越来越多的机器视觉软件公司在其产品中部署了深度学习技术。随着这些公司开发深度学习软件和工具，以及越来越多的用户成功部署其应用程序，深度学习可能会变得越来越流行，并且在市场上也越来越流行。据报道，康耐视于2017年收购的ViDi Systems就是其中之一。 ViDi Systems由计算机科学博士Reto Wyss于2012年创立。该公司开发的软件使用人工智能（AI）技术来改善应用程序中的图像分析。该软件训练系统以区分可接受的更改和缺陷。康耐视ViDi Suite由三种不同的工具组成，包括夹具ViDi Blue，用于分割和异常检测的ViDi Red，以及用于对象和场景分类的ViDi Green。康耐视的深度学习软件专门针对检测应用程序，在制药，医疗产品，汽车，纺织，印刷和钟表行业中拥有许多成功的案例。康耐视认为，深度学习是对传统机器视觉的补充。传统的几何图案发现和边缘检测仍然是机器人指导或其他精确测量亚像素精度的最佳方法。深度学习对于零件质量和其他基于示例的类似于人的判断是最有价值的，并且由于它是通过示例进行训练的，因此它不需要之前检查应用程序所需的高级视觉技能。韩国机器视觉软件公司Sualab最近发布了SuaKIT检查软件。这是基于来自各个工业场所的实际图像数据的数据库来对主要功能进行分类的。该软件的深度学习算法使用正常和缺陷产品的新图像在30分钟内以高达1,000 2,048＆amp; TImes; 2,048图像的速度进行训练，然后可以使用神经网络自动识别缺陷值。即使没有太多编程经验的用户也可以使用该软件，因为它不需要一一编码，而是通过收集和输入缺陷数据来学习。 SuaKIT还可以使用NVIDIA的CUDA技术，通过高性能GPU来高速处理数据。 Sualab Enterprise Business Group副经理表示，深度学习的使用可以大大减少检测过程中的错误。深度学习与CUDA技术相结合，使SuaKIT甚至在要求高速的制造过程中也能表现出更高的性能水平。德国公司MVTec还将深度学习技术整合到其著名的Halcon和Merlic机器视觉软件产品中。自Halcon 13起，MVTec就基于深度学习提供了光学字符识别（OCR）。该软件现在包括一个基于深度学习技术的OCR分类器，可以通过一些预先训练的字体使用它，因此与以前的所有分类方法相比，它可以实现更高的读取率。此外，最新版本的Halcon允许用户基于深度学习算法来训练卷积神经网络（CNN）。训练有素的网络自动对与预定类别相对应的图像数据进行分类。 MVTec Halcon产品经理说，客户可以使用Halcon的自学网络节省大量时间，精力和金钱。例如，可以通过参考图像识别缺陷类别，因此不再需要繁琐的编程。在工业机器视觉环境中，深度学习主要用于出现在许多应用中的分类任务，例如工业产品的检查或零件的识别。另一家开发深度学习软件的公司是Cyth Systems。它的Neural Vision是为没有机器视觉经验的用户设计的，用于检查和分类产品。在传统的机器视觉系统中，程序员在执行孔检查，温度分析或宽度测量时选择要应用于图像的分析算法，以检查图像并确定好坏部分。由于它向系统提供相关对象的图像并告诉其独特零件的外观，或者它看到的是好零件还是坏零件，因此该系统将应用数百万种算法来学习识别所看到的东西。通过显示系统的各种变化（例如照明，阴影和环境），它将学会了解哪些功能对于识别零件并不重要。