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,在小样本学习、迁移学习、可视化调试等方面均达到行业领先水平;内置2D、3D功能模块,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

图像分类
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

目标测量
图像分割

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

通过正样本进行训练

使用模型推理预测新图片的类别

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
兼容型号>30

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