工業(yè)視覺系統(tǒng)編程及基礎(chǔ)應(yīng)用 課件 項目13 前沿技術(shù)基礎(chǔ)應(yīng)用

工業(yè)視覺系統(tǒng)編程及基礎(chǔ)應(yīng)用PROJECT項目090810111213項目8外圍設(shè)備通訊與交互項目9鋰電池檢測項目10鋰電池測量項目11鋰電池識別項目12鋰電池引導(dǎo)抓取項目13前沿技術(shù)基礎(chǔ)應(yīng)用1、3D視覺技術(shù)基礎(chǔ)應(yīng)用TASK任務(wù)任務(wù)一、3D視覺技術(shù)二、3D工具三、3D視覺技術(shù)基礎(chǔ)應(yīng)用鋰電池移動抓取課前回顧鋰電池移動抓取的實現(xiàn)原理在V+平臺軟件中使用引導(dǎo)模塊相關(guān)工具來實現(xiàn)鋰電池的移動抓取一、3D視覺技術(shù)3D視覺技術(shù)分類一、3D視覺技術(shù)需要一個特殊的光學(xué)投射器來產(chǎn)生一定的光模式基于一幅或多幅圖像中來獲取物體三維形狀信息,對光源沒有嚴格的要求工業(yè)3D傳感器類型一、3D視覺技術(shù)常見的工業(yè)領(lǐng)域3D傳感器類型3D數(shù)據(jù)表示方法一、3D視覺技術(shù)1深度圖（RangeImage)1.存儲所有像素點的深度值的二維圖像2.深度值是相機坐標(biāo)系下的Z坐標(biāo)值，單位mm2點云（PointCloud）3D掃描設(shè)備獲取的產(chǎn)品特征以點的形式存儲，其中會包含對應(yīng)點的坐標(biāo)信息、色彩信息和反射面強度信息.3體素3D空間中量化的、大小固定的點，相當(dāng)于3D空間中的最小單位像素4網(wǎng)格（Mesh)網(wǎng)格是點云的細化分割的一種呈現(xiàn)形式，在視覺中為了快速處理數(shù)據(jù)還是用三角形居多.深度圖點云圖體素網(wǎng)格3D視覺應(yīng)用案例一、3D視覺技術(shù)曲面屏測量食品缺陷檢測連接器測量汽車裝配檢測3D視覺技術(shù)的發(fā)展趨勢一、3D視覺技術(shù)3D視覺系統(tǒng)底層元器件、核心算法等技術(shù)的快速發(fā)展使得成像分辨率不斷提高、圖像采集速度和傳輸可靠性明顯增強，豐富了工業(yè)視覺系統(tǒng)的應(yīng)用場景。高性能和多場景智能化和實時性集成化和融合化隨著人工智能、大數(shù)據(jù)和云計算等新技術(shù)的引入，工業(yè)3D視覺系統(tǒng)將變得更智能化、實時化。工業(yè)3D視覺系統(tǒng)也將朝著集成化、小型化的方向發(fā)展，各種模組（如光學(xué)模組、通信模組和計算模組等）會逐漸集成在一個設(shè)備中二、3D工具V+平臺軟件可實現(xiàn)3D圖像的采集和處理，與其相關(guān)的工具可分為3D取像工具和3D測量工具二、3D工具V+平臺軟件可實現(xiàn)3D圖像的采集和處理，與其相關(guān)的工具可分為3D取像工具和3D測量工具二、3D工具（1）3D取像工具：該工具實現(xiàn)從3D傳感器或本地3D數(shù)據(jù)獲取圖像的功能（2）Z轉(zhuǎn)CogImage16Range工具：從3D取像工具獲取的圖像需要經(jīng)過該工具格式轉(zhuǎn)換為高度圖，方可在工具塊中進行圖像處理V+平臺軟件可實現(xiàn)3D圖像的采集和處理，與其相關(guān)的工具可分為3D取像工具和3D測量工具二、3D工具源：可選擇相機或者本地圖像設(shè)備：選擇已連接的3D傳感器圖像模式：可選擇灰度或者彩色保存：勾選保存即在取像完成后并保存路徑：設(shè)置圖像的存儲路徑，可選擇指定文件夾或鏈接前置工具拼接的路徑文件名：自定義所取像的名稱行數(shù)：需要和“批處理點數(shù)”保持一致超時（s）：取像工具最長運行時間3D取像工具V+平臺軟件可實現(xiàn)3D圖像的采集和處理，與其相關(guān)的工具可分為3D取像工具和3D測量工具二、3D工具inputImage：默認鏈接前置工具的輸出圖像，可選擇本地文件夾圖像imagewidth：默認鏈接前置工具的輸出寬度，可輸入?yún)?shù)imageHeight：默認鏈接前置工具的輸出高度，可輸入?yún)?shù)xScale：X軸方向的分辨率，由傳感器型號決定yScale：Y軸方向的分辨率與xScale保持一致zScale：Z軸方向的分辨率，該分辨率為16位圖像中的參數(shù)，故等于傳感器的Z軸高度值/65536Z轉(zhuǎn)CogImage16Range工具V+平臺軟件可實現(xiàn)3D圖像的采集和處理，與其相關(guān)的工具可分為3D取像工具和3D測量工具二、3D工具常見的3D測量工具平面夾角測量工具測高工具平面提取工具體積測量工具在測量高度時，其測量流程為：首先，要使用平面提取工具確定測高的基準(zhǔn)平面，其次，使用測高工具確定被測平面并完成高度測量二、3D工具平面提取工具在使用過程中需要如下配置：（1）平面擬合算法選擇（2）擬合算法所需參數(shù)設(shè)置在測量高度時，其測量流程為：首先，要使用平面提取工具確定測高的基準(zhǔn)平面，其次，使用測高工具確定被測平面并完成高度測量二、3D工具測高工具在使用過程中需要如下配置：（1）設(shè)定高度的正方向（2）選擇需要測高的平面三、3D視覺技術(shù)基礎(chǔ)應(yīng)用采用深視智能(SSZN)8060型號的激光線掃相機，其X方向分辨率為0.012mm，Z軸高度為18mm，對樣品進行高度測量三、3D視覺技術(shù)基礎(chǔ)應(yīng)用結(jié)果展示采用深視智能(SSZN)8060型號的激光線掃相機，其X方向分辨率為0.012mm，Z軸高度為18mm，對樣品進行高度測量三、3D視覺技術(shù)基礎(chǔ)應(yīng)用待測樣品及其高度SSZN8060傳感器采用深視智能(SSZN)8060型號的激光線掃相機，其X方向分辨率為0.012mm，Z軸高度為18mm，對樣品進行高度測量三、3D視覺技術(shù)基礎(chǔ)應(yīng)用1.