傳統(tǒng)的視覺算法受打光以及圖像的邊緣對比度影響，無法做到人眼的分辨效果，而且人具有學(xué)習(xí)能力，經(jīng)過大量樣本的學(xué)習(xí)，人就可以找到不同物體之間的細微差別，從而分辨出物體的類別。CNN就是模擬人的大腦神經(jīng)元結(jié)構(gòu)，用計算機構(gòu)造的簡化了的人腦神經(jīng)網(wǎng)絡(luò)模型，其主要用于圖像分類和識別。

LabVIEW是一個廣泛應(yīng)用于工業(yè)自動化測控領(lǐng)域的編程平臺，其具有很多不同行業(yè)的算法庫，例如vision視覺庫，集成了常用的視覺算法。其編程特點是上手快，開發(fā)效率高，兼容性強，能快速調(diào)用c++，c#等平臺的dll類庫。如何將LabVIEW與深度學(xué)習(xí)結(jié)合起來，來解決視覺行業(yè)越來越復(fù)雜的應(yīng)用場景所遇到的困難。

下面以開關(guān)面板為例講解如何使用LabVIEW實現(xiàn)深度學(xué)習(xí)應(yīng)用。

ok樣本

ng樣本

這些圖片的特征是：ok與ok，ng與ng之間都有差異，傳統(tǒng)的方法要實現(xiàn)，就需要復(fù)雜的算法編程實現(xiàn)，如果用深度學(xué)習(xí)，則非常簡單。

1. 準備好樣本庫，分別放到命名為ok和ng的文件夾中

2.利用uvision-ai（LabVIEW調(diào)用第三方庫實現(xiàn)）訓(xùn)練模型。

1000步時（耗時30s），驗證集的識別率已經(jīng)達到100%，loss下降到0.01。

3.調(diào)用uvision平臺進行測試。

訓(xùn)練2000步后樣本包含訓(xùn)練集和測試集（未參與訓(xùn)練，比例15%），總體識別率達到99.669%。

4.推理端用c#全套封裝所有算法到uvision-dll.dll，LabVIEW端只需要簡單調(diào)用少量算法即可實現(xiàn)識別。

以上就是LabVIEW實現(xiàn)深度學(xué)習(xí)、訓(xùn)練模型自學(xué)習(xí)應(yīng)用的案例分享。下面來講一下視覺深度學(xué)習(xí)的行業(yè)現(xiàn)狀及目前存在的問題。

目前深度學(xué)習(xí)從業(yè)人員薪資處于高位，且屬于人才緊缺的行業(yè)，就業(yè)前景廣闊。

在機器學(xué)習(xí)，深度學(xué)習(xí)還沒有發(fā)展的這么火熱之前， 國外幾款做的幾款非常好的視覺軟件業(yè)內(nèi)人士應(yīng)該都很清楚。比如：NIVISION,Halcon, Visionpro, Cognix, MIL等等都是業(yè)內(nèi)用的比較多，而且比較成功的視覺軟件。其中很多模塊都有定位，測量，檢測等功能。

但是這些傳統(tǒng)的方法來做缺陷檢測大多都是靠人來特征工程， 從形狀，顏色， 長度，寬度，長寬比來確定被檢測的目標是否符合標準，最終定義出一系列的規(guī)則來進行缺陷檢測。這樣的方法當(dāng)然在一些簡單的Case中已經(jīng)應(yīng)用的很好， 唯一的缺點是隨著被檢測物體的變動，所有的規(guī)則和算法都要重新設(shè)計和開發(fā)，即使是同樣的產(chǎn)品，不同批次的變化都會造成不能重用的現(xiàn)實。

為了幫助更多學(xué)員深入了解、學(xué)會掌握LabVIEW視覺深度學(xué)習(xí)的實際運用能力，從沒有任何Python，TensorFlow基礎(chǔ)學(xué)員，通過系統(tǒng)學(xué)習(xí)也能夠從零入門，一步步實現(xiàn)自己手動搭建深度學(xué)習(xí)平臺，學(xué)會調(diào)用視覺訓(xùn)練模型、利用loss曲線觀察訓(xùn)練，并對已開發(fā)調(diào)用AI模型的評估、優(yōu)化。8月18日（周二）晚上8點，我將會在發(fā)燒友直播間，給大家詳細講解以上內(nèi)容，LabVIEW深度學(xué)習(xí)技術(shù)實現(xiàn)過程。歡迎大家提前報名直播，準時收看！