关键词：
解决如何让机器能够模仿人脑的思考方式，从而摆脱原来的固有数据库比较的限制。
Tensorflow深度学习安装环境配置
Tensorflow训练自己的数据集
无GPU怎么快速训练自己的数据集
通用云平台Yolov3算法训练自己的数据集
深度学习的思想源自于“人工神经网络”，从大脑中汲取灵感，模拟人脑分析问题机制并建立分析学习的神经网络。神经网络的基本构建模块是人工神经元-模仿人类大脑神经元。正如大脑数十亿个神经元神经元分布在神经网络的几个层中，之间有数万个连接，深度学习模型涉及大量的计算单元，它们彼此交互时对所建模数据潜在分布的多层表征进行自主学习。
1.主要解决如何让机器能够模仿人脑的思考方式，从而摆脱原来的固有数据库比较的限制，让机器能够通过深度学习理解这个世界不断变化的，因此深度学习是人工智能AI的重要组成部分。
可以说人脑视觉系统和神经网络。
2.随着谷歌不断在开放AI开发平台，人工智能开发像Android一样逐渐平民化、大众化，是主动学习还是被动淘汰？显然，越早学习和掌握这一技术的人才越有优势。 为此，开设“AI基础系列课程”，涵盖 LabVIEW传统视觉基础、Yolov3、神经棒以及人脸识别登录节目“AI发现”，让我们跟着大咖的视角来近距离解密AI。
3.解决传统视觉的呆板，固定计算的方式。让机器视觉有自己的思想。
课程大纲：
人工智能AI卷集神经网络之深度学习
AI开辟之光
1.为什么要学习深度学习？
2.传统视觉与人工智能AI深度学习的区别
3.什么是卷集神经网络？
4.深度学习解决了什么问题
5.深度学习究竟把问题简单化了还是复杂化了？
6.AI tensorflow的应用领域与优势
7.AI yolov3算法的应用领域的强大之处
8.笔记本电脑无GPU如何奔跑训练
9.C#调用冻结模型Pb文件简述
10.LabVIEW调用冻结模型Pb文件简述
11.利用猫狗实例用Tensorflow(yolov3)简述
AI Tensorflow环境的安装
9.安装Anaconda3-4.3.0.1
10.安装Tensorflow(CPU版本与GPU版本说明安装方法)查看是否安装成功
11.寻找GPU适应的版本CUDA与cuDNN （这里以CPU为述）
12.再次测试Tensorflow安装是否成功
13.测试是否启用了GPU加速
14.下载Models(老师提供Model)
15.放置Protoc.exe C盘下运行安装protobuf==3.6.0
16.models下编译.proto文件至.py文件
17.环境变量设置(创建tensorflow_models.pth文件放在指定文件夹下)
18.创建python setup.py build
19.测试models API是否安装成功
20.安装pycharm社区版本（老师提供安装包）
21.安装好配置环境与conda绑定
22.pycharm打开models整个文件夹运行提供范例测试API是否安装成功
23.API 的环境搭建与测试工作完成
AI Tensorflow训练自己的数据集
24.安装LabelImg(老师提供)
25.怎么调用打开LabelImg.py
26.标注LabelImg的标注与认知
27.标注胡歌图片Train与Test内部图片另存为Xml
28.xml_to_csv.py转换
29.CSV_to_TFRecords格式
30.设置配置文件与修改
31.创建一个 huge.pbtxt的文本文件作为标注文字
32.万事俱备，只欠东风,开始训练……
33.tensorboard 观看Loss下降的不明显，有待评估
34.导出pb文件
35.测试模型
36.安装LabVIEW2019 VAS VDM 均为2019
37.复制pb冻结模型测试检测效果
36.实例1：用tensor检测安全帽检测有无
37.实例2：用tensor检测口罩检测有无
AI Yolov3算法快速开始=>Google云端
1.google浏览器权限打开搜索引擎
2.Google云端介绍
3.设置谷歌云盘路径
4.装载谷歌云盘——便于将谷歌云盘中的文件传到云端服务器中
5.在谷歌云盘中创建存放训练相关文件的文件夹
6.运行demo显示bbox（下载训练好的coco数据集权重）
7.实例讲解
AI Yolov3算法快速训练=>无GPU让笔记本奔跑训练