新建項目14解決方案，并保存為“項目14-任務(wù)1-3D視覺技術(shù)基礎(chǔ)應(yīng)用-XXX”2.單擊“菜單”→“設(shè)備”→“3D相機”，雙擊“深視”3.參照左圖設(shè)置“深視”傳感器參數(shù)采用深視智能(SSZN)8060型號的激光線掃相機，其X方向分辨率為0.012mm，Z軸高度為18mm，對樣品進行高度測量三、3D視覺技術(shù)基礎(chǔ)應(yīng)用1.添加“001_內(nèi)部觸發(fā)”工具2.雙擊或拖出“圖像”工具包中的“3D取像”工具，并鏈接至“001_內(nèi)部觸發(fā)”工具采用深視智能(SSZN)8060型號的激光線掃相機，其X方向分辨率為0.012mm，Z軸高度為18mm，對樣品進行高度測量三、3D視覺技術(shù)基礎(chǔ)應(yīng)用1.雙擊或拖出“Cognex”工具包中的“Z轉(zhuǎn)CogImage16Range”工具2.同理，添加“004_ToolBlock”并鏈接至“Z轉(zhuǎn)CogImage16Range”工具采用深視智能(SSZN)8060型號的激光線掃相機，其X方向分辨率為0.012mm，Z軸高度為18mm，對樣品進行高度測量三、3D視覺技術(shù)基礎(chǔ)應(yīng)用1.“002_取像”工具屬性配置：源：相機設(shè)備：深視1圖像模式：彩色保存：勾選路徑：根路徑下的“Images”文件名：3D_Data文件類型：ZMAP行數(shù)：8700超時（s）：202.單擊①處運行取像采用深視智能(SSZN)8060型號的激光線掃相機，其X方向分辨率為0.012mm，Z軸高度為18mm，對樣品進行高度測量三、3D視覺技術(shù)基礎(chǔ)應(yīng)用“003_Z轉(zhuǎn)CogImage16Range”工具屬性配置：inputImage：鏈接“002_3D取像”工具的輸出“Data”imageWidth：鏈接“002_3D取像”工具的輸出“Width”imageHeight：鏈接“002_3D取像”工具的輸出“Height”xScale：0.012yScale：0.012zScale：0.000275采用深視智能(SSZN)8060型號的激光線掃相機，其X方向分辨率為0.012mm，Z軸高度為18mm，對樣品進行高度測量三、3D視覺技術(shù)基礎(chǔ)應(yīng)用“ToolBlock”工具配置：1.添加輸入項為“003_Z轉(zhuǎn)CogImage16Range”工具2.添加平面提取和測高工具3.將“Input1”依次鏈接至兩個3D工具的輸入圖像即⑤和⑥處采用深視智能(SSZN)8060型號的激光線掃相機，其X方向分辨率為0.012mm，Z軸高度為18mm，對樣品進行高度測量三、3D視覺技術(shù)基礎(chǔ)應(yīng)用“Cog3DRangeImagePlaneEstimatorTool1”工具配置：1.雙擊“Cog3DRangeImagePlaneEstimatorTool1”工具2.選擇擬合平面的方法為點擬合（Points），即勾選①處3.在②處拖動四個點放在同一平面上4.將③處點鄰域范圍X和Y設(shè)為50采用深視智能(SSZN)8060型號的激光線掃相機，其X方向分辨率為0.012mm，Z軸高度為18mm，對樣品進行高度測量三、3D視覺技術(shù)基礎(chǔ)應(yīng)用“Cog3DRangeImageHeightCalculatorTool1”工具配置：1.雙擊“Cog3DRangeImageHeightCalculatorTool1”工具2.在①處選擇平面正方向為高度增加方向（IncreasingPlaneNormal）3.在②處選擇區(qū)域形狀為圓形（CogCircle）4.拖動③處的綠色圓形區(qū)域?qū)⑵浞旁谛枰獪y高的平面采用深視智能(SSZN)8060型號的激光線掃相機，其X方向分辨率為0.012mm，Z軸高度為18mm，對樣品進行高度測量三、3D視覺技術(shù)基礎(chǔ)應(yīng)用1.將“Cog3DRangeImagePlaneEstimatorTool1”的輸出“Result.Plane”鏈接至“Cog3DRangeImageHeightCalculatorTool1”工具的輸入“BasePlane”2.運行該工具，查看測量的高度均值為7.24523mm總結(jié)3D視覺技術(shù)熟悉3D視覺技術(shù)的分類，3D相機獲取的數(shù)據(jù)類型及常見的3D相機類型3D工具掌握3D工具的使用方法。3D視覺技術(shù)基礎(chǔ)應(yīng)用

