什么是深度學習？

　　深度學習是機器學習的一個子集，機器學習本身就是人工智能的一個分支。因此，深度學習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網所產生的大量數據是有道理的。當它應用于機器視覺軟件時，深度學習允許機器從大量圖像中學習。

　　為了幫助機器執行特定任務，深度學習程序利用多層軟件神經網絡來學習執行任務所需的要求。人類訓練深度學習程序來獲取信息的方式與兒童學習的方式大致相同。隨著時間的推移，程序通過標記產品示例查看數千張指定為此類的圖像后，學會區分“好”和“壞”模式。

　　深度學習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、旋轉和扭曲，它可以容忍組件外觀的一些變化。

　　但是圖像質量問題和復雜的表面紋理給檢測過程帶來了嚴峻的挑戰，機器視覺系統通常難以區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捕獲并拒絕，但外觀偏差可能不會，因為這些系統可能無法區分它們。

　　由于照明、顏色變化、曲率和視野等變量難以區分，機器視覺系統在總裝檢測中也受到嚴重限制。對于這種檢查，深度學習要有效得多。

　　與機器視覺相比，深度學習程序最適合沒有預定義形狀的檢測應用。發現諸如劃痕之類的外觀缺陷或定位具有預定義形狀的對象是深度學習程序執行得非常好的任務。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。深度學習的缺點是，由于收集和學習了所有數據，處理有關對象的信息有時會相當慢，因此機器視覺的更高處理速度為其帶來了明顯的優勢。

　　深度學習對機器視覺的未來有何影響？

　　深度學習程序在檢查不規則或異常物體方面表現出色，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的功能范圍，使這兩種技術互補。盡管這些系統需要“人在循環中”來訓練和標記產品，但機器視覺和深度學習在一致性、可靠性和速度方面遠遠超過了人工檢查的能力。深度學習具有擴展的潛力，并且由于這種潛力才剛剛開始實現，它有望擴大制造業的能力范圍。