自強課程
課程名稱
人工智慧在機器視覺檢測上的應用
熱烈招生中
課程代碼:
09A058
上課時間:
2020/10/16(五)、10/23(五),9:00~16:00,共12小時
上課時數:
12 小時
上課地點:
課程費用:
8000元
(符合超值優惠價格者需送出報名表後,系統發出報名成功回函確認金額。)
超值優惠:
- VIP企業會員價:VIP企業會員可享優惠價格 (按我)
- 會員優惠價: 會員於開課前七天完成報名繳費者可享會員優惠價 7900 元
- 會員紅利折抵:本課程歡迎使用紅利折抵,最高可使用 100 點
課程目標:
瑕疵偵測與瑕疵分類在自動化生產線上扮演極其重要的角色。本課程首先將介紹如何將瑕疵偵測出來,其次介紹特徵的種類以及如何抽取出特徵;最後再介紹如何利用抽取出之特徵進行瑕疵的分類。隨著自動化及智慧製造的快速發展,智慧瑕疵偵測、智慧瑕疵分類及智慧影像辨識技術日益重要。有鑒於此,本課程也將介紹人工智慧(Artificial Intelligent, AI)、機器學習(Machine Learning)及深度學習(Deep Learning)的基本概念。此外,本課程也會說明如何將人工智慧技術應用在機器視覺檢測的各個階段。目標在於解決實務上可能遭遇到的一些品質檢測的問題,提升檢測系統之辨識能力。
課程特色:
1.本課程是以實作為主,因此不會介紹太多的理論與數學式。
2.本課程將使用Python語言進行程式的開發,惟都是一些簡單的語法,只要稍微具備一些程式語言的基礎即可。
3.課程中將透過實際案例,引導學員在Anaconda+Tensorflow+Keras的環境下編寫MLP (Multilayer Perceptron,多層感知機) 及CNN (Convolutional Neural Network, 卷積神經網路)程式進行瑕疵分類或影像分類。
4.本課程適合有意投入智慧檢測、智慧製造產業,或者想了解如何將人工智慧與機器視覺檢測技術應用在品管之人士參加。
2.本課程將使用Python語言進行程式的開發,惟都是一些簡單的語法,只要稍微具備一些程式語言的基礎即可。
3.課程中將透過實際案例,引導學員在Anaconda+Tensorflow+Keras的環境下編寫MLP (Multilayer Perceptron,多層感知機) 及CNN (Convolutional Neural Network, 卷積神經網路)程式進行瑕疵分類或影像分類。
4.本課程適合有意投入智慧檢測、智慧製造產業,或者想了解如何將人工智慧與機器視覺檢測技術應用在品管之人士參加。
課程大綱:
一、特徵分析與物件識別
特徵抽取與分析:幾何特徵、直方圖特徵、顏色特徵、紋理特徵
瑕疵偵測法:參考比對法、非參考比對法、影像對正、空間座標轉換
物件識別:分類樹、特徵比對法、最近鄰(Nearest Neighbor)分類器、k-NN分類器
二、人工智慧簡介
人工智慧(Artificial Intelligence)的定義、演進及應用
機器學習(Machine Learning) vs. 深度學習(Deep Learning)
類神經網路(Artificial Neural Networks)
輸入層(input layer)
隱藏層(hidden layer)
輸出層(output layer)
Back Propagation Networks (BPN)
forward pass of BPN – recognition process
backward pass of BPN – training process
類神經網路在瑕疵分類上之應用
鍍金區瑕疵偵測與分類
影像分割法自動挑選機制
智慧瑕疵分類
卷積神經網路(Convolutional Neural Networks, CNN)
什麼是卷積(convolution)
卷積層(convolutional layer)
激活函數(Activation Function):ReLU, Sigmoid…
池化層(Pooling layer)
扁平層(Flatten layer)
全連接層(Dense/Fully connected layer)
三、人工智慧程式實作
安裝Anaconda (Python, Spider), Tensorflow 及Keras
Keras預測流程:
數據特徵值的讀入與正規化
影像圖檔訓練組與驗證圖檔的建立
影像圖檔的讀入、資料的轉換與正規化
影像資料的強化與生成
網路訓練參數的設定
訓練過程中訓練精確度與驗證精確度的監控
訓練完成模型的存檔與讀取
使用已訓練完成之模型進行預測/分類
數列預測、線性迴歸
影像識別:貓狗識別、幾何形狀識別、自選物件識別…
瑕疵分類
特徵抽取與分析:幾何特徵、直方圖特徵、顏色特徵、紋理特徵
瑕疵偵測法:參考比對法、非參考比對法、影像對正、空間座標轉換
物件識別:分類樹、特徵比對法、最近鄰(Nearest Neighbor)分類器、k-NN分類器
二、人工智慧簡介
人工智慧(Artificial Intelligence)的定義、演進及應用
機器學習(Machine Learning) vs. 深度學習(Deep Learning)
類神經網路(Artificial Neural Networks)
輸入層(input layer)
隱藏層(hidden layer)
輸出層(output layer)
Back Propagation Networks (BPN)
forward pass of BPN – recognition process
backward pass of BPN – training process
類神經網路在瑕疵分類上之應用
鍍金區瑕疵偵測與分類
影像分割法自動挑選機制
智慧瑕疵分類
卷積神經網路(Convolutional Neural Networks, CNN)
什麼是卷積(convolution)
卷積層(convolutional layer)
激活函數(Activation Function):ReLU, Sigmoid…
池化層(Pooling layer)
扁平層(Flatten layer)
全連接層(Dense/Fully connected layer)
三、人工智慧程式實作
安裝Anaconda (Python, Spider), Tensorflow 及Keras
Keras預測流程:
數據特徵值的讀入與正規化
影像圖檔訓練組與驗證圖檔的建立
影像圖檔的讀入、資料的轉換與正規化
影像資料的強化與生成
網路訓練參數的設定
訓練過程中訓練精確度與驗證精確度的監控
訓練完成模型的存檔與讀取
使用已訓練完成之模型進行預測/分類
數列預測、線性迴歸
影像識別:貓狗識別、幾何形狀識別、自選物件識別…
瑕疵分類
學員須知:
注意事項