近几年来,深度学习正日益发展为市场中颇为流行的一种技术。深度学习是机器学习技术的一个分支,其中更多的是关于神经网络中的很多分层。随着深度学习应用的增长,市场上有越来越多的公司提供深度学习工具,从有助于一般研发工作的原始算法,到为机器视觉应用执行深度学习功能的完整的软件产品。
开源架构
与OpenCV如何为计算机视觉应用提供具有可编程功能的开源计算机视觉库类似似,市场上也存在大量用于构建和训练深度神经网络的开源架构,例如TensorFlow、Caffe、PyTorch、SciKit、Keras和OpenNN等。
Integro Technologies公司首席视觉系统建构师David L. Dechow表示,这些开源软件库为那些寻求实施神经网络、卷积神经网络或其他过程,来执行人工智能或深度学习任务的开发人员,提供了复杂的数学工具。
他说:“尽管这些软件库是通用型的,但它们依然能用于在机器视觉应用中执行更有针对性的深度学习任务。”
在本刊上期的内容中,,刊登过一个自动化系统检测放射性医疗成像产品标签的案例。在该案例中,接触式图像传感器(CIS)线扫相机提供放射性示踪剂标签的清晰图像,用于光学特征识别和验证任务。作为系统的一部分,运行在TensorFlow开源软件上的神经网络,用于检测标签上的污迹、破损和褶皱。
专业库
很多公司也会提供具有预开发神经网络的专业函数库。开发人员可以使用这些库提供的算法,实现完整的深度学习机器视觉应用,无需预先进行神经网络和AI研发。此外,尽管使用这些库仍然需要大量的编码工作来执行深度学习应用,但是它们还是可以在开发系统的过程中节省集成商的时间。
例如,Euresys公司提供EasySegment(如图1)和EasyClassify深度学习库,这些库会在该公司的Deep Learning Bundle(深度学习工具包)中一起提供。Euresys公司称,EasySegment工作在无监督模式下。用合格的样本图像训练后,EasySegment可以探测和分割出图像中的异常和缺陷,即使在没有现成可用的缺陷样本的情况下也能胜任。此外,库中还包含了用于数据集创建、训练和评估的免费Deep Learning Studio应用平台。
图1:用不到100幅没有碎片的好咖啡豆的样本图像,对Euresys公司的EasySegment库进行训练后,它就能将不是咖啡豆的目标物分辨出来。
EasyClassify库包含分类训练和图像分类功能,能够检测不良产品或将产品分为各种类别。开发者对训练的图像进行标记,即告知哪些是优良图像