一：硬件环境
深度学习模块训练运算量较大，依赖GPU进行加速，硬件需独立显卡支撑，目前训练只支持英伟达 核心显卡。显卡硬件配置越高，训练及预测耗时越短。
1， 模型训练：
? 本地训练 a) 6G及以上显存 DL单字符识别训练实现显存自适应，能根据硬件配置自动分配训练 显存，从耗时等综合因素考虑推荐采用6G及以上显存显卡训练,如GTX 1660Super,RTX 2080,RTX 3070等 b) 需去英伟达显卡驱动官网（https://www.nvidia.cn/geforce/drivers/）,根 据电脑显卡型号下载451.22版本以上驱动 c) VisionTrain1.4（VM4.0）版本已支持30系列显卡训练（预测），以前版本不支持
? 支持萤石云服务器训练
? 支持本地云服务器训练 2， 模型检测：
? 支持GPU版本检测 （需2G及以上显存。单DL模块2G显存可以满足，多DL流程或单流程 多 DL模块需更大的显存）
? 支持CPU版本检测 （效果与GPU版本一致，检测耗时会比GPU版本长）
? 操作系统要求为Windows7或Windows10 （系统需要安装完整版）
若显卡配置符合条件，发现无法进行训练或预测，则需检查显卡驱动，要求安装451.22版本以上显 卡驱动（显卡驱动的要求和显卡本身以及VM的版本有关）
二：适用场景
图像的异常是指图像特征偏离预期的位置或像素值，产品中出现的异常具有随机性，例如纹理 变化、划痕、错位或缺件等。而异常检测实质则是异常值分析中的一项统计任务，通过标注OK样本 组成训练集，在深层神经网络中学习特征表示与像素残差值，注意此类样本应处于一个较为固定的 状态。
三：DL异常检测训练和测试
一）深度学习异常检测-模型训练：
1）打开VisionTrain1.4.0训练工具
2）PC端：选择目标平台->VM平台（VM 平台训练的模型用于VM4.0.0软件），选择训练类型->异 常检测，点击下一步。
3）进入标定界面
①点击“新建训练集”，创建或选择训练样本，训练样本的绝对路径应当不包含空格（·注：将OK样 本的样本图片放在一个文件夹中，便于后期增加样本以丰富训练集，训练集图片数量以200张以上 为佳，越多越好）。
②选中包含有OK样本的文件夹，点击确定，将训练集加载至标定界面。
③在操作栏下方点击OK按钮，将训练集中的样本全部标记为OK
二）异常检测模式-配置训练参数说明
? 选择类型：本地训练-依赖本机显卡训练；云服务器训练-使用萤石云进行训练；本地服务器训 练-在本地架设的服务器上训练。
? 迭代轮次：算法内部称为Epoch，一轮就是将所有训练样本训练一次的过程。增大迭代伦次可 以增加训练的迭代次数。参数根据图片数量设置。100张设置2000轮。500张设置1000轮。
1000张设置400轮。5000张设置150轮。10000张设置100轮。100000张设置80轮。若训练 过程中曲线任有明显的下降趋势，可以暂停训练增大迭代伦次。
? 基础学习率：更新参数时前进的步长。一般按默认值1设置，不需改动。
? 版本：当前只提供VM4.0.0版本模型训练。
? 模型类型：处理复杂图片的能力，有普通和高精度可以选择。普通训练、检测速度更快，消耗的显存资源更小。高精度检测效果更加精确， 但资源消耗大。为了保证效果建议选择高精度。
? 是否增强：开启增强使能后，可设置数据增强参数。可进行HSV空间变换、镜像、画布扩大、 裁剪、仿射变换、噪声这六类数据增强的操作。具体设置见“数据增强白皮书”。
模型默认保存路径：VisionTrain1.4.0\Applications\DeepLearningModel里，建议修改 路径。
4）模型训练过程 4.1本地训练过程
依赖本地电脑显卡进行训练，若在测试中发现会出现误识别、漏识别与多识别的情况，可以尝 试增加训练样本、增大迭代轮次。
模型默认保存路径为：\VisionTrain1.4.0\Applications\DeepLearningMode 下。确 定好模型名称后点击开始训练，随着迭代次数的增加，训练误差会越来越小，最后趋于平缓。当训 练完成后点击结束训练，在指定的文件夹位置会生成一个.bin 文件，该文件则是深度学习网络训 练后得到的模型文件。 4.2云服务器与本地服务器训练过程
异常检测暂不支持云服务器与本地服务器训练，将在后续版本推出。
二）深度学习异常检测-模型测试
1）打开VisionMaster4.0.0，使用深度学习异常检测模块进行模型效果测试，将推演预测错 误的图片统一保存至训练集中，使用VisionTrain1.4.0重新标注之后，重新进行模型训练，此方 法增加了样本容量，也是模型优化最直接有效的方式。
·注：若效果不满足预期，可联系对应销售或技术进行技术指导，优化模型。
2）在VisionMaster4.0.0中拉出一个图像源模块，点击右下角的或 将需要测试图片 放入模块中。
3）再拉出一个DL异常检测G模块(显卡支持CUDA)，点击该模块，导入之前训练好的模型，将两 个模块用线连接。
4）为了使异常点显示的更加直观，在异常检测模块后端加上”BLOB分析”模块，可设置面积阈值 参数，或打开轮廓输出使能观看检出的精细程度。点击运行 按钮，若想在原图上查看检测效果， 可在图像框的左上角选择”图像源.输出图像”；
5）重要模块参数说明
? DL异常检测G/C：其后缀的G/C代表以GPU或CPU进行预测。
? 阈值方式：选择阈值算法的模式，一般为默认
? 极性：由于输入为残差图，目标特征灰度值为255，应选择暗于背景
? 低阈值：根据目标异常值是否达到阈值，来控制残差图中特征的连通域（特征面积）大小
? 面积范围：可结合低阈值调整特征面积的大小，筛选不必检出的微小缺陷
四：系统运行过程中继续添加样本的方法
在系统运行过程中，通常训练的模型不能一次到位，适用于所有的场景，需要在运行过程中不断 添加样本，增强模型的鲁棒性。方法是： 1. 之前训练集（包括原图和inspectTrainData.txt文件）不能删除，新采集或模型误检的 原图样本应放到之前的样本中去。
2.对增加样本后的新训练集继续标注为OK，重新训练模型。训练参数参考以上说明。
