人工智能发展所必需的四个要素：应用场景、大数据、计算能力和人才。而在场景确定、大数据丰富和计算能力不断提升的今天，人工智能人才的培养就显得尤为重要。人工智能技术包括：图像分析理解、自然语言识别、语音识别、机器人行为学等。不管是哪种应用，人工智能的核心都是“机器学习”——先对已知数据“降维”，再对目标网络“训练”，进而生成所需要的“成熟分类网络”。

在这些应用场景中，基于图像的深度学习所采用的数据维度是最多的，应用范围也是的。维视智造集合十几年的机器视觉产品研发经验和院校科研教学特点，创新性的推出了“MV-AI-VISION科研应用开发平台”专门解决“人工智能”技术在机器视觉领域的学习和落地应用训练。

任何需要深度学习技术解决的项目，都可以在“MV-AI1000”上做开发设计。

基于英特尔EIS平台的源码级深度学习实验课程

功能特点 FUNCTION

 1.精准（图像）大数据采集——提供同分辨率、同维度、同参数下细分行业“精准图像大数据集”的自动采集。这是“人工智能”技术在机器视觉领域落地应用的“数据”基础。

基于“MV-AI1000平台”的瓶盖缺陷数据（部分）

2.机器学习基础到应用——基于OpenVINO提供包括图像标记、神经网络搭建及神经网络训练等实验项目。

神经网络训练

3.源码级的“深度学习”实验项目——基于OpenVINO提供“成熟神经网络”的调用、调参等实验项目。

源码级的EII平台搭建实验

4.深度学习场景落地应用平台——基于英特尔EII平台的深度学习场景落地部署。

5.丰富的教学资源

• 平台配备“目标图像获取”、“图像预处理”、“深度学习”、“PLC编程”、“数据通讯”等多个实验教学项目，锻炼学生的个人能力、沟通交流能力、团队协作能力。

• 提供从基础操作到实际应用，详尽的实验指导手册、设备使用手册。设计由浅入深的学习实验，从基础操作到实际应用。实验指导书包含：实验背景、实验目的、实验原理、实验方案、实验步骤、实验结论、实验报告内容及要求等。
• 
• 应用场景 APPLICATION
  
• 
  

缺陷检测 基于英特尔EIS平台的PCB缺陷检出
模式识别 轻量级“物体识别神经网络”
目标跟踪 轻量级“人脸检出”模型
缺陷及分选 基于深度学习的瓶盖生产问题分类

典型案例 CASE

水果分选——基于“红通道”的苹果颜色分级	PCB板缺陷检测——自适应缺陷检测
智能抓取——智能特征识别定位	复杂环境的字符识别——智能多模板字符匹配