從理論起步到工業實踐，中國工業視覺發展分為四個階段，當前正處于機器視覺向各行業應用滲透的時期。科技自主化成為國家戰略，工業視覺應用的廣度與深度實現快速發展，廣度體現在2D向3D遞進，深度體現在算法層的深度應用，如深度學習、AI認知逐步建立，應用滲透率提高，國產化應用需求逐漸增加，自研比例不斷提升。

在機器視覺軟件開發領域，大部分廠家面向市場上檢測精度越來越高、檢測速度越來越快、成本越來越低、場景適應面越來越廣等的需求趨勢，已經將深度學習作為研發的重要方向，事實也證明，為機器視覺系統配置深度學習的算法軟件，確實可以處理很多制造行業產線的新問題。

然而，深度學習算法也并非“萬能藥”。一方面，很多機器視覺提供商在研發軟件平臺時，直接從深度學習起步，缺乏傳統算法的基礎積累，導致遇到需要傳統算法解決的場景，就舉步維艱，需要再進行定制開發；另一方面，深度學習對平臺算力要求高，當前工業制造產線中仍有大量的僅需要傳統算法就可解決的機器視覺場景，如果一概使用深度學習，則在某種程度上也是一種成本浪費。

傳統算法融合深度學習 維視獨辟蹊徑的最優解

多年的研發和一線實踐，維視團隊深諳傳統算法的優勢和邊界，因此開創性地將傳統算法融合深度學習，為機器視覺帶來了針對軟件平臺的最佳答案。

相對于當前行業內以傳統算法或以深度學習為核心的軟件，維視智造推出的VisionBank AI通用智能工業視覺算法平臺，將維視20年的傳統算法積累和深度學習有效融合，最新版本幾乎可以完成任何行業內任何場景下的圖像處理任務。同時，隨著新算法、新技術和創新應用方法的不斷發展，VisionBank AI將在其優秀的項目開發架構及系統架構之上快速完成升級迭代，從而解決更多的場景問題。

VisionBank AI的功能特色包括：

（1）創新的“深度學習過濾”工具。先以傳統算法實現“0漏檢，高過檢”，再用“深度學習”過濾“過檢”中誤判情況。該方案不僅能實現“0漏檢”下極低的“過檢率”指標，還具備以下優勢特點：

任何需要進一步“智能判定”的工具都支持“深度學習過濾”

對訓練數據量要求降低——“過檢”情況下，提高檢測指標，即可快速獲取大量負樣本數據，“NG”產品數據獲取不再是問題。

對算力平臺要求降低——“深度學習過濾”工具基于OpenVINO硬件加速引擎優化，可以完全基于CPU完成在線推理。

嚴謹、清晰的判定原理過程展示——“深度學習過濾”工具是傳統算法和深度學習深度融合的典型應用，在深度學習的加持，依舊保留了傳統算法的嚴謹邏輯。

更自由的檢測方案設計——“深度學習過濾”工具不僅僅用于傳統算法和深度學習相融合，還可以先用深度學習“過檢”，再用“深度學習過濾”的創新用法。

（2）深度學習技術在圖像處理細節流程中的創新應用。維視智造不僅把深度學習技術用來直接解決一些復雜檢測問題，更把深度學習技術應用在圖像處理流程中的各個環節。比如：深度學習圖像增強、深度學習掩膜、深度學習定位、深度學習模板訓練等。在使用VisionBank AI的工具時，會經常發現深度學習技術給傳統算法帶來的驚喜。

深度學習圖像增強”可以只輸出你感興趣的“鋼筋區域”

（3）前沿的“遷移學習”技術應用。眾所周知，“遷移學習”技術應用需要大量數據積累，通過“預訓練模型”來實現。維視智造在深度學習圖像增強、深度學習二值圖后處理等流程上使用了各種“預訓練”模型，可以在不獲取用戶任何訓練數據的前提下，“提前想到”用戶的預期目的。

（4）完善、易用的平臺應用架構。VisionBank AI不是深度學習技術火熱后的新產品，而是將深度學習技術深度融合到一個具有二十余年應用積淀的軟件中的升級產品。其在相機、通訊、數據存儲、IO、用戶管理、流程處理邏輯等模塊的功能經受住了大量各行業用戶的驗證和認可。

除此之外，VisionBank AI還擁有多項面對具體難題的技術突破：

（1）傳統算法的極致應用。VisionBank AI將傳統算法的能力幾乎應用到了極致，凡是傳統算法能夠解決的應用場景，VisionBank AI全部觸達。VisionBank AI只把深度學習技術應用在兩個方面：其一、傳統算法無法解決的場景；其二、采用深度學習技術時效率和穩定性更高的場景。

VisionBank AI傳統算法可檢出的“隱裂”缺陷

（2）智能高速定位算法的突破。高分辨率圖像下的高精度、高速度智能特征匹配一直都是是行業難點問題。VisionBank AI最新開發的第四代“特征匹配算法”相對于第一代算法，匹配速度提升了11倍，支持以下異常特征匹配：特征被部分遮擋、特征大小有縮放、特征扭曲變形以及特征顯示不全等。VisionBank AI的核心圖像處理算法始終看齊國內外最前沿技術。

（3）神經網絡模型的深度優化。VisionBank AI在線推理的神經網絡模型均基于OpenVINO進行了模型優化。優化后的模型，對算力平臺的要求最高可降低16倍（不同類型的模型優化結果有差異）。VisionBank AI的在線推理可以全部基于CPU完成。

案例實踐 實力賦能

VisionBank AI可以更好的適應客戶現場的各種復雜檢測要求，目前也已有了典型實踐案例：

螺紋裂紋檢測

在螺紋的生產加工過程中，因為各種原因會產生一定比例的不合格品，如果不能夠將不合格品檢測出來，會對產品本身的強度造成嚴重影響。采用傳統的視覺檢測方法對螺紋進行檢測，因為螺紋本身的紋理干擾等因素，在檢測的過程中無法檢測或者誤判率非常高，采用VisionBank AI的深度學習功能，可將誤判率大大的降低，良品率能夠達到99.9%以上。

鍵盤缺陷檢測

在電腦鍵盤字符印刷的過程中，經常會產生各種印刷不良，采用傳統的視覺檢測方法進行檢測，粉塵、毛屑、指紋等如果殘留在鍵盤上，就會對視覺檢測造成干擾。在檢測過程中將其誤檢為字符的印刷不良，使合格品被誤檢為不合格品，從而影響產線的生產效率。針對以上存在的問題，用VisionBank AI的深度學習功能對鍵盤進行檢測，可使產線的誤檢率大大的降低，從而提高產線的檢測生產效率和產品質量。

大棗分選

在大棗的分類檢測項目的要求中，需要對多種大棗產品進行分類，其中每一類之間有著明顯的差異，采用傳統算法進行特征提取來判斷，無法實現批量生產檢測；同時，相同類別的大棗之間又存在共性，通過傳統的檢測方法難以穩定的獲取到相同的元素。為了能夠實現大棗的檢測分類要求，使用VisionBank 深度學習功能對大棗進行分類和檢測，就達到了很好的檢測效果。

維視智造作為國內專業的人工智能與機器視覺解決方案供應商，面向制造業企業及行業系統集成商，搭載完備且具有行業領先水平的產品矩陣，將持續以客戶需求為導向，以行業發展為前瞻，以精細化服務為抓手，成為智能制造浪潮之下，客戶優質可靠的合作伙伴。

審核編輯：湯梓紅