Vergleicht man Deep Learning mit herkömmlichen Bildverarbeitungsmethoden, unterscheiden sie sich vor allem in der Gewinnung wichtiger Merkmale eines Bildes. Dadurch können komplexe Inspektionsaufgaben gelöst werden, die mit klassischer Bildverarbeitung nicht möglich sind.
Der Vorteil der klassischen Bildverarbeitung ist eine klar definierte Umgebung mit einer sehr genauen Kenntnis darüber, welche Art von Produkt oder Werkstück betrachtet wird. Die traditionellen Methoden punkten immer dann, wenn klare Regeln für eine eindeutige Ja-/Nein-Klassifizierung definiert werden können.
Deep Learning benötigt dagegen kein starres Regelwerk, sondern verlässt sich auf vorverarbeitete Daten. Als Grundlage für die Klassifizierung dienen Musterformulare oder CAD-Modelle. Zum Einlernen durchläuft die Software eine Trainingsphase. Deep Learning eignet sich für komplexe Prüfobjekte, die mit konventioneller Bildverarbeitung nicht gelöst werden können, zum Beispiel die Inspektion transparenter oder inhomogener Oberflächen oder die Erkennung von Produkten mit hoher Merkmalsvarianz
Der Vorteil der klassischen Bildverarbeitung ist eine klar definierte Umgebung mit einer sehr genauen Kenntnis darüber, welche Art von Produkt oder Werkstück betrachtet wird. Die traditionellen Methoden punkten immer dann, wenn klare Regeln für eine eindeutige Ja-/Nein-Klassifizierung definiert werden können.
Deep Learning benötigt dagegen kein starres Regelwerk, sondern verlässt sich auf vorverarbeitete Daten. Als Grundlage für die Klassifizierung dienen Musterformulare oder CAD-Modelle. Zum Einlernen durchläuft die Software eine Trainingsphase. Deep Learning eignet sich für komplexe Prüfobjekte, die mit konventioneller Bildverarbeitung nicht gelöst werden können, zum Beispiel die Inspektion transparenter oder inhomogener Oberflächen oder die Erkennung von Produkten mit hoher Merkmalsvarianz
