什么是深度學(xué)習(xí)？

　　深度學(xué)習(xí)是機器學(xué)習(xí)的一個子集，機器學(xué)習(xí)本身就是人工智能的一個分支。因此，深度學(xué)習(xí)提供了先進的分析工具來處理在“智能”制造中部署傳感器和物聯(lián)網(wǎng)所產(chǎn)生的大量數(shù)據(jù)是有道理的。當(dāng)它應(yīng)用于機器視覺軟件時，深度學(xué)習(xí)允許機器從大量圖像中學(xué)習(xí)。

　　為了幫助機器執(zhí)行特定任務(wù)，深度學(xué)習(xí)程序利用多層軟件神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)執(zhí)行任務(wù)所需的要求。人類訓(xùn)練深度學(xué)習(xí)程序來獲取信息的方式與兒童學(xué)習(xí)的方式大致相同。隨著時間的推移，程序通過標(biāo)記產(chǎn)品示例查看數(shù)千張指定為此類的圖像后，學(xué)會區(qū)分“好”和“壞”模式。

　　深度學(xué)習(xí)與機器視覺有何不同？

　　機器視覺軟件可靠地檢查一致、制作精良的組件，因為它采用基于規(guī)則的算法和基于其特征的逐步過濾。由于組件在空間中的位置和方向的縮放、旋轉(zhuǎn)和扭曲，它可以容忍組件外觀的一些變化。

　　但是圖像質(zhì)量問題和復(fù)雜的表面紋理給檢測過程帶來了嚴(yán)峻的挑戰(zhàn)，機器視覺系統(tǒng)通常難以區(qū)分彼此非常相似的零件之間的可變性和偏差。雖然“功能性”偏差通常會被機器視覺系統(tǒng)捕獲并拒絕，但外觀偏差可能不會，因為這些系統(tǒng)可能無法區(qū)分它們。

　　由于照明、顏色變化、曲率和視野等變量難以區(qū)分，機器視覺系統(tǒng)在總裝檢測中也受到嚴(yán)重限制。對于這種檢查，深度學(xué)習(xí)要有效得多。

　　與機器視覺相比，深度學(xué)習(xí)程序最適合沒有預(yù)定義形狀的檢測應(yīng)用。發(fā)現(xiàn)諸如劃痕之類的外觀缺陷或定位具有預(yù)定義形狀的對象是深度學(xué)習(xí)程序執(zhí)行得非常好的任務(wù)。這些程序還可以通過確認所有組件正確且就位來簡化包裝和驗證。深度學(xué)習(xí)的缺點是，由于收集和學(xué)習(xí)了所有數(shù)據(jù)，處理有關(guān)對象的信息有時會相當(dāng)慢，因此機器視覺的更高處理速度為其帶來了明顯的優(yōu)勢。

　　深度學(xué)習(xí)對機器視覺的未來有何影響？

　　深度學(xué)習(xí)程序在檢查不規(guī)則或異常物體方面表現(xiàn)出色，并且具有在總裝檢查中對變量進行分類的粒度。這些功能擴展了機器視覺系統(tǒng)的功能范圍，使這兩種技術(shù)互補。盡管這些系統(tǒng)需要“人在循環(huán)中”來訓(xùn)練和標(biāo)記產(chǎn)品，但機器視覺和深度學(xué)習(xí)在一致性、可靠性和速度方面遠遠超過了人工檢查的能力。深度學(xué)習(xí)具有擴展的潛力，并且由于這種潛力才剛剛開始實現(xiàn)，它有望擴大制造業(yè)的能力范圍。