無法預測模板中不存在的樣本

  當圖像模板不足以覆蓋可能出現的所有樣本時，缺陷特征就很難通過提前設定的方式實現。

無法分析不規則、無規律的圖像

  當圖像不規則、無規律時，很難按照經驗手動設計特征，直接輸出映射關系。

  為更好的滿足工業領域的各種行業需求，華?？萍荚贛VP智能算法平臺中加入了強大的深度學習功能，可針對復雜多變的應用場景進行字符識別、缺陷檢測、圖像分類等功能。

深度學習OCR識別

  字符檢測涉及兩個步驟，一是字符區域的提取，二是字符內容的識別。采用檢測網絡結合端到端的識別深度學習模型結合文字語義信息，可以實現對通用場景的識別，包括中文、字母、數字等。對于扭曲、形變、破損、過曝等具有較好的魯棒性。在圖像像素缺失時的字符檢測率，通過對比，在檢測背景下深度學習的字符識別準確率能比傳統算法上升15%-20%，而復雜背景下的識別率能提升50%以上。

業界難題，輕松讀取

  對于傳統的字符識別方法來說，點陣字符很難分割，無疑是字符識別的業界難題。應用華?？萍糓VP智能算法平臺深度學習OCR識別算子，可以輕松解決點陣OCR識別的難題。

惡劣環境，毫無畏懼

   在實際應用場景中，還會經常遇到字符質量較差，圖像環境較為惡劣的情況，應用深度學習OCR識別，可以自適應字符的放縮、變形、扭曲、遮蓋、殘缺等各種變化。

多行字符，語義識別

   將深度學習在復雜背景下自適應學習能力，應用于環境復雜的物流面單字符識別的應用場景中，可以在字符粘連、傾斜、褶皺等多種情況下進行識別，完成文本行定位，實現多行字符同時識別的功能。華?？萍冀涍^多年在物流、郵政行業的深耕，積累了大量的語料庫，可以識別出快遞面單中各個地址的語義信息、電話信息以及各種非主流的網絡用戶名，輕松將面單信息錄入系統。

深度學習缺陷檢測、定位檢測

  將深度學習在復雜背景下的自適應學習能力，應用于不同物體表面的缺陷檢測。首先將已知缺陷數據放入深度學習模型用于學習缺陷的基礎特征和語義特征，接著利用上述模型區分缺陷區域和正常區域，最后標記出缺陷區域。這類模型只依賴于缺陷和背景的差異，具有良好的遷移能力，能應用于紙箱表面，金屬表面和玻璃表面等不同場景。

像素分類

  深度學習在分割任務上要求對目標區域進行精細的區分，在像素上對目標和背景進行分類，輸出熱度圖。在工業領域具有較廣泛的應用，如織物、布匹、液晶等表面的臟污、破損，劃痕等。

分類

  目前深度學習應用于分類任務上，主要是通過物體之間的差異得出特征差異。然而物體的數量判斷無法直接利用上述經驗。設計一種自帶空間特征的深度學習模型應用于物體的單雙判斷可以有效解決此類分類任務，場景復雜多變，包裹形態多樣，存在相互交疊等情況，相比傳統方法準確率從80%提升至99%以上。