创新

通过深度学习的图像分析，为许多行业中日趋增多的工业流程的自动化开辟了道路。从表面缺陷的检测、可变零件的分类、最终组件的控制、成品质量的评估到复杂文本的阅读。

通过应用深度学习，我们拥有一个能够自主对数据进行分类并分层构建的系统，从而找到最相关和最有用的数据，通过持续学习（就像人脑一样）来提高数据性能人工神经网络应用一个“深度”学习系统，即基于神经网络多个隐藏层。“传统”人工神经网络由 2-3 层，而深度神经网络可有 150 多层。

在自动检测领域，必须获取高质量图像。要做到这一点，相机类型、镜头数量或质量没那么重要，最大光圈也没那么重要。良好的图像基于光线。

光线管理未必理所当然，常常成为识别缺陷的羁绊。光线的主要特征，就是勾勒出物体的形状和体积：随着照亮物体的方式的不同，物体的形貌会发生完全变化，以前合格的零件可能会发现不合格。

多热点工具允许监测站每个相机在短短的几分之一秒内获得同一个零件的多个图像，每个图像具有不同的照明条件。

优点呢？绝不妥协的照明，保证了缺陷识别有极高的精确度。

同一个零件在三个不同光照条件下有三个图像。