机器视觉中如何平衡传统视觉和深度学习算法(转)

深度学习算法要顺利应用在制造业中，做机器视觉自动化检测设备，必须跟传统的机器视觉算法结合起来

所谓顺利，是指设计的机器视觉自动化检测设备，要能稳定可靠完成检测任务，要能方便容易供客户使用，要能顺利完成客户验收，要能最终收到设备款项。

传统机器视觉算法的开发平台通常是：LabVIEW+ Vision Development Module 或者C# + Halcon。

深度学习算法的开发平台通常是：Python+Tensorflow

传统机器视觉算法通常处理容易提取，容易量化的特征：颜色、面积、圆度、矩形度，角度、长度等

深度学习算法用于处理很难提取的特征：瑕疵...

实现策略：

1，凡是能用传统机器视觉算法做稳定的检测，都不需要使用深度学习算法；

2，深度学习算法需要依靠传统的图像处理算法，对图像进行预处理，消除由于拍摄、光源、对焦等一系列问题，带来的噪声和影响；增强图像的一致性。

具体开发工作：

借助LabVIEW图形化开发环境，用Vision Development Module先把训练数据做预处理，增强图像一致性，减少噪声的干扰；再用LabVIEW Python节点，调用Python开发的深度学习算法处理传统视觉算法不好处理的特征提取问题。

 

参考：https://blog.csdn.net/weixin_39641876/article/details/111167302