深度學(xué)習(xí)是計(jì)算機(jī)視覺中的一項(xiàng)突破性機(jī)器學(xué)習(xí)技術(shù)。它從用戶提供的訓(xùn)練圖像中學(xué)習(xí)，并可以為各種圖像分析應(yīng)用程序自動(dòng)生成解決方案。然而，它的主要優(yōu)勢(shì)在于，它能夠解決許多過去傳統(tǒng)、基于規(guī)則的算法難以解決的應(yīng)用程序。最值得注意的是，這些包括檢查形狀或外觀高度可變的物體，例如有機(jī)產(chǎn)品、高度紋理的表面或自然的戶外場(chǎng)景。此外，當(dāng)使用現(xiàn)成的產(chǎn)品（例如我們的 Deep Learning Add-on）時(shí)，所需的編程工作量幾乎減少到零。另一方面，深度學(xué)習(xí)正在將重點(diǎn)轉(zhuǎn)移到處理數(shù)據(jù)、處理高質(zhì)量圖像注釋和試驗(yàn)訓(xùn)練參數(shù)上——這些元素實(shí)際上往往占用了當(dāng)今應(yīng)用程序開發(fā)的大部分時(shí)間。

典型應(yīng)用包括：

檢測(cè)表面和形狀缺陷（例如裂紋、變形、變色）；

檢測(cè)異?；蛞馔獾臉悠罚ɡ缛笔?、破損或低質(zhì)量的零件）；

根據(jù)預(yù)定義類別（即分揀機(jī)）識(shí)別對(duì)象或圖像；

圖像中多個(gè)對(duì)象的位置、分割和分類（i.e. bin拾取）；

產(chǎn)品質(zhì)量分析（包括水果、植物、木材和其他有機(jī)產(chǎn)品）；

關(guān)鍵點(diǎn)、特征區(qū)域和小物體的位置和分類；

光學(xué)字符識(shí)別。

深度學(xué)習(xí)功能的使用包括兩個(gè)階段：

訓(xùn)練 – 根據(jù)從訓(xùn)練樣本中學(xué)到的特征生成模型，

推理 – 將模型應(yīng)用于新圖像以執(zhí)行實(shí)際的機(jī)器視覺任務(wù)。

與傳統(tǒng)圖像分析方法的區(qū)別如下圖所示：

深度學(xué)習(xí)工具概述：

異常檢測(cè)-此技術(shù)用于檢測(cè)異常（異?；蛞馔猓颖尽Ｋ恍枰唤M無故障樣本來學(xué)習(xí)模型 外表正常?；蛘?，可以添加幾個(gè)錯(cuò)誤樣本以更好地定義可容忍變化的閾值。這個(gè)工具特別有用 在難以指定所有可能的缺陷類型或根本無法獲得陰性樣本的情況下。此工具的輸出為：分類結(jié)果（正常或有缺陷）、異常分?jǐn)?shù)和圖像中異常的（粗略）熱圖。

特征檢測(cè)（分割）-該技術(shù)用于精確分割一類或多類像素特征。屬于每個(gè)類的像素必須由用戶在訓(xùn)練步驟中標(biāo)記。這種技術(shù)的結(jié)果是每個(gè)類的概率映射數(shù)組。

對(duì)象分類-此技術(shù)用于使用用戶定義的類之一識(shí)別選定區(qū)域中的對(duì)象。首先，需要提供一組標(biāo)記圖像的訓(xùn)練。該技術(shù)的結(jié)果是：名稱檢測(cè)到的類和分類置信度。

實(shí)例分割 – 此技術(shù)用于定位、分割和分類圖像中的一個(gè)或多個(gè)對(duì)象。訓(xùn)練要求用戶繪制與圖像中的對(duì)象對(duì)應(yīng)的區(qū)域，并將其分配給類。結(jié)果是檢測(cè)到的對(duì)象列表–及其邊界框、掩碼（分段區(qū)域）、類ID、名稱和隸屬度概率。

字符識(shí)別–此技術(shù)用于定位和識(shí)別圖像中的字符。結(jié)果是找到的字符列表。