發布日期：2022-07-14 點擊率：30
機器視覺應用中，面對成像背景復雜、缺陷特征難以辨認的情況時，往往需要深度學習算法進行檢測，因此，深度學習也被稱為視覺檢測的“殺手锏”。
然而，傳統的視覺PC-base方案并不能使用深度學習，需要做如下改進：
? 需要高性能主機和顯卡跑算法
? 方案組件更多，算法復雜，需要更專業的技術背景
在傳統的檢測領域，智能相機則能簡化方案復雜度、減少成本開銷。能否從智能相機的角度引出深度學習?海康機器人SC7000智能相機給出了答案。
SC7000 全解讀
? 機身內置：深度學習目標檢測/分類/OCR算法
? 光學組件：多款光源、鏡頭、自動對焦技術
? 通信協議：Profinet、Ethernet/IP、Modbus、TCP、UDP、FTP等
? 汽車零部件、3C、半導體、食藥品包裝等行業復雜環境下檢測/識別
智慧算法助力，強勁內核加持
?內置高性能十核芯片，單精度浮點數處理能力高達4TFLOPS，性能媲美桌面級顯卡。
場景1：XX超市水果檢測項目，應用深度學習分類工具
場景2：牛奶利樂包生產日期文本定位項目，應用深度學習文本定位工具
場景3：醫藥行業XX包裝盒定位項目，應用深度學習目標檢測工具
▲具體案例下的實測算法耗時
*上表所展示的SC7000智能相機檢測速度，在三種場景下綜合結果已超過高性能工控機的效率，與目前主流顯卡GTX1660Ti的速度接近。
? 內置海康機器人自研的多種深度學習算法工具，可完成目標檢測、分類、字符識別等任務。
? 算法效率與桌面端一致，已經過大量案例的優化，輕松勝任各類檢測任務。
海康機器人深度學習OCR通過設計一個數十層的卷積神經網絡來完成待識別字符圖像的信息編碼，然后使用啟發式的注意力模型，實現從特征到字符的解碼。其中，專為字符識別設計的啟發式機制，模擬人腦的思維模式對注意力模型提取的特征進行合理性評估，使注意力模型在復雜場景中具有的強大適應性，實現大于99.5%的極高字符識別率。
? 相對于傳統算法，深度學習OCR對點陣、粘連、變形、低對比度、復雜背景等情況均有更高識別率。
? 深度學習目標檢測與分類算法相對于傳統算法，泛化能力更強、速度更快。經過訓練后，形態各異的產品在各種角度、光照、遮擋下都能精確識別、辨認。
支持字符識別結果比較：
? 當天日期檢測每天的生產批號，多種格式兼容
? 檢測是否有預設字符串在檢測出的字符內
? 對字符串進行完全比較
光學組件豐富，場景樣樣精通
? 白、紅、藍、紅外四色光源
? 光源使用FPGA高效同步，輕松應對復雜場景下成像挑戰
? 提供M12/C鏡頭接口，支持選配6~25mm多款M12鏡頭
? 相機對焦由軟件控制：
- 隨方案保存對焦位置，加載方案后自動對焦至最清晰狀態，換料后無需人工干預
- 一鍵自動對焦，方便調試
數據傳輸靈活，方案切換自由
? 視覺方案使用通信字符串/IO信號進行切換，能夠自動化操作
? 機身能夠存儲100個檢測模型、32個方案，滿足換料場景下應用
? 相機內部可存圖，支持外部導入圖片進行檢測
? 機身提供3入3出GPIO、RS232串口、千兆以太網口
? 內部兼容多種工業協議及以太網通信，能夠與現場設備靈活對接
調試快速上手，指示清晰可讀
? Web客戶端，無需安裝專用軟件
? 可支持電腦、PAD、手機等終端
? 簡單好用的網頁交互
復雜環境下的檢測應用
食藥品行業中，生產日期常為需要明確檢測的項目。在點陣字符、背景復雜、字符形態各異等場景下，SC7000仍能將生產日期字符精準定位、識別。
汽車零配件及金屬行業的檢測應用中，存在表面缺陷種類多、環境復雜等問題，SC7000均能實現精確檢測，應用于輪轂分類、生產批號OCR、表面缺陷等檢測應用。
下一篇： PLC、DCS、FCS三大控
上一篇： 康耐視醫療行業應用案
