Cruise007
论坛版主
论坛版主
  • 最后登录2020-10-19
  • 发帖数100
  • 金币4150枚
  • 贡献勋章0枚
  • 原创写手
  • 喜欢达人
  • 社区居民
  • 忠实会员
阅读:309回复:0

深度学习基本概念入门-6

楼主#
更多 发布于:2020-03-31 19:41
深度学习全流程总结
一、流程及数据流总结
     从2017年开始学习深度学习的基本概念和编程,由于对经典图像处理部分知识有较深入的理解,很快上手,系统化的学习机器学习、模式识别等基础理论,并将其用于复杂场景下图像的分割、颜色识别、字符识别等工作,得到较好实践。从2018年开始陆续接到较难的表面质量检测项目,为快速满足现场需要,项目开发过程中经历了由机器学习到深度学习循序渐进的过程。由于开始调试时,数据集有限,先用机器学习方法解决并收集数据集,随后替换为深度学习方法,可以说深度学习的重要素材就是数据,没有数据是无法完成深度学习的炼丹的过程,同时数据集的积累对于很多厂家也是一件比较难的事情。如果说2019年是工业AI落地的元年,那么2020年是市场加速落地一年,很有必要将技术转化为产品,并和友商形成模块差异化的竞争。为将技术转化为客户易用的产品,需要进行市场模块化和竞争分析。主要分析了比较主流的深度学习软件平台:腾讯、华为、百度、Cognex的VIDI、数优的Sualab、国内AIDI、Galeo等厂家。针对各个厂家的优缺点进行总结:
    (1)腾讯、华为、百度:具有分布式框架结构设计,本部分配合全流程、客户端/服务器架构就有较大优势,更能满足工业中IIoT的未来需求。
  (2)VIDI:结合传统图像处理和深度学习,形成一个有机的整体,在市场上形成技术壁垒和竞争力,当前Keyence还缺少类似产品,但是Keyence在全品类硬件上的竞争力也是Cognex无法与之匹敌和媲美的。
  (3)Sualab:提供除常规OD/CL/SG以外的其他功能模块,如对比图像训练、多张不同光照图像训练,这两部分已经搭建类似的网络进行验证,速度还需优化,识别和分割性能达到相当水平,这个是国内尚未看到的模块。
  (4)AIDI:提供了树形工程架构,当前国产价格太高,性能不稳定,软件极易崩溃,不降价是不建议大家选择的,没有好的稳定性怎么可以说是产品,完全可以理解是一个实验室阶段的产品,但是定价又高,不知道怎么考虑的市场定位。
 (5)Halcon:在这次疫情放假期间进行了系统的学习,疫情加速了对知识的学习和理解进度。其他模块与友商提供类似,但是这里面提供了一个很重要也是差异化的模块:AD,可以完成无监督的学习,这个对于工业场景很重要。
    对比和分析后,发现工业需要的深度学习网络需要具备几个特点:“小、巧、灵”,同时满足工业部分场景样本获取困难的情况,需要重点解决以下方面的技术:
   (1)小样本训练和学习:
   (2)迁移学习:可以采用DT或者AD方式进行实现
   (3)强化学习:
   (4)无监督学习:这块Halcon和Sualab走在了前面,提供了对应的方法和工具。
   (5)持续学习:这个可以解决快速学习的问题,对于工业部署很重要,Sualab在这部分做了一些模型的尝试,走在了应用的前面,这个也是当前部署的痛点,也是最近在思考其中解决的方案。
二、Halcon学习总结
     本部分需要重点熟悉数据流的走向和其中的一些接口设计,可以结合JASON开发易用和扩展性强的接口。
喜欢0

最新打赏:0人

努力到无能为力,拼搏到感动自己
游客

返回顶部
支付

欢迎打赏,请选择打赏金额

  • 1元
  • 6元
  • 10元
  • 66元
  • 100元

支付即代表同意《本站支付协议》 有疑问请联系客服