傳統的視覺算法受打光以及圖像的邊緣對比度影響，無法做到人眼的分辨效果，而且人具有學習能力，經過大量樣本的學習，人就可以找到不同物體之間的細微差別，從而分辨出物體的類別。CNN就是模擬人的大腦神經元結構，用計算機構造的簡化了的人腦神經網絡模型，其主要用于圖像分類和識別。

LabVIEW是一個廣泛應用于工業自動化測控領域的編程平臺，其具有很多不同行業的算法庫，例如vision視覺庫，集成了常用的視覺算法。其編程特點是上手快，開發效率高，兼容性強，能快速調用c++，c#等平臺的dll類庫。如何將LabVIEW與深度學習結合起來，來解決視覺行業越來越復雜的應用場景所遇到的困難。

下面以開關面板為例講解如何使用LabVIEW實現深度學習應用。

ok樣本

ng樣本

這些圖片的特征是：ok與ok，ng與ng之間都有差異，傳統的方法要實現，就需要復雜的算法編程實現，如果用深度學習，則非常簡單。

1. 準備好樣本庫，分別放到命名為ok和ng的文件夾中

2.利用uvision-ai（LabVIEW調用第三方庫實現）訓練模型。

1000步時（耗時30s），驗證集的識別率已經達到100%，loss下降到0.01。

3.調用uvision平臺進行測試。

訓練2000步后樣本包含訓練集和測試集（未參與訓練，比例15%），總體識別率達到99.669%。

4.推理端用c#全套封裝所有算法到uvision-dll.dll，LabVIEW端只需要簡單調用少量算法即可實現識別。

以上就是LabVIEW實現深度學習、訓練模型自學習應用的案例分享。下面來講一下視覺深度學習的行業現狀及目前存在的問題。

目前深度學習從業人員薪資處于高位，且屬于人才緊缺的行業，就業前景廣闊。

在機器學習，深度學習還沒有發展的這么火熱之前， 國外幾款做的幾款非常好的視覺軟件業內人士應該都很清楚。比如：NIVISION,Halcon, Visionpro, Cognix, MIL等等都是業內用的比較多，而且比較成功的視覺軟件。其中很多模塊都有定位，測量，檢測等功能。

但是這些傳統的方法來做缺陷檢測大多都是靠人來特征工程， 從形狀，顏色， 長度，寬度，長寬比來確定被檢測的目標是否符合標準，最終定義出一系列的規則來進行缺陷檢測。這樣的方法當然在一些簡單的Case中已經應用的很好， 唯一的缺點是隨著被檢測物體的變動，所有的規則和算法都要重新設計和開發，即使是同樣的產品，不同批次的變化都會造成不能重用的現實。

為了幫助更多學員深入了解、學會掌握LabVIEW視覺深度學習的實際運用能力，從沒有任何Python，TensorFlow基礎學員，通過系統學習也能夠從零入門，一步步實現自己手動搭建深度學習平臺，學會調用視覺訓練模型、利用loss曲線觀察訓練，并對已開發調用AI模型的評估、優化。8月18日（周二）晚上8點，我將會在發燒友直播間，給大家詳細講解以上內容，LabVIEW深度學習技術實現過程。歡迎大家提前報名直播，準時收看！