越來越多機(jī)器視覺軟件公司已在產(chǎn)品中部署深度學(xué)習(xí)技術(shù)。隨著這些公司開發(fā)深度學(xué)習(xí)軟件和工具，加上更多用戶在其應(yīng)用中成功部署，深度學(xué)習(xí)可能會(huì)日漸流行，在市場上更為普及。

據(jù)報(bào)導(dǎo)，Cognex于2017年收購的ViDiSystems即為其中之一。ViDiSystems是由運(yùn)算科學(xué)博士RetoWyss于2012年創(chuàng)辦。該公司開發(fā)的軟件使用人工智能（AI）技術(shù)改善應(yīng)用程序中的影像分析，該軟件會(huì)對系統(tǒng)進(jìn)行訓(xùn)練，以區(qū)分可接受的變化和缺陷。CognexViDiSuite由三種不同工具組成，包括夾具ViDiBlue，用于分割和異常檢測的ViDiRed，以及用于物體和場景分類的ViDiGreen。Cognex這款深度學(xué)習(xí)軟件專門針對檢測應(yīng)用，在制藥、醫(yī)療產(chǎn)品、汽車、紡織、印刷和鐘表業(yè)已有不少成功案例。

Cognex認(rèn)為深度學(xué)習(xí)是對傳統(tǒng)機(jī)器視覺的補(bǔ)充。傳統(tǒng)的幾何圖案發(fā)現(xiàn)和邊緣檢測仍為用于機(jī)器人引導(dǎo)或其它精確測量的亞像素精度的最佳方法。深度學(xué)習(xí)在零件質(zhì)量和其它基于范例的類人判斷中最有價(jià)值，而且由于它是由范例來訓(xùn)練，因此不需要之前檢查應(yīng)用所需的高級視覺技能。

韓國機(jī)器視覺軟件公司Sualab最近發(fā)布SuaKIT檢測軟件。這是基于來自各個(gè)工業(yè)場所的實(shí)際影像數(shù)據(jù)的資料庫，而對主要功能進(jìn)行分類。該軟件的深度學(xué)習(xí)算法用正常和有缺陷產(chǎn)品的新影像，在30分內(nèi)以高達(dá)1，000張2，048&TImes;2，048影像的速度做訓(xùn)練后，就能使用神經(jīng)網(wǎng)絡(luò)自動(dòng)辨識缺陷值。

就算沒有太多程序設(shè)計(jì)經(jīng)驗(yàn)的用戶也能使用該軟件，因?yàn)樗恍枰饌€(gè)實(shí)例編碼，而是透過收集和輸入缺陷數(shù)據(jù)來自學(xué)。SuaKIT也能透過NVIDIA的CUDA技術(shù)，利用高效能GPU高速處理數(shù)據(jù)。

Sualab企業(yè)事業(yè)群副經(jīng)理表示，使用深度學(xué)習(xí)可大幅降低檢測過程中的錯(cuò)誤。深度學(xué)習(xí)結(jié)合CUDA技術(shù)，使SuaKIT即使在需要高速度的制造過程中也能表現(xiàn)出比更高水平的性能。

德國公司MVTec也將深度學(xué)習(xí)技術(shù)融入其著名的Halcon和Merlic機(jī)器視覺軟件產(chǎn)品中。自Halcon13以來，MVTec正在提供基于深度學(xué)習(xí)的光學(xué)字元辨識（OCR）。該軟件現(xiàn)在包含基于深度學(xué)習(xí)技術(shù)的OCR分類器，可透過一些預(yù)訓(xùn)練字體來使用，因此能實(shí)現(xiàn)比之前所有分類法更高的閱讀率。

此外，最新版Halcon能讓用戶進(jìn)行基于深度學(xué)習(xí)算法的卷積神經(jīng)網(wǎng)絡(luò)（CNN）訓(xùn)練。而訓(xùn)練后的網(wǎng)絡(luò)來自動(dòng)分類對應(yīng)于預(yù)定類別的影像數(shù)據(jù)。MVTecHalcon產(chǎn)品經(jīng)理表示，客戶能藉由使用Halcon自行培訓(xùn)的網(wǎng)絡(luò)節(jié)省大量時(shí)間、精力和金錢。

例如，透過參考影像就能辨識缺陷類別，因此不再需要繁瑣的編程。在工業(yè)機(jī)器視覺環(huán)境中，深度學(xué)習(xí)主要用于出現(xiàn)在許多應(yīng)用中的分類任務(wù)，例如在工業(yè)產(chǎn)品的檢驗(yàn)或零件的辨識。

另家開發(fā)深度學(xué)習(xí)軟件的公司是CythSystems。其NeuralVision專為沒有機(jī)器視覺經(jīng)驗(yàn)的用戶進(jìn)行產(chǎn)品檢查和分類。在傳統(tǒng)機(jī)器視覺系統(tǒng)中，程序設(shè)計(jì)員在進(jìn)行如孔檢測，溫度分析或?qū)挾葴y量時(shí)，選擇要應(yīng)用于影像的分析算法，以檢查影像并確定好的或不好的部分。

由于向系統(tǒng)提供相關(guān)物體的影像，并告知獨(dú)特零件的外觀，或其看到的是好或壞的零件，因此系統(tǒng)會(huì)應(yīng)用數(shù)百萬個(gè)算法來學(xué)習(xí)辨識看到的東西。透過向系統(tǒng)展示各種變化，如照明、陰影和環(huán)境，它將學(xué)會(huì)了解哪里些特征對于辨識零件重不重要。