到深处去 — 机器视觉与深度学习

与人工智能算法的紧密联系，使机器视觉系统正以爆炸式的速度发展。

机器视觉系统和人工智能的结合可以用于解决高复杂度且传统方案难以解决的问题，这使得机器视觉解决方案在工业领域的应用变得更加普遍。

近年来，基于神经网络的深度学习方法受到越来越多的关注。深度学习是机器学习的一个重要分支，借助它，机器可以通过特定的训练数据进行学习进化。结合了深度学习的机器视觉系统能根据输入的数据独立识别未知变量，且无需对具体规则进行人工编程。

深度学习对机器视觉的深度改变

传统机器视觉系统可以实时提供工艺和产品信息，如产品外观、颜色和表面结构，这比人眼提供的信息要更加精准。然而，传统机器视觉方法在系统运行过程中需要有清晰的规定，必须要确定可测量或可分类特征来区分目标，这种解决方案较适用于变量少且规律的目标。

传统机器视觉系统可以实时提供工艺和产品信息，如产品外观、颜色和表面结构，这比人眼提供的信息要更加精准。然而，传统机器视觉方法在系统运行过程中需要有清晰的规定，必须要确定可测量或可分类特征来区分目标，这种解决方案较适用于变量少且规律的目标。

在生产中，深度学习允许对对象进行主观判定，例如零件的外观缺陷或装配错误。此外，在深度学习帮助下，对单个零件的分类变得更加容易，不同表面上标签的可读性也更好，这是因为深度学习算法能够识别并适应不同材料的变化。一般情况下，此类生产步骤都需要人来进行判断，但通过使用不同的示例数据来对深度学习算法进行培训，告诉它什么是好的结果，什么是不好的结果，系统就可以独立识别出其差异。在实际应用中，深度学习意味着系统可以学习相似的东西，并不断成长进化，就如同一个资深的技术人员在评估生产线的状态和产品质量。

除机器视觉系统外，深度学习还可用于语音识别、机器人挑选物品，甚至可以预测股价。该系统通过接收图像、外形、语言或文本信息进行学习并作出更具独立性的决策。

深度学习，深得你心

生产流程中某些步骤在传统机器视觉系统下无法实现自动化时，就应当考虑使用深度学习方法为机器视觉赋能。在生产流程中，原材料的变化、生产数据的偏差或难以定量测量的性质都可能使生产过程的自动化进程遇到挑战。早些时候人们认为诸如此类的情况很难实现自动化，而现在可以通过机器视觉系统和深度学习二者结合来解决。

生产流程中的质量评估往往需要在几分之一秒内完成，深度学习能大大加速生产流程，消除人为错误，提高精准度和统一性，并降低劳动力的使用，这是人眼检测无论如何不能比拟的。

对深度学习机器视觉系统来说，由于检测规则可以通过学习来优化，因此实际的编程工作可能更少，通过深度学习算法也能弥补硬件上的不足，因此其投资可能比传统的机器视觉系统更低，尤其是对于有充足学习案例的情况下更是如此。