能夠使用3D工具完成對測量項目的方案制作?？偨Y(jié)工業(yè)視覺技術(shù)只有賦能實體產(chǎn)業(yè)，自身才有不斷發(fā)展的動力之源。3D視覺和深度學(xué)習(xí)增強了工廠自動化市場中機器人/機器系統(tǒng)的自主性和有效性，因為這對于更高精度、更快速的質(zhì)量檢測，以及逆向工程等2D視覺受限的應(yīng)用至關(guān)重要。此外，視覺系統(tǒng)引導(dǎo)機器人的使用正在增長，需要3D視覺來實現(xiàn)更好的遠程引導(dǎo)、障礙識別和精確移動；產(chǎn)品型號的多樣化、生產(chǎn)環(huán)境的復(fù)雜化也驅(qū)動了深度學(xué)習(xí)帶來更加快捷、智能化、高端化的應(yīng)用本項目主要基于V+平臺軟件對工業(yè)視覺領(lǐng)域的3D視覺技術(shù)和深度學(xué)習(xí)算法進行學(xué)習(xí)和應(yīng)用。THANKS工業(yè)視覺系統(tǒng)編程及基礎(chǔ)應(yīng)用PROJECT項目090810111213項目8外圍設(shè)備通訊與交互項目9鋰電池檢測項目10鋰電池測量項目11鋰電池識別項目12鋰電池引導(dǎo)抓取項目13前沿技術(shù)基礎(chǔ)應(yīng)用TASK任務(wù)2、深度學(xué)習(xí)基礎(chǔ)應(yīng)用任務(wù)一、深度學(xué)習(xí)技術(shù)二、深度學(xué)習(xí)工具三、深度學(xué)習(xí)基礎(chǔ)應(yīng)用常用3D相機品牌有哪些？V+中，和3D相關(guān)的工具有哪些？課前回顧1、深度學(xué)習(xí)概念人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系

