人工智能，特別是通過深度學(xué)習(xí)的方式進行的機器學(xué)習(xí)，正在對整個世界產(chǎn)生巨大的有益影響。深度學(xué)習(xí)技術(shù)被用于無數(shù)應(yīng)用，從賦予虛擬助理處理自然語言的能力，到通過推薦引擎增強電子商務(wù)體驗，到幫助醫(yī)療從業(yè)人員進行計算機輔助診斷，到在航空航天工業(yè)中執(zhí)行預(yù)測維護。深度學(xué)習(xí)技術(shù)也是工業(yè)4.0的關(guān)鍵推動者——這是在制造業(yè)中發(fā)生的第四次工業(yè)革命，特別是使用由數(shù)據(jù)和機器學(xué)習(xí)驅(qū)動的智能和自主系統(tǒng)——機器視覺技術(shù)是一個重要的貢獻者。需要注意的是，深度學(xué)習(xí)本身并不能處理各種形式的機器視覺任務(wù)，需要仔細的準備和維護才能真正有效。接下來將詳細介紹機器視覺——獲取和分析數(shù)字圖像的自動化計算機化過程，主要是為了確保質(zhì)量、跟蹤和指導(dǎo)生產(chǎn)，即如何從深度學(xué)習(xí)中獲益。

機器視覺處理在消費品和工業(yè)產(chǎn)品的制造和加工過程中經(jīng)常遇到的識別、檢查、指導(dǎo)和測量任務(wù)。傳統(tǒng)的機器視覺軟件用特定的算法來解決這些任務(wù)；這些方法通常需要專門的知識、技能和經(jīng)驗才能正確地實現(xiàn)。此外，這些方法或工具有時在處理和適應(yīng)復(fù)雜變化條件下的能力方面存在不足。

深度學(xué)習(xí)針對此類應(yīng)用有很大的幫助，但需要基于預(yù)先收集的樣本數(shù)據(jù)進行艱苦的訓(xùn)練，以產(chǎn)生行業(yè)通常要求的結(jié)果水平（即3σ或至少99.7%的過程準確性）。此外，有時還需要進行更多的訓(xùn)練，以考慮到可能對生產(chǎn)產(chǎn)出產(chǎn)生不利影響的不可預(yù)見的情況。重要的是要認識到，深度學(xué)習(xí)主要用于數(shù)據(jù)分類，并不是所有的機器視覺任務(wù)都適合這種方法。

如前所述，深度學(xué)習(xí)是指諸如圖像或其組成像素等數(shù)據(jù)被分類為兩個或更多類別的過程。深度學(xué)習(xí)特別適合于識別對象或?qū)ο筇卣鳎纾R別小部件A與小部件B的不同等等。

該技術(shù)還特別擅長應(yīng)用在檢測缺陷，無論是存在缺陷或異物，還是在正在組裝的小部件中或小部件上沒有關(guān)鍵組件。還可以方便地識別文本字符和符號，如生產(chǎn)日期和批次代碼。

雖然深度學(xué)習(xí)擅長在復(fù)雜和可變的情況下使用，例如發(fā)現(xiàn)不規(guī)則不均勻、紋理圖像背景或一個小部件的圖像顯示為正常和可接受的方式變化（見圖1）。

使用深度學(xué)習(xí)進行分析是一個基于概率的過程，因此不適用，甚至不適合需要精確測量的工作。高精度測量仍然是傳統(tǒng)機器視覺軟件的所擅長的。條形碼和二維符號的解碼，本質(zhì)上是基于特定的算法，也不是一個適合深度學(xué)習(xí)技術(shù)的領(lǐng)域（見圖2）。

圖一

圖二

深度學(xué)習(xí)是機器學(xué)習(xí)的最新表現(xiàn)，它本身被細分為三種不同的類型，即監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)。監(jiān)督學(xué)習(xí)是現(xiàn)在應(yīng)用中最常用的方法。

深度學(xué)習(xí)技術(shù)利用深度神經(jīng)網(wǎng)絡(luò)來執(zhí)行其分類功能。這些神經(jīng)網(wǎng)絡(luò)的靈感來自于人類大腦處理感官輸入的方式，以解釋數(shù)據(jù)。具體來說，深度學(xué)習(xí)技術(shù)利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)來分析圖像。CNN也可以被稱為模型。

一個深度神經(jīng)網(wǎng)絡(luò)由多個層組成（見圖3）。輸入層定義了神經(jīng)網(wǎng)絡(luò)必須處理的圖像屬性。可以計算兩個或兩個以上的隱藏層提取特征（即邊、角等）。具有越來越高的復(fù)雜度，并建立了一個特征空間。最后，輸出層根據(jù)保留的特征建立分類，并提供所謂的推理或預(yù)測結(jié)果。

圖三

【來源：光虎光學(xué)內(nèi)部培訓(xùn)資料】