什么是深度学习？
深度学习是机器学习的一个子集，机器学习本身就是人工智能的一个分支。因此，深度学习提供了先进的分析工具来处理在“智能”制造中部署传感器和物联网所产生的大量数据是有道理的。当它应用于机器视觉软件时，深度学习允许机器从大量图像中学习。
为了帮助机器执行特定任务，深度学习程序利用多层软件神经网络来学习执行任务所需的要求。人类训练深度学习程序来获取信息的方式与儿童学习的方式大致相同。随着时间的推移，程序通过标记产品示例查看数千张指定为此类的图像后，学会区分“好”和“坏”模式。
深度学习与机器视觉有何不同？
机器视觉软件可靠地检查一致、制作精良的组件，因为它采用基于规则的算法和基于其特征的逐步过滤。由于组件在空间中的位置和方向的缩放、旋转和扭曲，它可以容忍组件外观的一些变化。
但是图像质量问题和复杂的表面纹理给检测过程带来了严峻的挑战，机器视觉系统通常难以区分彼此非常相似的零件之间的可变性和偏差。虽然“功能性”偏差通常会被机器视觉系统捕获并拒绝，但外观偏差可能不会，因为这些系统可能无法区分它们。
由于照明、颜色变化、曲率和视野等变量难以区分，机器视觉系统在总装检测中也受到严重限制。对于这种检查，深度学习要有效得多。
与机器视觉相比，深度学习程序最适合没有预定义形状的检测应用。发现诸如划痕之类的外观缺陷或定位具有预定义形状的对象是深度学习程序执行得非常好的任务。这些程序还可以通过确认所有组件正确且就位来简化包装和验证。深度学习的缺点是，由于收集和学习了所有数据，处理有关对象的信息有时会相当慢，因此机器视觉的更高处理速度为其带来了明显的优势。
深度学习对机器视觉的未来有何影响？
深度学习程序在检查不规则或异常物体方面表现出色，并且具有在总装检查中对变量进行分类的粒度。这些功能扩展了机器视觉系统的功能范围，使这两种技术互补。尽管这些系统需要“人在循环中”来训练和标记产品，但机器视觉和深度学习在一致性、可靠性和速度方面远远超过了人工检查的能力。深度学习具有扩展的潜力，并且由于这种潜力才刚刚开始实现，它有望扩大制造业的能力范围。
