在半导体和半导体服务电子产品检验中使用深度学习的5大理由

　　机器视觉系统长期以来一直为半导体和电子行业提供自动检查和质量控制流程的手段。但是，基于这些行业的不同性质以及零件中潜在存在的缺陷数量，使用传统的机器视觉方法来执行某些任务（即使不是不可能）也是费力的。深度学习软件改变了这一点。借助深度学习，公司可以基于对产品和缺陷的真实世界图像的统计分析来为视觉解决方案编程，而不是尝试使用基于规则的方法来数学定义那些相同的缺陷和图像。深度学习软件可以自动判断零件的好坏，同时提高效率，生产力和收入。

　　深度学习软件具有本质上可以自行编程的能力，是自动化工具箱中的强大工具。但是对于许多公司来说，这也是一个未知的领域，而且价格昂贵。因此，对深度学习软件感兴趣的公司与深度学习服务提供商签约，以免费测试神经网络，并且只有在推断（即投资回报）开始后才开始付费。这为半导体和电子产品制造商提供了机会，使他们可以准确地了解基于深度学习的检查如何能够改善他们的流程并提高生产效率，而又无需花钱。

　　1、深度学习扩展了传统机器视觉的功能

　　在半导体和电子行业中，对于基于规则的机器视觉算法来说，检查连接器，引脚和焊点等任务非常困难。这些零件中可能存在的缺陷数量可能是惊人的。使用传统算法处理所有的问题需要定义数百个规则并提取特征。此外，还会导致很多误报和漏报。深度学习不太容易受到这些类型的错误的影响，并且由于在图像集上训练了神经网络，因此基于这些图像可以自动对零件的好坏条件，异常和缺陷进行分类。

　　2、减少时间和成本

　　客户通过多种方式选择深度学习服务提供商，从而节省了资金。最终用户或集成商不必购买软件，或者甚至更重要的是，不必花时间对软件进行编程。大多数深度学习解决方案都需要一定程度的编程知识，需要高级GPU来训练模型，还需要时间来优化神经网络。通过深度学习服务（例如halcon），它提供了一种“无代码”解决方案，提供了将数据添加到神经网络模型训练中的简单流程。这样，服务提供商可以消除所有复杂性和部署成本。

　　3、使用方便

　　不同的客户有不同的才能。一些大型OEM拥有机器视觉团队，但较小的OEM和最终用户可能没有。换句话说，一些客户需要的产品只需要很少的技术知识。这些客户可以在部署后修改解决方案吗？如果可以，修改速度有多快？直观的基于云的深度学习服务提供商允许客户通过上传按类排序的图像来创建数据集，进行分类训练，根据所需的推理时间选择网络，在数据集上训练网络并监视训练成功。然后，该服务允许客户使用视觉反馈来评估培训结果，部署免费培训的网络，然后，如果满意的话，可以进行购买。所有这些都可以通过简单的用户界面来实现。

　　4、满足灵活性的目标需求

　　在半导体和电子产品检查中，制造需求可能会有所不同，例如，在引入新零件时。当公司在基于深度学习的系统上投入大量时间和金钱，然后在三个月后需要进行更改时，会发生什么？所以系统必须是可定制的且灵活的，才能满足新的检查要求。深度学习服务能在同样的架构下完成变更的任务，从而消除了客户自己重新编程软件或完全购买新软件的需求。

　　5、深度学习软件可以作为附加工具

　　深度学习软件高效地完成了半导体和电子检测中的许多任务。但并不是所有的问题都可以单靠深度学习来解决。深度学习软件对距离测量就不太擅长。在这样的场景中，深度学习可能会被添加到现有的机器视觉系统中。例如，系统可能具有执行计量任务（如连接器引脚高度测量）的机器视觉算法，而深度学习软件工具可能检测潜在的不匹配引脚。

　　外星眼机器视觉认为：在深度学习初期，大家觉得深度学习会马上代替传统算法，但在市场验证过后，深度学习更像是传统视觉的补足，其中的附加工具。传统视觉在识别的准确性和速度上有一定的优势，而深度学习在识别复杂的对象时更有优势。