概括來說，人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)覆蓋的技術(shù)范疇是逐層遞減的，三者的關(guān)系如下圖所示。一、深度學(xué)習(xí)技術(shù)人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系1、深度學(xué)習(xí)概念人工智能（ArtificialIntelligence，AI）

是最寬泛的概念，是研究、開發(fā)用于模擬、延伸、擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門技術(shù)科學(xué)，通過了解智能的實質(zhì)，產(chǎn)生一種新的能以人類智能相似的方式做出反應(yīng)的智能機器。機器學(xué)習(xí)（MachineLearning，ML）是當(dāng)前比較有效的一種實現(xiàn)人工智能的方式，是研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。深度學(xué)習(xí)（DeepLearning）是一種新的機器學(xué)習(xí)方法，它基于神經(jīng)網(wǎng)絡(luò)（NeuralNetworks）來處理和分析大量數(shù)據(jù)，是通過建立能模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型，計算觀測數(shù)據(jù)的多層特征或表示。與傳統(tǒng)的機器學(xué)習(xí)算法相比，深度學(xué)習(xí)具有更強的表達能力和更高的準(zhǔn)確性，其在許多領(lǐng)域都有廣泛的應(yīng)用，如機器視覺、自然語言處理、語音識別、推薦系統(tǒng)、游戲AI等。隨著計算能力的提高和大數(shù)據(jù)的普及，深度學(xué)習(xí)將進一步推動人工智能技術(shù)的發(fā)展。一、深度學(xué)習(xí)技術(shù)2、深度學(xué)習(xí)模型深度學(xué)習(xí)模型有很多種，常見的深度學(xué)習(xí)模型有卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、長短記憶網(wǎng)絡(luò)、強化學(xué)習(xí)模型等。其中，卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，簡稱CNN）主要用于模式分類、物體檢測等計算機視覺任務(wù)。該網(wǎng)絡(luò)避免了對圖像的復(fù)雜前期預(yù)處理，可以直接輸入原始圖像，因而得到了更為廣泛的應(yīng)用。CNN的核心思想是利用局部連接權(quán)值共享的方式來減少網(wǎng)絡(luò)參數(shù)和計算量。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，CNN可以更好地處理高維數(shù)據(jù)，并且具有平移不變性和局部相關(guān)性等特點。在傳統(tǒng)的工業(yè)視覺任務(wù)中，算法的性能好壞很大程度上取決于是否能選擇合適的特征，而這恰恰是最耗費時間和人力的，所以在圖像、語言、視頻處理中就顯得更加困難。CNN可以做到從原始數(shù)據(jù)出發(fā)，避免前期的特征提取，在數(shù)據(jù)中找出規(guī)律，進而完成任務(wù)。一、深度學(xué)習(xí)技術(shù)2、深度學(xué)習(xí)模型卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)一般由輸入層、隱含層、全連接層以及輸出層組成，如下圖所示。卷積神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)一、深度學(xué)習(xí)技術(shù)2、深度學(xué)習(xí)模型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特點及作用

