VisionBank AI是维视智造专为生产加工制造业设计的深度学习视觉解决方案，将传统算法工具库和深度学习相融合。传统算法工具库作为标准算法工具，使用者易于上手，与深度学习技术融合后，使检测准确性提高到100%，同时简化了开发流程，提高了效率，简单易用。

相对单纯的深度视觉优势

·传统算法工具库和深度学习相融合

单纯深度视觉只能通过大量数据训练，得到相应的结果，不方便现场人员针对具体图像调试参数，具体图像有问题，只能再次训练，训练的结果不满足时调试难度很大。VisionBank AI先用传统算法，再用深度学习过滤，现场人员还可以结合客户规格调整传统算法的参数。

·简单易学

单纯深度视觉如果需要调整算法，对人员的水平要求较高，造成的成本也比较高；VisionBank AI深度学习只做Yes 或 No的判断，规则简单，容易学习。

·降低应用成本

单纯深度视觉需要高性能的计算硬件作为支撑，成本很高。VisionBank AI深度学习对硬件的要求会低一些。

VisionBank AI深度学习工具

·VisionBank AI深度学习缺陷检测与字符识别工具

深度学习缺陷检测

深度学习字符识别

·VisionBank AI传统算法与深度学习技术融合

传统算法工具库：自适应缺陷、线阵缺陷、角点缺陷、边界毛刺等工具中融入深度学习技术。

传统算法中添加深度学习技术

·VisionBank AI深度学习模块化

基于深度学习算法实现的算法模块化，使用者操作简单。

图像增强与区域分割

深度学习字符识别

·VisionBank AI深度学习模型管理

用于多类产品深度学习检测的深度学习模型管理，使检测程序清晰化。

传统算法中添加深度学习技术

VisionBank AI深度学习视觉解决方案主要应用

VisionBank AI深度学习视觉解决方案在缺陷检测上，具可查找外观有差异的零件，它可检测噪音背景上、照明不佳的环境中、低对比度零件上、甚至弯曲或形状变化零件上的特征。

VisionBank AI深度学习用于缺陷检测

VisionBank AI深度学习视觉解决方案在字符识别上，可识别到字符不规则、字符连接无法分割、点状字符等，解决传统字符识别算法在一些场景不易识别或识别率低的问题。

VisionBank AI深度学习用于字符识别

VisionBank AI深度学习视觉解决方案典型案例

·VisionBank AI太阳能电池板EL缺陷检测

检测对象：电池片/电池板EL检测

检测速度：3s-8s

检测幅宽：2000*1600mm（可定制）

检测精度：<0.03mm断层‍<0.03mm断层<0.03mm断层

适用设备：EL分选机、EL检测仪等

训练数据：17000张（NG5000张，OK12000多张）

检测数据：30000张

检测结果：准确率 99.98%

检测内容：层压前/后，通过高分辨率的红外相机拍摄组件的近红外图像，获取并判定电池片的缺陷，常见包括：裂纹、裂片、黑斑、短路、黑边、亮斑、断栅、虚焊、混档、过焊、绒丝等。