随着工业4.0的到来，机器视觉技术已经逐步成为工业自动化生产过程中不可或缺的一环，大大提高了检测效率和精度。

在瞬息万变的数字化时代，人工智能技术在计算机视觉领域取得的突破性进展，让机器视觉迎来了黄金发展期，也带动了深度学习这项技术的不断成熟，深度神经网络模型不断涌现，算法性能被不断刷新，在工业中的外观检测中发挥了极大的效用。

深度学习与传统机器视觉有什么不同？

在深度学习出现以前，传统的机器视觉通过图像算法提取特征，根据特征的数值来区分物品，不需要大量的图片，只需要几种分类的典型图片，和类别之间的临界图片，就能完成整个分析过程，且人工分析在整个过程当中起到了主导的作用。

在功能应用方面，传统机器视觉技术更适合精确检测与定位，处理速度快，对硬件处理能力要求不高，可以应用在：测量检测、读码检测、有无检测、定位引导。

而深度学习引入了“端到端学习”的概念，即向机器提供的图像数据集中的每张图像均已标注目标类别。深度学习中的独特优势使其在缺陷自动检测中具备重要的实用价值，攻克了传统算法被复杂背景干扰、无法对缺陷类型稳定分类等问题。

在功能应用上，深度学习更适合目标分类，需要对大量检测目标样本进行训练，处理量大，自然环境下的检测精度一般在80%左右，需要采用高性能的GPU处理设备提高检测速度。可以应用在：材料类缺陷检测、表面缺陷检测、可变形物体定位。

传统机器视觉与深度学习的融合

事实上，传统机器视觉和深度学习都有各自擅长的领域。对于许多应用来说，深度学习并不是正确的解决方案，传统机器视觉基于规则的编程技术在测量和测量以及执行精确对齐方面更胜一筹。

传统机器视觉算法成熟、透明，且为性能和能效进行过优化，而深度学习虽然能提供更好的准确率和通用性，但消耗的计算资源也更大。选择两者之一还是融合使用，通常取决于当下的应用类型和应用特性，以及处理的数据量和处理能力。如果能够将深度学习和传统机器视觉技术相融合，针对深度学习的检测结果，再通过传统机器视觉技术进行精确检测和定位，就可以大大提高AI技术的效率和精度。

许多应用还受益于将基于规则的传统方法与深度学习的相互结合，例如“传统机器视觉+深度学习”的融合可以应用在OCR、数量检测，传统视觉准确这些板块。具体的工作顺序就是：传统机器视觉将准确确定感兴趣区域并进行深度学习检查该区域的最佳选择，然后将基于深度学习的检查结果传递回传统视觉，以对缺陷的大小和形状进行准确地测量，降低实现的难度并提高准确度。

在采用下一代工厂自动化工具时，基于规则的传统机器视觉和基于深度学习的图像分析是互补的，而不是非此即彼的选择。相信随着深度学习技术的不断发展，会促进机器视觉产业走向成熟，也会诞生更多的工业视觉场景应用，为中国制造企业提供全要素、全价值链、全产业链的数据赋能。