李德视觉发布DeepTrace人工智能运算平台
DeepTrace
AI运算平台
人工智能
在连续材料表面检测领域，传统检测算法是基于阈值进行检测、基于图像特征来进行分类，这种算法非常典型和成熟，但却无法有效识别复杂背景（如皮革、纺织材料、复合材料、模切材料）下的缺陷。
另一方面，虽然有监督机器学习方法（如目标检测和语义分割）能够提供更高的准确率，但它们需要大量的标注数据，尤其是在负样本稀缺的生产环境中（负样本比例低至万分之一），收集和标注的成本高且困难。而且不同生产型企业的生产设备、生产工艺、产品特征都略有差异，对于缺陷和质量标准的定义也会存在普遍的相对个性化，导致每一次都需要训练新的模型并且无法做到模型的通用性，所以生产企业需要投入极其大量的资源和成本才可能真正的实现对缺陷的有效识别，反之则会因为模型训练不够完善导致大量的误报和漏报。
为了解决这些痛点，李德视觉推出了DeepTrace 人工智能运算平台，平台支持采用创新的无监督深度学习方法：
无监督深度学习
用户只需提供完好材料样本，无需标注数据，即可在生产线上自动检测缺陷。
以皮革材料为例，用户仅需提供少量无缺陷的样品图片，神经网络模型即可自动学习并总结正常样品的特征分布，类似于让AI学会：“哦，原来这样的皮革是好皮革！”
在检测过程中，模型会提取产线材料的特征并与学习到的正常分布进行对比，偏离度较大的区域即被标记为缺陷。这让AI能够自动识别：“这块皮革与正常样品不一样，这部分应该是缺陷！”
相较于传统算法，无监督深度学习方法能够有效检测复杂背景、纹理和低对比度下的缺陷，解决了传统算法在复杂场景中的局限性。而与有监督学习方法相比，它省去了大量的缺陷数据采集与标注，极大地节省了时间与人力成本，并避免了因缺陷类型标注不全导致的漏检问题，提升了系统的安全性。
李德视觉DeepTrace人工智能运算平台提供高度优化的轻量化模型。
依托李德视觉在算法硬件加速领域的技术积累，平台通过轻量化无监督检测网络与深度模型压缩技术进行深度优化，在算法设计阶段就考虑到领域数据与硬件约束，确保在类似精度下实现更小的计算量与更低的模型部署成本。
李德视觉DeepTrace人工智能运算平台同时支持监督学习和无监督学习。
DeepTrace人工智能运算平台不仅创新性地支持无监督深度学习，还灵活地结合了监督学习技术，提供更高的缺陷识别精度。对于异常检测模型所检测到的缺陷，平台通过使用神经网络分类模型进一步进行精确分类，弥补了传统方法在复杂缺陷分类上的不足。与基于图像特征的传统方法相比，神经网络分类器能够达到更高的准确率，确保缺陷被准确识别并分类。
此外，平台还同步支持目标检测等监督学习技术，可以在特定场景下作为补充，进一步提升缺陷检测的精度和多样性。这种双重学习模式的结合，使得DeepTrace能够在各种生产环境中提供灵活、精准的解决方案。
DeepTrace人工智能运算平台可以作为离线AI平台，也可以完全嵌入李德视觉的Ainspection检测系统。
在硬件层面，依托我们在异构计算领域的技术积累，李德视觉构建了高效的异构计算架构，全面加速从数据采集、图像预处理、深度学习推理到后处理的完整链路，消除算力瓶颈，使得DeepTrace人工智能运算平台不单可以以传统的离线推理服务器形态工作，还可以完全嵌入到李德视觉Ainspection检测系统，真正高速流水线上的实时AI检测，让“大”而“强”的视觉模型也能快速响应。
李德DeepTrace AI
让工业缺陷检测变得更智能、更高效！
![微信客服 扫码立即咨询](javascript:Site.hoverQrCode("//50007241.s21i.huaweicloudsite.cn/2/ABUIABACGAAg4v2XvAYoiur12wEwtwE4twE.jpg",this,{"tips":"请使用微信扫一扫"});){kind=link}