其中，輸入層用于接受對應(yīng)的輸入圖像數(shù)據(jù)；隱含層通常由若干卷積層和池化層連接而成，負責(zé)特征的提取和組合；提取的特征送入全連接層，并通過激活函數(shù)得到最終的輸出層判別結(jié)果。值得注意的是，整個網(wǎng)絡(luò)中每一層均由不同權(quán)重值的神經(jīng)元構(gòu)成，連接著前后層網(wǎng)絡(luò)，起到正向傳輸預(yù)測值和反向調(diào)整權(quán)重參數(shù)的作用。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特點及作用如圖所示。卷積神經(jīng)網(wǎng)絡(luò)作用及特點一、深度學(xué)習(xí)技術(shù)2、深度學(xué)習(xí)模型卷積層

在卷積層中，輸入數(shù)據(jù)被滑動到一定大小的窗口內(nèi)，然后與每個窗口內(nèi)的所有卷積核進行卷積運算。由于卷積核的大小和數(shù)量可以根據(jù)具體任務(wù)進行調(diào)整，因此可以提取不同大小、不同形狀的特征。這一層的主要目的就是將數(shù)據(jù)與權(quán)重矩陣（濾波器）進行線性乘積并輸出特征圖。池化層

在卷積神經(jīng)網(wǎng)絡(luò)中，池化層對輸入的特征圖進行壓縮，一方面使特征圖變小，簡化網(wǎng)絡(luò)計算復(fù)雜度。另一方面進行特征壓縮，提取主要特征。采用池化層可以忽略目標(biāo)的傾斜、旋轉(zhuǎn)之類的相對位置的變化，以提高精度，同時降低了特征圖的維度，并且在一定程度上可以避免過擬合。池化層通常非常簡單，通常取最大值或平均值來創(chuàng)建自己的特征圖，如右圖所示。全連接層

在全連接層中，前面的卷積層和池化層提取出的特征圖被展開成一維向量，并通過一系列全連接層進行分類或回歸等任務(wù)。由于全連接層的參數(shù)數(shù)量非常大，因此可以使用反向傳播算法進行訓(xùn)練。池化層一、深度學(xué)習(xí)技術(shù)3、深度學(xué)習(xí)框架深度學(xué)習(xí)框架是指通過高級編程接口為深度神經(jīng)網(wǎng)絡(luò)的設(shè)計、訓(xùn)練、驗證提供的組件和構(gòu)建模塊。常用的深度學(xué)習(xí)框架有TensorFlow、PyTorch、Keras、Caffe、MXNet等。一、深度學(xué)習(xí)技術(shù)4、深度學(xué)習(xí)在工業(yè)視覺領(lǐng)域的應(yīng)用案例工件顏色分類

在實際生產(chǎn)快速上下料分類的過程中，產(chǎn)品常常不能保持固定的位姿和角度，加之產(chǎn)品顏色的多樣化，使其在同種同角度光源下，常存在不同視覺效果。傳統(tǒng)的視覺方案常通過多種光源、多種角度進行拍攝，獲取穩(wěn)定的圖片效果，但生產(chǎn)效率較低，且仍然存在一定幾率的產(chǎn)品超出視野范圍、圖像模糊、過曝等情況，如下圖所示。工件顏色分類圖像一、深度學(xué)習(xí)技術(shù)4、深度學(xué)習(xí)在工業(yè)視覺領(lǐng)域的應(yīng)用案例訓(xùn)練多姿態(tài)、多顏色、多種打光效果的圖片，使用深度學(xué)習(xí)分類工具，即可正確區(qū)分顏色，并將顏色名稱和得分情況顯示在圖片當(dāng)中。工件顏色分類深度學(xué)習(xí)結(jié)果一、深度學(xué)習(xí)技術(shù)4、深度學(xué)習(xí)在工業(yè)視覺領(lǐng)域的應(yīng)用案例柱狀塞芯外觀缺陷檢測

