大家可能听说过深度学习是机器视觉的下一个颠覆性技术，当然，当涉及到基于特征或基于启发式的训练方法时，深度学习肯定有其优点，但训练深度学习解决方案需要多长时间，训练过程到底有多复杂，是否真的需要数百万张图像才能完成训练，我们将在篇文章中回答这些问题。翰宁智能最近几年来一直在致力于研发基于深度学习的机器视觉技术，已经积累了很多成功和失败经验，我们将与您分享一些开发过程中获取的经验。

Q:深度学习与其他机器学习算法有何不同？

所以在进一步探究深度学习之前，先让我们尝试去了解，深度学习与任何其他基于机器学习的算法或架构的真正不同之处是什么？从机器学习的基础来说，机器学习是机器实际从样本中学习的能力，所以，假设您想确定装配线或制造零件中的缺陷部分，当您给出样本时，系统进入学习模式并识别对分类事物起决定性因素的重要特征，在传统机器学习中涉及的一个步骤是使用特征提取方法，因此您必须识别特征，例如边缘（edges）或颜色（colour）或对比度（contrast），或有关该图像的某些重要内容，以便于将某些内容分类为缺陷或非缺陷，因此必须以编程方式完成特征提取，然后将其输入神经网络以促成最终结果。但在深度学习中，将某些事物分类为有缺陷或非缺陷特征的提取部分被从过程中抽象出来，因此您只需给出样本，系统就会根据这个大神经网络，分析出哪些特征对结果有实际贡献，具体哪些内容是机器学习和深度学习需要的。

综上所述，深度学习和普通机器学习之间的第一个区别就是，是否有使用编程方式进行特征提取。 

第二个区别是用于训练的数据量，如上图所示，旧机器学习算法中预期结果的相关性数据量使性能趋于平稳，换句话来说，旧机器学习算法在性能准确性方面达到了饱和水平，因此您提供的数据越多，它在提高准确性方面并没有真正发挥作用。深度学习需要大量的数据，给它的数据越多，深度学习将按比例提升模型精度，准确度本身没有技术上的限制，数据越多，深度学习输出的性能结果越好，这使得深度学习非常流行。但另一方面，如果需要数万甚至数百万张图像进行训练（实际上很难做到），由于环境受限，需要如此大的数据集进行训练的模型实际上是不可能的，基于具体对象现实情况的复杂程度，我们能够用大约几千张图像进行训练并获得相当准确的模型，现在有一些方法可以实际增强我们获得的训练数据，聚焦学习我们预先选择训练过的权重，在前期已经完成的工作基础上进一步有方向性的积累和沉淀，以此提升学习效率并降低所需数据量。

Q:深度学习真的有效吗？
答案是肯定的，我们已经看到了许多成功案例，我们知道深度学习算法领域的有效性，因此，第一个建议是确保您选择正确的问题集，并拥有足够的训练样本来源并准备好训练样本，然后您可以使用这些样本来训练您的模型。第二个建议是在部署的过程中与最终客户一起设定期望，告诉他们这将是一个逐步迭代的过程，在得到结果之前将有一个很长的训练周期，不像基于规则的算法，您可以采取一两个样本进行设置然后提供演示，对于深度学习，您至少需要几百个样本才能为您的客户提供有意义的结果。要记住的第三点是确保持续监控（monitoring）推理（inference）已完成检查的图像（inspected images）以识别不准确的原因，通常您会开始识别系统所有不同错误分类中的形成模式，而您一旦你知道这些模式是什么，你就能够填补这些，通过训练更多这样的样本，这就能够填补系统中的准确度差距。

总而言之，第一、确保准备好尽可能多的样本进行训练，第二 、给客户设定合理的期望，第三、遵循迭代方法来确定精度差距，并持续训练系统以确保精度，最后系统将获得优于人工检查员的准确性。

翰宁智能的团队将严格遵循上面的3个步骤，基于我们的长期的经验和技术积累，通过翰宁®Vision软件平台为客户部署深度学习机器视觉技术，为客户带来更高效益。
联系我时，请说是在东莞机械网看到的，谢谢！