Handdle AI 是以深度学习算法和工业视觉技术为核心的

智能算法软件平台，内置2D、3D功能模块，在小样本习、迁移学习、可视化调试等方面均达到行业领先水平，可实现复杂背景下的缺陷检测，解决行业检测难题。

 

对检测物料进行分类判断

如对物料进行OK/NG 分类判断、检测对象颜色、种类，3C缺陷细分类等

缺陷分类
读码

加强读码算法，提高识别率

针对变形、模糊等扫码场景进行优化

将3D点云数据转换的2D图像

进行标记、训练，生成AI神经网络模型

3D检测
OCR字符识别

单字符和多字符的标注及识别

可识别不同背景字符。如钢印、激光雕刻等各类复杂场景中产品或元件的字符信息

通过获取图像中的像素信息

在图像中精确计算

尺寸测量
缺陷检测

对检测物料进行像素级检测

如识别硅晶片裂纹区域、承碰伤区域等

核心功能

对检测物料进行分类及定位

适用于多/小目标检测、计数等。如解决药品药丸计数，3C电子元器件检测等场景

目标定位

通过ok正样本进行训练

使用模型推理预测新图片的类别

OK单样本检测
从图像数据预处理，到算法及神经网络优化，再到底层算法优化
对于图像特征清晰、缺陷类型较为单一的产品，可通过OK样本的训练，短时间内实现较高的检测精度，从而实现项目的快速部署

核心技术优势

特征精准识别

通过优化算法底层框架，使所检测的目标区域与检测结果无限重合，从而提升检测精度，大幅度降低过检、漏检率
小样本训练
降低AI算法对于数据量的过度依赖
在常见类别的缺陷中，仅利用极少量的数据，即可快速训练、部署，实现很高的检测准确率


强化检测像素重合度

无需NG样本，快速项目部署
图像特征增强
多维度特征提取，有效提升检测准确度
对训练集图像进行多维度特征提取，自动筛选有效特征信息，增加该部分数训练权重，从而有效提升检测准确度

重合度＞99.9%
迁移学习
增强神经网络模型通用性
基于对同种材质产品常见特征的提取、训练，提升神经网络模型的检测通用性，让模型迁移至更多产品型号，解决了样本少，型号多的应用场景
可视化调试
解决在深度学习算法”分类“模块下神经网络生成黑匣子问题，通过可视化热力图引导神经网络模型优化
加强模型优化方向、减少优化时间​
单一正样本
机器学习&深度学习
通过对机器学习算法在检测速度、检测稳定性优势，结合深度学习算法干扰性、特征高效提取以及泛化能力等特点，高效提升项目检测稳定性及检测精度
高度集成机器学习稳定性与深度学习泛化能力
硬件加速优化
从软件到硬件综合加速，在小物品检测上，保证检测准确度及精度的基础上，速度已远超传统算法
最低样本量：<=5张​
兼容型号＞30种

部署流程

如有相关业务需求，欢迎留言咨询！

产品咨询

留言咨询