VisionBank AI官网：http://www.visionbankai.com/

VisionBank AI是搭载在“VisionBank通用机器视觉开发平台”上的一种图像处理工具，它采用深度学习
技术解决机器视觉应用场景中传统算法难以解决的问题（四大应用场景）：

VisionBank经过多个版本的技术更新，现有以下功能和技术突破：
一，对平台算力要求降低，精简项目成本。
VisionBank在线推理的神经网络模型均基于OpenVINO进行了模型优化，优化后的模型，对算力平台的要求最高可降低16倍（不同类型的模型优化结果有差异）。使得VisionBank的在线推理可全部基于CPU完成，降低GPU使用需求，从而优化企业的成本控制。
二，训练数据量降低100倍。
创新的深度学习模块和传统缺陷检测算法深度融合，可以利用传统算法“过检”后的“图像块”来训练“缺陷过滤神经网络模型”，在利用对抗训练的准确性优势下，有效解决了“负样本”图像数据获取问题。
三，新一代特征匹配算法，提速11倍。
最新开发的第四代“特征匹配算法”相对于第一代算法，匹配速度提升了11倍，支持以下异常特征匹配：特征被部分遮挡、特征大小有缩放、特征扭曲变形以及特征显示不全等。
四，最新升级的架构模块，最多支持16台相机同时并行检测。
一台处理器可以当16台处理器使用，在多相机协同工作场景，实现了有效的成本优化。

传统图像处理是人工分析图像的特征，再通过图像处理算法提取特征，然后通过特征的关键参数来区分对象；

深度学习是采集大量图像，然后标注图像数据并训练神经网络，通过训练好的神经网络进行对象类型推理；

（1）训练及测试数据采集：利用工厂搭建好的机器视觉硬件系统，基于VisionBank平台自动存储500~10000张包含“正负样本”的图像数据；

（2）训练及测试数据分类：将自动采集到的图片按分类要求区分到不同文件夹进行分类；

（3）数据标记及神经网络模型训练：利用VisionBank AI标记工具将分类好的图像进行自动（手动）标记，并训练神经网络模型；

（4）神经网络模型推理及在线检测：训练完毕后利用分类好的测试数据测试模型的准确性，然后加载到VisionBank工程文件中进行在线检测。

深度学习图像处理是通过搭建“类脑神经网络”，借鉴人脑处理数据的方法去解决图像处理问题，所以凡是涉及到深度学习的场景，都需要两个必要条件：一是大数据支持——各种有代表性的图片；二是强大的算力平台——一般采用GPU运算平台。而在实际工业应用场景，这两个条件都是极难实现，且实现成本极高的。VisionBank AI是在VisionBank通用开发平台基础上推出的深度学习功能，它结合VisionBank本身强大的传统图像处理算法，解决了以上两个难题的大部分实现问题。

（1）神经网络推理完全基于CPU实现：VisionBank AI训练的神经网络模型推理完全基于CPU实现，而且神经网络模型训练同时支持CPU和GPU。用户可以根据项目所需模型的复杂程度灵活选择算力平台，从而节省不必要的算力平台硬件支出； 

（2）创新的“深度学习缺陷过滤”算法：利用传统算法找出所有可能的缺陷区域，仅用深度学习解决缺陷区域的OK和NG判别，从而很好的解决了训练图像数据获取的问题； 

（3）支持神经网络模型再训练：根据工业场景应用的复杂性，支持模型的继续训练，从而可以形成行业专用神经网络模型。

VisionBank Ai深度学习视觉解决方案相对单纯的深度视觉有以下优势：

1、训练用数据集一定要严格关注“质”和“量”

（1）质：训练用的数据集一定要有代表性，要包含各种可能的情况，而且各种情况对应的图片数量分布要均匀
（2）量：训练用的数据集数量一定要相对较多，根据模型的复杂程度，高质量的图片数量一定要大
2、传统算法要和深度学习相结合。传统算法能搞定的，坚决不要依赖深度学习
（1）传统算法：定位、尺寸等
（2）深度学习：参考前面介绍的“传统算法难以解决的问题”
3、精准定位具体问题，由“局部”到“整体”。机器视觉项目的最终目的是实现100%的准确检测，但是在项目开发过程中会存在各种问题影响这个结果。当出现异常结果时，要能准确定位到具体环节去测试查找。
（1）训练数据集复核：数据分类好，再标记后需要再检查一遍是否有标记错误或分类错误的情况
（2）神经网络模型推理：模型训练完毕后，务必先进行大量图片测试后，再导入工程文件在线推理