簡介：

利用深度算法提取特征強，復雜場景適應能力強的特點，結(jié)合傳統(tǒng)算法可解釋性強，方便用戶自動調(diào)整等優(yōu)點，提供整體的解決方案。

                       對比                                       量化                                   多通道                                  量化分割

多樣的AI算法：

具有多種不同的深度算法，包括分割、分類、定位、缺陷量化、對比分類、對比分割、多圖分類以及多圖分割、異常檢測，通過多種算法相互融合，可以覆蓋大多數(shù)的制造業(yè)缺陷檢測領域。與傳統(tǒng)算法缺陷檢測相比，通過采用多樣的AI算法節(jié)約開發(fā)用時90%，大大減少開發(fā)成本。

的網(wǎng)絡結(jié)構(gòu)：

結(jié)合前沿的機器學習、深度學習算法，網(wǎng)絡結(jié)構(gòu)設計思路為通過分類算法利用神經(jīng)對空間的關注以及對不同通道的關注，干預神經(jīng)網(wǎng)絡的關注點，防止分類算法關注到圖像的其他特征 

精度高、檢測速度快：

基于GPU的cuda以及tensor core進行開發(fā)，對不同網(wǎng)絡層進行融合，利用fb16進行加速，多工具相互融合嵌套加速?？珊撩爰壙焖夙憫鞣N圖像識別具體場景，通過數(shù)據(jù)訓練不斷提高識別效果，準確率可達99%以上。

迭代速度快：

可以利用輔助標注系統(tǒng)，少量的標注數(shù)據(jù)。對大量數(shù)據(jù)進行半自動標注，大大減少標注的時間成本。使用主動學習的方式，大量的減少訓練的數(shù)據(jù)。采用的數(shù)據(jù)結(jié)構(gòu)方便數(shù)據(jù)的方便快速讀寫。利用GPU加速在1小時內(nèi)完成數(shù)據(jù)訓練，快速迭代檢測模型。