目标检测算法是机器视觉领域中较为先进、应用广泛的深度学习算法，其主要功能为找出图像中所感兴趣的目标，同时获得目标的类别信息和位置信息。

海康机器人目标检测算法支持检测目标数量为1000，支持GPU, CPU,多平台运行。强大的推理能力搭配VM传统算法的处理,可帮助客户应对复杂应用场景中的需求。

缺陷检测场景‍

需求及挑战

太阳能电池片组件上常见缺陷有虚焊、隐裂、划痕、破片等，会直接影响组件功率衰减，降低组件寿命或造成报废。人工检测效率不高且容易疲劳造成漏检，传统的视觉算法针对低对比度的虚焊缺陷、形态各异的隐裂、划痕等缺陷检出率不高且方案设计复杂。海康机器人深度学习目标检测算法可准确、高效地对缺陷进行检测分类。

太阳能电池片EL缺陷检测

方案优势

1、方案简单，无需设计复杂的方案去兼容多种缺陷检测。传统机器视觉方案需要大量的图像处理算法、初定位算法配合复杂的逻辑判断才能做到多类别缺陷的分类检测，而这些步骤对于深度学习来说仅需一个模块。

2、识别率高且可持续提升，针对一些低对比度与形态各异的缺陷台交好的检出，且随着训练样本量的提升可不断提高识别率。

目标计数场景

需求及挑战

建筑制造行业统计一捆钢筋数量一般按照重量进行计数，误差较大，而人工计数耗时长且成本高。传统算法对于黏连、亮度不均匀、横截面大小不一等情况识别准确率不高。海康机器人深度学习目标检测算法可实现准确计数，节省人力成本并提高打包效率。

钢筋计数

方案优势

1、方案兼容性好，能够较好适应重桑、黏连等情况，对于形状、亮度不一的物体也能较好检测。

2、方案调节简单，传统算法需要根据不同形状目标情况不断调节参数以适应目标的变化，而目标检测只需要调节置信度即可。

检测有无场景

需求及挑战

药品生产企业在药品生产过程中由于生产工艺，设备震动以及其他因素导致产品丢落在设备内部。根据现行GMe的生产标准，当前批次生产的药品内容需要严格控制，避免遗落进入下一批次中，而流入市场，造成产品混批。因此，在进行生产批次更换时，需要进行药品的清场检测。药盒存在重桑、遮挡等复杂的情况，传统算法无法较好的适应，采用海康机器人目标检测算法准确检测是否存在散落的药盒。

药盒散落检测

目标定位场景

需求及挑战

在料盘分拣的场景中，不同种类料盘中心者都贴着一张面单，机器手根据面单中心位置进行抓取和放置料盘，同时根据面单标签上的信息进行二维码信息识别。因料盘大小、角度、面单反光程度不一致，传统的特征匹配难以应对所有种类的差异，使用海康机器人深度学习目标检测进行目标定位，可解决以上问题。

料盘定位抓取

方案优势

目标检测算法对精度要求不高的定位场景尤为适用，且能够兼容不同种类的产品定位。

解码场景

需求及挑战

一些常见的sC产品在生产时会在其外壳上刻印“小圆点”，每个点根据其位置代表不同的值。按照特定的解析规则，通过对小圆点解析可获取到大量的生产信息，如:生产日期、楼栋号、楼层号、机器号等等，便于后期溯源。传统算法面对小圆点大小、形态、深浅不一，又存在脏污、水渍的干扰的情况显得“捉襟见拙“。采用海康机器人目标检测算法可精准定位每一个点，准确解析保存其生产信息。

方案优势

目标检测算法兼容性强，能够很好地兼容定位形态各异的目标。在复杂背景干扰下也能准确定位目标信息点。

目标检测算法常用于多种领域内的检测、计数、识别和定位，对于不同形态的产品都有良好的适应性。在众多应用场景中，目标检测算法的应用相比传统算法有着独特的优势。简单的方案设计，使操作人员上手更容易，简单的参数使调试更便捷。强大的神经网络使之能够高效、准确兼容定位各种复杂场景下的目标。