“深度学习”是最近大家谈论最多的话题之一，它是机器学习的一个领域，这种技术可以对电脑进行训练并让其具备学习能力。深度学习（可以通过人工神经网络等架构完成）通过处理数据和创建用于决策制定的模式，来模仿人类大脑的工作方式。

      图1：图中显示了使用康耐视ViDi Suite软件的检测结果，它发现了所有的关键元器件。

    近期，关于谷歌、Facebook、IBM、英特尔和微软等大公司涉足深度学习领域的消息纷纷占据了各家媒体的头条；最近，一些机器视觉软件公司已经在他们的产品中部署了深度学习技术，另外也有一些公司的全部产品都是基于该技术的。

    以瑞士ViDi Systems公司为例，这家公司在今年早些时候被康耐视收购。ViDi Systems公司由计算神经科学博士Reto Wyss于2012年创立，该公司开发的软件使用人工智能技术，用于改善应用中的图像分析，而这些应用都难以预测全方位的图像变化。

    利用反馈信息，该软件对系统进行培训，以区分“可接受的变化”和“缺陷”。康耐视ViDi Suite套件包含三种不同的工具：ViDi Blue（夹具）、ViDi Red（分割和异常检测）和ViDi Green（物体和场景分类）。康耐视的深度学习软件专门针对检测应用，并且已经在制药、医疗产品、汽车、纺织、印刷和钟表等行业获得了成功案例。

    “我们将深度学习作为传统机器视觉的一种补充。”康耐视视觉软件市场营销总监John Petry解释说，“经典的几何图案发现和边缘检测，仍然是为机器人引导或其他精确测量提供亚像素级精度的最佳方法。深度学习在零件质量的类人判断和其他基于样本的决策中最具价值性，因为它是通过样本进行训练的，它不再需要之前的检测应用所需要的高级视觉技能。”

                            图2：SUALAB SuaKIT图形用户界面。

    韩国SUALAB公司是另一家开发基于深度学习的机器视觉软件的公司。SUALAB最近发布了SuaKIT检测软件，这是一个基于各个工业场所产生的实际图像数据的库，具有分割和分类的主要功能。当软件的深度学习算法被教授正常产品和缺陷产品的新图像时（教授速度：在30分钟内学习多达1000幅分辨率为2048×2048的图像），使用神经网络来自动识别缺陷的值。

    即使没有丰富编程经验的用户也可以使用该软件，因为它不需要针对逐个实例进行编程，而是通过收集和输入有关缺陷的数据、通过自学来工作的。SuaKIT还可以通过CUDA（统一计算设备架构）技术，使用高性能GPU来实现数据的高速处理。

                       图3：在MVTec MERLIC中使用基于深度学习的OCR。

    “使用深度学习，检测过程中的错误可以大大减少，因为它是建立在能够进行自学习并进一步自我完善的系统之上的；这些都是通过简单地收集和输入缺陷数据来实现的。”SUALAB公司业务组副经理Hanjun Kim说道，“深入学习加上CUDA技术，使得SuaKIT即使在需要高速度的制造过程中，也能表现出更高水平的性能（超过传统方法）。”

    德国MVTec公司也将深度学习技术融入了其著名的HALCON和MERLIC机器视觉软件产品中。自HALCON 13版本开始，MVTec就在提供基于深度学习的光学字符识别（OCR）。现在，HALCON软件中包含一个基于深度学习技术的OCR分类器，其可以通过许多预训练字体使用。MVTec表示，有了这些功能，其在OCR方面将有望获得比之前所有分类方法更快的读取速度。

    此外，MVTec发布的新闻稿中也表示，随着新版本HALCON软件的即将发布，客户可以基于深度学习算法进行卷积神经网络（CNN）培训。然后，可以使用培训过的网络来自动分类对应于预定义类别的图像数据。

    MVTec公司HALCON产品经理Johannes Hiltner评论说：“新版HALCON软件专门为了满足当前机器视觉领域的发展趋势和强烈的市场需求。通过使用自培训网络，客户可以节省大量的精力、时间和金钱。”

    Johannes Hiltner继续说道：“例如，它仅通过参考图像就能识别缺陷类别，因此不再需要繁琐的编程来识别不同的缺陷类别。在工业机器视觉环境中，深度学习主要用于出现在许多应用中的分类任务，例如工业产品的检测或部件的识别。”

    MVTec还发布了基于MERLIC的机器视觉解决方案的视频内容，该解决方案使用其基于深度学习的“Read Text and Numbers”工具来读取产品的有效期。

    美国Cyth Systems公司是另一家开发深度学习软件的公司。该公司的Neural Vision软件，专门为帮助没有机器视觉经验的用户进行产品检查和产品分类而设计。在传统的机器视觉系统中，程序员选择分析算法应用于一幅图像，如孔检测、温度分析或宽度测量，以检测一幅图像并确定被检测的产品是否合格。

                  图4：使用Cyth Systems的Neural Vision软件进行工业检测。

    由于系统被提供相关对象的图像，并告知系统特殊零件是什么样的，或者它看到的是好还是坏，这个过程使用了数以百万计的算法来学习识别系统正在看到的东西。通过向系统展示各种各样的变化，如照明、阴影和环境，系统将学会理解哪些特征对于识别零件是重要的，哪些特征是不重要的。

    “Cyth已经在AI领域拥有多年的经验，我们看到最近AI技术在机器视觉领域的可用性达到了一个新的高度，这是非常了不起的。一旦适当的检测环境到位，Neural Vision将会帮助那些没有机器视觉经验的用户，能够完全控制他们的检测需求。”Cyth Systems首席执行官Andy Long说道。

    随着上述这些致力于开发深度学习软件和软件工具的公司的努力，以及越来越多的用户在他们的应用中成功地部署该技术，深度学习技术将在市场上越来越流行。