深度学习概念

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

深度学习在缺陷类项目中的运用

在缺陷检测类项目中，因为缺陷类型、形状、大小等不定因素，加大了缺陷检测类项目的难度。而利用深度学习，提前对不同类型、形状、大小的缺陷图片标记处缺陷位置，生成缺陷类库，在实际运行过程中，将图片与类库中的缺陷进行比对即可快速得出结果。通过不断的丰富缺陷类库，慢慢降低误判及漏判率，使系统趋于稳定状态。

深度学习（AI）

AI技术的运用，使机器视觉能够具有超越现有解决方案的能力，胜任更具挑战性的应用。

AI在机器视觉中的适用性依赖于机器学习技术，更准确的说是深度学习能力。从最广泛的层面上来说，AI可以被定义为计算机模拟人类智能的能力。机器学习使计算机能够在没有明确编程的情况下进行操作。深度学习，是机器学习的一个子领域，使计算机能够从经验中不断学习。

在机器视觉领域，通过与标准图像处理库集成的软件，可以像小孩子一样进行学习。比如，“你不会用一个基于规则的方式跟孩子解释房子是什么。通过很少的例子，即使在年幼的时候，我们的大脑也能够认知到房子是什么。在这方面，深度学习系统与人类大脑运作相似。”

深度学习优点

较传统机器视觉解决方案，AI可以减少开发机器视觉程序所需的时间

应用领域

缺陷检测类项目，传统算法来编程，计算机难以定义缺陷，需要在每次出现新的缺陷时重做设置，但是通过拥有大量样品的人工智能，最终可以得到一个非常清晰的认知，知道哪些部分是好的，哪些是不好的。

• 医疗
• 木材分级
• 生命科学
• 假冒检验等
• 食品

这些应用中都有很多不太容易做出判断的决定点。

方案设计——检测效果

方案设计——检测效果

方案设计——数据统计

通过不断积累，已训练图片3540张，目前系统效果为，误判率7%，漏判率1%。