what is a defect and what is a “good” part in an image. This is done by training with images annotated with the expected segmentation. Then, the tool can be used to detect and segment the defects in new images. The supervised mode of EasySegment achieves better precision and can segment more complex defects than the unsupervised mode thanks to the knowledge of the expected segmentation.

At a glance

• 无监督模式：仅使用“良好”图像训练，以检测和分段异常和缺陷在新图像中
• 监督模式：学习缺陷模型，以更好地分割和检测精度
• Works with any image resolution
• 支持数据增强和掩盖
• 与CPU和GPU处理兼容
• Includes the free Deep Learning Studio application for dataset creation, training and evaluation
• 仅作为深度学习捆绑包的一部分

有关更多信息，请访问https://www.euresys.com。