8.将相关文件上传到谷歌云盘
9.上传generate_trian.py文件到谷歌云盘
10.下载预训练权重并上传到darknet文件下
11.开始训练
12.训练中断时，上次训练权重的基础上继续训练
13.保存模型pb文件
14.用LabVIEW观看模型
15.实例1yolov3实现缺陷检测
16.实例2摄像头实时动态检测
另外基础传统视觉快速入门
1.导学
2.安装与缺陷检测实例演示
3.界面的介绍_Trim
4.获取采集图像方式
5.读写相机的属性
6.模拟采集图像
7.选择哪副图像进行检测
8.视觉助手-图像旋转&矫正&处理
9.查找表-进行完美视觉定位
10.图像的滤波器
11.灰度形态学
12.练习-找Mark
13.灰度形态学重构的原理
14.通过案例解释图像的二值化
15.基础形态学
16.透过滚珠实验解释高级形态学用处
17.二值化反转
18.图像分类训练实现颜色精确识别
19.创建目标区域（ROI）
20.寻找边缘点
21.寻找直边
22.寻找圆
23.匹配模板
24.几何匹配
25.建立坐标系
26.检查目标
27.匹配彩色模板
28.高级直边
29.测量特征
30.测量颜色
31.统计像素点
32.卡尺与最大卡尺
33.几何
34.存在性检查
35.检查目标（粒子分析）
36.测量角度、直角、面积、等
37.目标识别
38.黄金模板匹配
39.通过黄金模板匹配检测斑点
40.字符识别、训练、
41.二维码识别
42.TCP通讯
43.设置系统检测状态
44.计算
45.逻辑计算
46.设置变量
47.运行LabVIEW函数
48.overlay显示图像
49.显示图像
50.延时
51.数据记录
52.图像记录
53.UI更新界面相机同步
54.怎么初始化硬件
55.怎么关闭界面关闭程序自动
56.结合整体写出一个软件
57.总结VBAI从自定义界面到快速完成项目的详细步骤
具体源码课程于：https://edu.csdn.net/course/detail/32358
深度学习之表面缺陷识别
三分钟知识学习到~随着深度学习的快速发展，基于卷积神经网络(CNN)的计算机视觉技术在工业领域得到了广泛的应用。目前，机器视觉表面缺陷检测是CNN在工业上最成熟的应用之一。接下来介绍深度学习在表面缺陷检测... 查看详情
2022/11/14-11/19周报
周报内容：1.《工业缺陷检测深度学习方法综述》精读2.复现《ChangChip》3.复现《GaussianAnomalyDetection》4.下周工作计划学习产出：一、《工业缺陷检测深度学习方法综述》精读并结合前面复现内容工业缺陷检测更关注像素层... 查看详情
深度学习实现缺陷检测
...大，要求区分工况，这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中，下面将会介绍几种深度学习算法在缺陷... 查看详情
表面缺陷检测，当机器拥有视觉
...工工作量和失误。现在，各种基于人工智能、机器学习、深度学习的自动检测、探伤、表面缺陷检测的产品部署在一条条生产线上。当你买到拿到心仪的产品的时候，映入眼帘的，就是它的外观，这是靠模具厂、组装厂的工人们... 查看详情
缺陷检测深度学习
mark一个网站：https://www.vidi-systems.com/ 检测效果不错，而且是实际图片，能够调节阈值，貌似用的是卷积神经网络 查看详情
基于正样本的表面缺陷检测
...面缺陷检测可以极大的提升工业生产的效率。随着近年来深度学习在计算机视觉领域的发展，卷积神经网络在诸多图像任务上都取得了显著的效果，然而这些方法往往是需要大量标注数据的有监督学习。在实际的工业场... 查看详情
自动化视觉视觉检测软件哪个好用
...性。2、以康耐视的VIDI、Sualab(已被康耐视收购)为代表的深度学习软件，将深度学习的标注、训练、测试流程，以PC软件的方式进行封装，降低了用户使用深度学习技术的门槛。主要解决传统视觉无法解决的复杂缺陷检测难题，或... 查看详情
深度学习为什么选择pytorch？史上最详细pytorch入门教程(代码片段)
目录前言一、Pytorch介绍1.常见的深度学习框架2.Pytorch框架的崛起3.Pytorch与Tensorflow多方位比较二、Tensors1.Tensor的创建2.Tensor的操作3.Tensor与Numpy三、Autograd的讲解1.模型中的前向传播与反向传播2.利用autograd计算梯度四、构建神经网络... 查看详情
