训练和处理

训练和处理是形成训练环境的两个阶段。

 

训练

与传统的基于规则的视觉工具一样，VisionPro Deep Learning 深度学习工具的训练方式是其运行时性能的最大决定因素。与基于规则的视觉工具不同，成功的深度学习训练很大程度上取决于您为训练图像集收集的图像的数量和代表性，以及您对它们进行标注的一致性。有关标注的更多详细信息，请参阅 视觉深度学习。

 

训练阶段的关键步骤如下：

• 图像集集合和注释
• 图像集标注
• 模型定义（仅用于蓝色定位工具和蓝色读取工具）
• 定义训练集
• 定义验证集（仅适用于绿色分类高细节模式和红色分析高细节模式）
• 神经网络训练

 

处理（推断）

Cognex VisionPro Deep Learning 深度学习工具的处理阶段比训练阶段简单。

• 神经网络处理
• 结果形成

 

在处理时，使用工具训练网络单独处理每个图像样本，并获得每个样本的单独网络响应。

网络响应（推断结果）表示为概率图，其中输入图像的采样区域中的每个像素被分配概率。概率图的含义取决于使用的工具。

• 对于红色分析聚焦无监督，响应是采样区域预期和实际外观之间的偏差。
• 对于红色分析聚焦监督和红色分析高细节，响应是采样区域每个像素（即像素在图像缺陷内）的概率。
• 对于蓝色定位和蓝色读取，响应是标记特征中心位于该像素内的概率，如果该概率超过您指定的阈值，该工具还提供特征标识和标识正确的概率。
• 对于绿色分类聚焦、绿色分类高细节和绿色分类高细节快速，响应是分类和分类正确的概率。

 

这些全图像概率图由单个样本的插值网络响应组合而成。返回给用户的最终结果（特征姿势和标识以及缺陷区域）基于用户通过为缺陷外观偏差 (红色分析聚焦无监督)、匹配质量（蓝色定位和蓝色读取）、缺陷概率（红色分析聚焦监督、红色分析高细节）或类概率（绿色分类）指定阈值进行控制的结果形成流程。

在上述背景中，务必要理解工具返回的概率可能无法很好地反映我们对某种判断可能性的认知。这主要是因为这些工具具有“有限的世界视角”，因此无法返回与人类广泛而丰富视觉体验有关的概率，而只能涵盖其非常有限的若干类的视觉世界。因此，例如对于绿色分类工具，即使对我们而言这些类看起差异巨大，但工具也非常有可能未新的、并因此未知的类分配非常高的概率。原因很简单，对于工具而言，该类与某已知类的相似度比其他类高出很多倍。

 

模型处理

对于具有已定义模型的蓝色定位和蓝色读取工具，将搜索在神经网络处理期间找到的特征，以获得对已定义模型具有最佳拟合的特征集。