镭晨AOI深度学习算法逻辑介绍.pdf - 第12页
传统方法 VS 深度学习 • 提取框选区域的颜色，分析颜色 占比 • 框选 & 配置颜色参数，高度依赖经 验 • 元件库，减少工作量 • 无法泛化，经验积累 • 检出率依赖于工程师经验 • 卷积神经网络 • 大量样本数据训练模型 • 自动元件搜索，一键编程 • 高泛化性 • 可增加负样本训练提升 传统方法 深度学习 VS
传统方法 VS 深度学习
深度学习减少了手工提取特征或规则的步骤，从原始数据中自动学习特征
手工特征 分类器 输出
深度神经网络 输出
传统检测方式
深度学习算法
传统方法 VS 深度学习
• 提取框选区域的颜色，分析颜色占比
• 框选&配置颜色参数，高度依赖经验
• 元件库，减少工作量
• 无法泛化，经验积累
• 检出率依赖于工程师经验
• 卷积神经网络
• 大量样本数据训练模型
• 自动元件搜索，一键编程
• 高泛化性
• 可增加负样本训练提升
传统方法 深度学习
VS
一种分类的深度神经网络
在工业检测领域应用深度学习算法，使用大数据优化，智能极简编程，一键自动识别已训练
元器件及焊锡，智能判定不良，解决编程时间长、误报率高两大传统算法痛点