如何使用LabVIEW实现深度学习应用

传统的视觉算法受打光以及图像的边缘对比度影响，无法做到人眼的分辨效果，而且人具有学习能力，经过大量样本的学习，人就可以找到不同物体之间的细微差别，从而分辨出物体的类别。CNN就是模拟人的大脑神经元结构，用计算机构造的简化了的人脑神经网络模型，其主要用于图像分类和识别。

LabVIEW是一个广泛应用于工业自动化测控领域的编程平台，其具有很多不同行业的算法库，例如vision视觉库，集成了常用的视觉算法。其编程特点是上手快，开发效率高，兼容性强，能快速调用c++，c#等平台的dll类库。如何将LabVIEW与深度学习结合起来，来解决视觉行业越来越复杂的应用场景所遇到的困难。

下面以开关面板为例讲解如何使用LabVIEW实现深度学习应用。

ok样本

ng样本

这些图片的特征是：ok与ok，ng与ng之间都有差异，传统的方法要实现，就需要复杂的算法编程实现，如果用深度学习，则非常简单。

1. 准备好样本库，分别放到命名为ok和ng的文件夹中

2.利用uvision-ai（LabVIEW调用第三方库实现）训练模型。

1000步时（耗时30s），验证集的识别率已经达到100%，loss下降到0.01。

3.调用uvision平台进行测试。

训练2000步后样本包含训练集和测试集（未参与训练，比例15%），总体识别率达到99.669%。

4.推理端用c#全套封装所有算法到uvision-dll.dll，LabVIEW端只需要简单调用少量算法即可实现识别。

以上就是LabVIEW实现深度学习、训练模型自学习应用的案例分享。下面来讲一下视觉深度学习的行业现状及目前存在的问题。

目前深度学习从业人员薪资处于高位，且属于人才紧缺的行业，就业前景广阔。

在机器学习，深度学习还没有发展的这么火热之前， 国外几款做的几款非常好的视觉软件业内人士应该都很清楚。比如：NIVISION,Halcon, Visionpro, Cognix, MIL等等都是业内用的比较多，而且比较成功的视觉软件。其中很多模块都有定位，测量，检测等功能。

但是这些传统的方法来做缺陷检测大多都是靠人来特征工程， 从形状，颜色， 长度，宽度，长宽比来确定被检测的目标是否符合标准，最终定义出一系列的规则来进行缺陷检测。这样的方法当然在一些简单的Case中已经应用的很好， 唯一的缺点是随着被检测物体的变动，所有的规则和算法都要重新设计和开发，即使是同样的产品，不同批次的变化都会造成不能重用的现实。

为了帮助更多学员深入了解、学会掌握LabVIEW视觉深度学习的实际运用能力，从没有任何Python，TensorFlow基础学员，通过系统学习也能够从零入门，一步步实现自己手动搭建深度学习平台，学会调用视觉训练模型、利用loss曲线观察训练，并对已开发调用AI模型的评估、优化。8月18日（周二）晚上8点，我将会在发烧友直播间，给大家详细讲解以上内容，LabVIEW深度学习技术实现过程。欢迎大家提前报名直播，准时收看！