思谋ViMo 机器视觉+AI视觉+缺陷检测：核心算法能力打造四大优势

工业产线常常面临物料追踪、缺陷定位、工件计数、对分类外观瑕疵检测等复杂场景下操作困难、耗时耗力的问题针对行业痛点，思谋科技推出SMore ViMo 智能制造解决方案多家世界500强制造业龙头在使用SMore ViMo后，产线产能都得到了大幅提升。

SMore ViMo获得肯定的背后是思谋团队20年来的实践沉淀作为顶尖AI视觉技术，ViMo是如何突破工业生产难关的？顶尖视觉AI技术的四大核心算法1.AI OCR字符识别在工业生产当中，字体常常有倾斜、弯曲、褶皱的情况，识别环境通常比较复杂，因此对算法的要求相对更高。

思谋的OCR算法是基于深度学习的端对端模型，打破了传统方法的技术局限性，解决了曲面字符识别、低对比度字符识别，较大字符识别等复杂问题。

因此，无论是单字符还是多字符，钢印、激光雕刻、印刷还是纺织，都可以一次性完成字符的检测和识别。

2.检测检测算法适用于对物料中的目标进行定位及分类，适用于药品药丸计数、半导体器件、3C器件、钢铁检测等场景，可以实现多目标检测、小目标检测、计数等3.分类分类算法可以对检测物料进行分类判断，通常解决对物料进行OK/NG二分类判断、检测对象颜色、食品物料种类、3C细分类等问题。

4.分割分割算法在计算机视觉研究领域是是备受关注的热点在工业场景下的应用，通常是用作对检测对象的精细至像素级别的检测和边缘识别，尤其是当检测目标较小且非常密集的时候，识别钢卷种的微小瑕疵区域、3C电子缺陷区域等。

5.ViMo核心算法4大优势1）4-8倍视野处理，高达1亿像素思谋ViMo的核心算法，拥有独特模型的并行能力，同时在多卡机器上进行图像处理，可处理正常网络下4倍的视野，处理单图的像素高达1亿像素2）高于普通算法的极限精细识别。

工业场景下，经常会有相对密集的识别对象当检测目标非常密集时，不同目标之间只有2-3像素的间隔，普通算法就无法区分了思谋ViMo通过自编码器学习检测目标的标注结构信息，将识别粒度极限低至4像素，实现了高要求的4像素极限精细识别。

3）动态数据增强，数据利用率提高30+倍动态数据增强很好地应对了算法当中的又一难题 —— 面对不同特性会有不同的预测效果在前期算法训练时，会出现训练样本数据分布不均的问题，导致模型对不同特性的预测效果不同。

思谋ViMo可根据不同的任务需求，自动匹配最优数据增强策略，通过不断的学习和迭代，产生新的模拟数据，把数据利用率提高了30+倍4）小样本纠错器，提升10%+小样本纠错器解决了训练样本较少的问题ViMo通过在样本中寻找典型样例，不断地对预测结果进行指引和纠偏，最终使得小样本的识别率提高超过10%。

*备注：以上算法效果数据，均是通过对思谋已上线项目所进行的实测数据进行平均计算得出每个项目的实测效果可能会产生细小偏差思谋科技核心团队积累了20多年的视觉AI技术研发、产品落地经验，是全球业内公认的在高清视频、图像修复研究领域的顶尖团队，已主导多个大型工业AI项目，涵盖半导体、3C电子、汽车、新能源等行业，合作伙伴包括多家世界500强、国内外行业龙头企业等。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。