一、AI工业视觉应用落地四大痛点
1.额外的硬件
运行深度学习的应用程序需要用到大量的内存和计算能力。通常只有将计算任务转移到额外的处理器（如GPU显卡）上同时执行计算，才能在可接受的短时间内完成处理工作。落地成本高。
2.发热量和功耗
大型神经网络对计算能力的要求较高，因此增加了应用的功耗，并相应地增加了发热量。这尤其会对嵌入式系统造成问题，通常需要对嵌入式系统的低功耗和热管理方面进行优化。系统功耗大。
3.大量训练数据
在开发机器视觉应用时，要获取成百上千幅所需的图像往往是一项艰巨的任务。更多的时候，工厂可能根本就不具备条件产生足够多的训练样本，尤其是负样本。样本训练难。
4.大量人工标注
获取到的大量数据是不能立即使用的，需要人给这些数据进行标注，对于图像分割，需要精准的标注图像中要分割的区域，这样才能在推理图片的时候得到精准的区域。这些标注工作都只能是人工手动完成，所以在数据大的时候，还需要检测是否有标注错误的问题。数据标注多。
二、维视智造三大核心优势破解落地困局
1. 自研工业视觉检测大脑 打造技术保障与壁垒
智能机器视觉软件开发平台VisionBank AI
√ 基于CPU进行训练及推理
√ 小样本训练及神经网络模型再训练技术
√ 图像自动采集标注技术
2. 自研核心视觉部件 构建更稳定安全的视觉系统
可见光 紫外 红外
远心镜头
行业定制化视觉控制器
3.10000+各行业案例积累 20年技术经验
光伏 锂电 3C电子
汽车制造 半导体 食品/医药
三、AI工业视觉应用典型场景
1.
产品纹理繁复 产品特征与背景难区分 产品瑕疵难定位
深度学习缺陷检测
使用深度学习技术中各类专用工具进行缺陷检测，可将误判率大大的降低，使生产良品率大幅提升
2.
产品类型多 产品类型特征无规律 传统算法无法提取特征并量化
深度学习图像分类
使用深度学习分类算法工具，完成数据标注，在生产线上快速对产品按照其状态进行分类，效率更高
3.
字符组合复杂 字符印刷材质影响检测 多样化字符缺损
深度学习字符识别
采用深度通用字符识别技术，不调参、免训练，简单拖拉软件模块即可快速实现多类型字符识别，大大提升了字符检测环节的工作效率
4.
检测干扰因素多 真实缺陷难过滤 单用深度学习训练量大
深度学习融合传统算法
采用深度学习融合传统算法的处理方式，使得整体的标注训练更轻量化，缺陷数据更精准，从而有效提升了产品缺陷检出效率
四、AI工业视觉行业应用实例
1.
接线盒自动安装机视觉检测
赋能设备自动化工艺能力，帮助终端企业实现接线盒安装工序降本增效
2.
接线盒激光焊接机视觉检测
紧随行业发展、终端需求，不断为新设备、新工艺解决新的视觉难题
3.
串焊机视觉检测
传统算法+AI典型应用，视觉检测能力高效集成
4.
木刀表面缺陷视觉检测
传统算法+AI典型应用，大幅提升检测效率
5.
拉链缺陷视觉检测
专用成像系统+传统算法+AI，打造全国首条拉链视觉自动检测线
6.
桃子挖核机定位视觉检测
传统算法+AI，助力客户打造标准化设备
7.
医药医美产品灌装贴标加塞一体机视觉检测
传统算法+AI，多项检测能力集成，助力客户打造标准化设备