深度学习环境配置详细教程（资源已上传）(代码片段)
文章目录一、推荐系列1.1、大神视频详细讲解1.2、最全最简易的保姆教程1.3、百度网盘资源二、环境配置2.0、查看已安装软件的版本号2.1、Anaconda安装2.2、Pycharm安装2.3、CUDA安装2.3.1、查看电脑显卡、电脑支持的最高CUDA版本2.3.2、... 查看详情
深度学习-目标检测（物体检测）
NI-DL 应用框架：图像分类，目标检测，分割提取。底层：TensorFlow，Keras，Cuda，C/C++上层：C#.NETWinform 【物体检测】识别图中包含的每个物体的位置、名称类别、及可信度。 对于样本图像的缺陷位置进行标记涂抹，进行... 查看详情
经历工业自动化行业的磨炼让我了解到的工业缺陷检测，今天就细说工业缺陷检测
经历工业自动化行业的磨炼让我了解到的工业缺陷检测，今天就细说工业缺陷检测目录 查看详情
深度学习和目标检测系列教程13-300：yolo物体检测算法(代码片段)
@Author：RunsenYOLO，是目前速度更快的物体检测算法之一。虽然它不再是最准确的物体检测算法，但当您需要实时检测时，它是一个非常好的选择，而不会损失太多的准确性。YOLO框架在本篇博客中，我将... 查看详情
halcon深度学习——异常值检测(代码片段)
该方法属于无监督式的深度学习方法，优点： 1无需标注 2只训练正样本 3可以在CPU下进行训练 4具有较快的推断速度适用场景：适合缺陷较为明显的项目dev_update_off()dev_close_window()set_system(‘seed_rand‘,25)***-------------... 查看详情
deeplearning-basedintelligentdefectdetectionofcuttingwheelswithindustrialimagesinmanufacturing-阅读笔记
...gentDefectDetectionofCuttingWheelswithIndustrialImagesinManufacturing基于深度学习的工业图像切割砂轮智能缺陷检测//2022.7.20上午8：46开始阅读笔记论文速览 本文提出了一种CNN结构对于工业环境中LCD面板进行切割的切割齿轮表面... 查看详情
论文解读用于弱监督表面缺陷分割的缺陷注意模板循环对抗网络（defectattentiontemplategenerationcycleganforweaklysupervised）
...tion论文链接：论文地址PatternRecognition下面是该论文的详细内容摘要表面缺陷分割对于工业生产的质量检测非常重要，是一个重要的模式识别问题。尽管深度学习（DL）在表面缺陷分割方面取得了显着的成果，... 查看详情
pytorch深度学习实战|基于yolov3的安全帽佩戴检测
本期将提供一个利用深度学习检测是否佩戴安全帽的案例，从而展示计算机视觉中的目标识别问题的一般流程。目标检测是基于图片分类的计算机视觉任务，既包含了分类，又包含了定位。给出一张图片，目标检测系统要能够识... 查看详情
emq打造面向工业4.0的智能工厂|云边协同架构助力视觉ai缺陷检测应用构建
随着工业4.0时代的来临,数字化、智能化转型成为工业领域企业保持核心竞争力的必经之路。工业制造涉及环节和场景众多,对于各类生产数据的收集与处理能力是决定其自动化程度的关键。构建可靠的工业物联网数据接入层,为上... 查看详情
人脸检测和识别（中文标记）完整项目源代码（基于深度学习+python3.6+dlib+pil+cnn+（tensorflowkeras）10分钟实现区分欢乐颂中人物详细图文教程和完整项目代码）
转载请注明：https://blog.csdn.net/wyx100/article/details/80428424效果展示未完待续。。。环境配置win7sp1python 3.6.3dlib 19.7.0 tensorflow 1.3.0rc0keras 2.1.5 opencv-python 3.4.1+ 查看详情