（传统机器视觉工作 VS 深度学习工作）

深度学习是基于神经网络的机器学习方法，其核心是神经网络模型，该模型由多层神经元构成，每层神经元将接收上一层的输入并进行处理，然后将输出传递到下一层。

深度学习模型则通常由多层神经网络组成，每一层都包含许多计算单元，这些计算单元之间具有权值连接。深度神经网络模型具备从原始数据中自动抽取特征、构建复杂特征、学习映射并输出结果的能力，还能在训练过程中不断优化所有层级。

传统的机器视觉技术需要将数据表示为一组特征，或输入到预测模型，从而得出预测结果，这是完成制定动作，较难适应未来柔性化的生产需求，尤其是在缺陷类型复杂化、细微化、背景噪声复杂等场景越来越难适用。

搭载 AI 深度学习功能后，机器视觉将原始的数据特征通过多步的特征转换得到一种更高层次、更抽象的特征表示，并进一步输入到预测函数得到最终结果，基于深度学习的机器视觉在理想状态下可以结合机器视觉的效率与人类视觉的灵活性，从而完成日趋复杂环境下的检 测，尤其是涉及偏差或极端环境，满足更多下游对瑕疵精度、通用性的严苛要求。

随着卷积神经网络技术的不断进步，人工智能的应用领域正日益拓宽，其影响力已渗透到各行各业的方方面面。依托丰富的技术积累，华汉伟业自研深度学习算法，实现基于规则的机器视觉和基于深度学习的图像分析之间的互补，具备强大的图像识别与处理能力，能够辨别各种工业复杂环境，实现智造升级。

iSense AI视觉检测软件是华汉伟业基于深度学习开发的端到端全流程AI工业质检平台，旨在解决工业复杂缺陷检测及工程管理核心难题，实现跨产品型号模型快速迁移，满足多个细分行业场景的视觉应用需求。通过在“多模态学习、实例分割、3D+2D分割、3D+2D分类、旋转目标检测、对比学习、缺陷样本自动生成、无监督学习”等8大产品特色工具的开发，实现了算法平台化，助力工业产线快速部署，辅助企业提升产品质量和制造工艺改善。

AI的核心算法功能支持零代码的编程，简化了开发流程。同时，搭载2D、3D软件，可以实现多种模态的融合检测，完成各种复杂表面的质量检测，在新能源、3C电子制造、汽车电子等领域有着广泛的应用场景。

字符识别是借助基于神经网络的深度学习算法对已知类型的数字、字母类字符进行标记训练，在生产流程中，该技术能够自动检测并识别图像中是否存在这些字符，输出精确的结果。这一过程实现了机器无需人工干预，即可自行解读字符信息的能力。

华汉伟业采用2D+AI视觉技术中的字符识别工具对零部件的有无以及字符进行检测，能够有效地处理图像中的噪声和干扰，突出具有刻印深度的产品特征信息，大幅度提升产品不良品的检出，准确率高，计算速度快。

例如在二维码飞拍读取应用中，融入深度学习，基于海量的样本数据，动态判断产品内容，满足高速检测需求，能够捕捉到更复杂的字符特征和模式，高效识别各种疑难码。

缺陷检测主要是指对工业产品表面瑕疵的识别，目前缺陷检测应用最多，且对外观有严格要求的产品包括金属、玻璃、电子元器件等。

传统机器视觉系统面对复杂多变的缺陷类型，需要根据实际的场景搭建不同的算法模块，由专业的人员对机器进行大量的调试，繁复的调试工作不仅需要大量的工时，同时还需要品管人员进行反复的校核，最终进入产线检测。

而深度学习将人工智能和基于规则的传统机器视觉可扩展性的优势结合在一起。华汉伟业将传统的2D/2.5D/3D检测算法与AI深度学习算法深度融合，支持多种模态组合。

在方壳电池六面检案例中，华汉伟业通过对缺陷图像的大量识别训练，能够更快的构建出算法模型，通过算法实现快速响应，自动且全面地检测产品表面各种形状和大小的缺陷，包括划痕、裂纹、凹凸、气泡等，实现对产品的质量控制以及对制造工业生产线的智能化升级。

与人眼相比，机器视觉在效率、精度、环境要求、安全性等各因素上都有明显的优势。同时，在AI深度学习+机器视觉的升级趋势下，在工业自动化、数字化、柔性化、复杂性生产上贡献了更高的适配度。

华汉伟业将深度学习算法引入机器视觉系统，通过神经网络学习不同场景的特征，建立不同的深度学习模型，从而实现分析更加复杂的图像并提高图像分析能力与检测效果。自研的深度学习不仅能够适应不同的应用场景，还可以自动提取数据中的特征，在处理各种不同的数据时取得良好的效果。

通过搭载人工智能发展东风实现机器视觉的再一次迭代升级，华汉伟业打破传统机器视觉壁垒，以创新技术发展新质生产力，持续赋能产业升级。