ও前段时间，智能围棋程序AlphaGo战胜九段高手李世石的新闻引起很大的轰动。关于人工智能与人类智力的较量，随着人工智能的智能学习功能不断完善，也愈来愈被大家所津津乐道。接下来就为大家介绍—下此回AlphaGo之所以战胜李世石的法宝—“智能学习技术”，其在工业领域也被广泛应用，尤其是工业相机。
- 首先请大家看看这两张图
大家觉得有区别么？
- 这些呢？
貌似都一样吧。
- 下面这幅图和前面对比呢？
有些朋友可能已经发现，第二组图的图片名称后缀都有NG，而前面一组是OK。
那么OK与NG的差别您发现了吗？
再仔细观察的话，可以发现第二组图片在有些边缘的地方会暗一些。
这是因为制成的关系，有时候倒角会有不同。
虽然有严格的尺寸标准，可是用视觉貌似又没有那么简单可以区别出来。
何况，这种倒角问题可能出现在任何边缘处。位置不确定，也不在规则曲线上。
怎么办？？
- 像可以看出区别在哪里么？
其实这些都是OK品。
但是可以发现OK品之间存在色差和其他小细节不同。
- NG品：你可以发现第二幅图的不良在哪里么？
像以上这一类的不良检测，我总结一下有这样的特点：
1，会产生不良的区域随机或者背景复杂。
2，OK品自身会有不少差异。简单使用差分
（图像减法，或者说图像对比）
无法区分是OK品之间的差异还是NG品的不良。
这个时候，大家可以试试智能学习功能。先给大家看效果，最后再讲原理。
- 在经过智能学习后，OK品的检测结果：
- NG品的检测结果：
- OK产品的检测效果：
- NG产品的效果。这样看不良一目了然，
其中第二个产品的不良原来是字母顺序问题。
原理：
原理其实也并不🍒复杂。首先要准备的是足够样本量的OK产品。然后通过对多个OK品进行全彩信息学习，从而找到OK品的共同特点，以及之间的正常容差。
学习全彩信息
具备支持功能，可让用户放心使用
即使在学习时混入不良品，也可以自动将其去除。视觉系统可排除学习时的人为错误。
从己学习的良品.自动计算和设定闯值。
全彩信息学习后的平均图像：
容差图像：
然后再据此为模板，可以准确的判断NG品的差异。甚至是不可预知的NG类型。
适用领域：
智能学习最适用的领域如下：
1 存在多个品种， 需多次创建设定
盒装纸巾的错误排列检测
只要将复数品种的良品放在流水线上就能完成设定。颜色、形状、图案等各种各样的品种要素都ꦆ可以通过留能学习工具法行全面的对应。
2 存在多处检测位置
引线稽的瞧不良检测
位测位置多、设定复杂等问题都可通过「智能学习」 工具来解决.同创无需颜色设定。
3 检测位置的形状复杂
盒装纸巾的错误排列检测
由于学习包含轮廓部分在内的擎个工件,所以不再需要按照复杂的工件形状描绘多处范围。
4 良品存在偏差
仪表扳按钮的错误安装检测
学习并检测良品上不同照明状态导毅的粗细偏差，从而可以防止良品的错误排查。