柱狀塞芯一般為柱狀體，相機架設(shè)于產(chǎn)品柱狀側(cè)面，機構(gòu)帶動產(chǎn)品旋轉(zhuǎn)一周取圖，如下圖所示。柱狀塞芯外觀缺陷檢測圖像一、深度學(xué)習(xí)技術(shù)（a）劃傷1（b）劃傷2（c）白斑1（d）白斑2（e）黑斑1（f）黑斑24、深度學(xué)習(xí)在工業(yè)視覺領(lǐng)域的應(yīng)用案例產(chǎn)品本身體積較小，出現(xiàn)缺陷的位置、種類、圖像效果都不一致，且有些缺陷并不明顯，用傳統(tǒng)視覺較難實現(xiàn)找出外觀缺陷，此時需要用深度學(xué)習(xí)缺陷檢測工具實現(xiàn)該項目功能，如下圖所示。一、深度學(xué)習(xí)技術(shù)4、深度學(xué)習(xí)在工業(yè)視覺領(lǐng)域的應(yīng)用案例模穴號字符識別

產(chǎn)品表面雕刻模穴號時，常常存在字體不同、凹凸?fàn)顟B(tài)不同、金屬材質(zhì)不同導(dǎo)致的圖像效果差異大的問題。使用傳統(tǒng)OCR工具進行識別時，需要人工訓(xùn)練大量的字符；而導(dǎo)入通用的OCR字符識別深度學(xué)習(xí)模型，即可快速識別不同場景不同字符，配置簡單，準(zhǔn)確性更高，如下圖所示。（a）模穴號1（b）模穴號2（c）模穴號3（d）模穴號4一、深度學(xué)習(xí)技術(shù)TASK任務(wù)2、深度學(xué)習(xí)基礎(chǔ)應(yīng)用任務(wù)一、深度學(xué)習(xí)技術(shù)二、深度學(xué)習(xí)工具三、深度學(xué)習(xí)基礎(chǔ)應(yīng)用二、深度學(xué)習(xí)工具1、DCCKDeepLearning工具包DCCKDeepLearning工具包

DCCKDeepLearning工具包，是專為工廠自動化設(shè)計的深度學(xué)習(xí)視覺軟件，其包含了用于對象和場景分類的Classify工具；用于缺陷探測和分割的Detection工具；用于文本和字符讀取的OCR工具，如下圖所示。本章節(jié)僅介紹DCCKOCRTool及其應(yīng)用。DCCKDeepLearning工具包二、深度學(xué)習(xí)工具2、DCCKOCRTool的作用DCCKOCRTool提供了圖形用戶界面，包含預(yù)訓(xùn)練模型，無需訓(xùn)練即可快速識別字符文本并顯示在圖像中。該工具基本支持包含英文、數(shù)字和標(biāo)點符號的全部場景的字符識別，如卷曲、折頁、污損、亮度不同、凹凸不同等多種場景，遇到預(yù)訓(xùn)練模型識別不準(zhǔn)確時，可以通過添加至訓(xùn)練集生成新模型。DCCKOCRTool默認輸入為灰度圖像，默認輸出為識別的字符串文本，如下左圖所示。其中，框選字符串的矩形框的高和寬可由外部進行輸入，添加輸入終端，如下右圖所示。DCCKOCRTool默認輸入輸出DCCKOCRTool添加終端二、深度學(xué)習(xí)工具3、DCCKOCRTool的組成DCCKDeepLearning配置選項卡界面

用于加載模型及配置參數(shù)。模式：定位+識別：該模式需要先定位字符串位置，再進行識別識別：該模式無需定位，直接進行識別模型加載：字符標(biāo)記矩形的最小/大允許高度，以像素為單位定位模型未加載：模式為“定位+識別”時，需要加載已訓(xùn)練的定位區(qū)域模型文件所在文件夾；模式為“識別”時，該按鈕不存在識別模型未加載：加載已訓(xùn)練的識別模型文件所在文件夾；OCR訓(xùn)練模型基本為通用，可用于多種情況識別字符其他參數(shù)解釋見“說明”選項卡界面。二、深度學(xué)習(xí)工具3、DCCKOCRTool的組成DCCKDeepLearning結(jié)果選項卡界面

用于顯示識別字符串及分數(shù)。二、深度學(xué)習(xí)工具3、DCCKOCRTool的組成DCCKDeepLearning說明選項卡界面

用于顯示