IC693CHS399  學習算法主要是數據驅動進行特征提取和分類決策，根據大量樣本的學習能夠得到深層的、數據集特定的特征表示，其對數據集的表達更和準確，所提取的抽象特征魯棒性更強，泛化能力但檢測結果受樣本集的影響較大。深度學習通過大量的缺陷照片數據樣本訓練而得到缺陷判別的模型參數， 建立出一套缺陷判別模型， 目標是讓機器能夠像人一樣具有分析學習能力，能夠識別缺陷。

總體來講，傳統圖像算法是人工認知驅動的方法，深度學習算法是數據驅動的方法。深度學習算法一直在不斷拓展其應用的場景，但傳統圖像方法因其成熟、穩定特征仍具有應用價值。

應用案例

某主機廠應用了漆面缺陷檢測系統，系統安裝在 1 條面漆存儲線上，可同時滿足 2 條精修線車輛的漆面缺陷檢測， 設計產能 40 JPH， 可檢測的大車身尺寸為 5 000 mm×2 000 mm×1 800 mm， 檢測速度 6 m/min。

系統采用紅色LED燈帶作為光源，主檢測站配備39個500萬像素高清相機，尾門檢測站配備 9 個500 萬像素高清相機，每分鐘可采集近5 萬張的車身照片，通過光纖傳輸給圖像處理計算機，采用傳統2D圖像算法進行缺陷識別。

IC693CHS399  

Foxboro I/A P0400VP 

Foxboro I/A P0911PU 

Foxboro I/A P0400QK 

Foxboro I/A P0400QK 

Foxboro I/A P0400QJ 

Foxboro I/A P0400QA

Foxboro I/A P0400DL

Foxboro I/A P0902DZ

FOXBORO I/A 83W-D01S1SSTNA

Foxboro I/A PM400YP 

Foxboro I/A PM700WB

Foxboro CFT10 I/A

Foxboro FPS400-24

Foxboro I/A P0903ZE 

Foxboro DO117KP 

Foxboro P0971FB

Foxboro P0940BR 

Foxboro P0940DH

IC693CHS399

IC200UER508

IC200UEX009

IC200UEX009-24

IC200UEX010

IC200UEX010-24

IC200UEX011

IC200UEX011-24

IC200UEX012

IC200UEX012-24

IC200UEX013

IC200UEX014

IC200UEX015

IC200UEX064

IC200UEX122

IC200UEX164

IC200UEX209