传统视觉检测和深度学习检测

　　传统视觉检测zw5机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_

　　在机器学习，深度学习还没有发展的这么火热之前， 国外几款做的几款非常好的视觉软件业内人士应该都很清楚。比如Halcon, Visionpro, Cognix, MIL等等都是业内用的比较多，而且比较成功的视觉软件。其中很多模块都有定位，测量，检测等功能。zw5机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_

　　但是这些传统的方法来做缺陷检测大多都是靠人来特征工程， 从形状，颜色， 长度，宽度，长宽比来确定被检测的目标是否符合标准，最终定义出一系列的规则来进行缺陷检测。这样的方法当然在一些简单的case中已经应用的很好， 唯一的缺点是随着被检测物体的变动，所有的规则和算法都要重新设计和开发，即使是同样的产品，不同批次的变化都会造成不能重用的现实。zw5机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_

　　总结：传统机器视觉算法通常处理容易提取，容易量化的特征：颜色、面积、圆度、角度、长度等。zw5机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_

　　深度学习检测zw5机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_

　　随着机器学习， 深度学习的发展，很多人眼很难去直接量化的特征， 深度学习可以搞定， 这就是深度学习带给我们的优点和前所未有的吸引力。很多特征我们通过传统算法无法量化，或者说很难去做到的， 深度学习可以搞定。特别是在图像分类， 目标检测这些问题上取得了显著的提升。zw5机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_

　　这些算法给其他领域提供了很多参考和借鉴意义。比如本文讨论的缺陷检测， 上面的很多网络的特点，以及方法都给了我们很多的启发，我们在设计网络结构的时候，配合自己在产线部署的硬件性能，设计适合项目的网络结构。zw5机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_

　　当然，深度学习的方法用来检测，也有自己的很多缺点。例如：数据量要求大，工业数据收集成本高。但是随着数据增强技术，无监督学习的不断进步，在某些应用场景上，这些缺点渐渐被隐藏了。例如学术界正在研究的，自动网络结构设计，自动数据标注等等。所以作者认为随着技术的发展，这个领域将会得到很大的提升，人工检测终将会被机器检测替代。然后你看到的无人工厂更加会无人化～zw5机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_