外观机器视觉检测设备（基于机器视觉的工件检测）

在很多人眼中，深度学习是一项非常神奇的技术，是人工智能的未来，也是机器学习的圣杯。今天，深视创新将带您揭开它神秘的面纱，了解什么是深度学习。

当我们在网上搜索“深度学习”时，经常可以找到“人工智能”和“机器学习”两个关键词。很多人甚至认为深度学习就是人工智能。事实上，这些概念之间存在一些差异。因此，在介绍其工作原理之前，为了让大家更好地理解深度学习，我们先介绍一下这些概念之间的区别和联系。

人工智能目前还只是一个概念。它是由麻省理工学院的约翰麦卡锡在1956年的达特茅斯会议上提出的。在会议上，人们将人工智能定义为一种可以让机器像人类一样智能地行动的技术，但迄今为止我们还未能实现这个梦想。随着计算机技术的发展和学者们的不断探索，虽然我们目前还无法实现理想的人工智能，但是我们已经找到了一些实现的方法，那就是机器学习。机器学习与我们前面提到的理想的人工智能不同。它可以赋予机器一定的决策能力。它是一个学习已知数据并对其进行分类的分类器。有人认为这不是真正的智能，所以人们把理想的人工智能称为强人工智能，而机器学习则称为弱人工智能。我们现在所熟悉的深度学习，是一种实现机器学习的算法。所以从算法的角度来看，深度学习只是一个分类器。

深度学习的核心算法是CNN神经网络，即卷积神经网络。这个网络早在1989年就出来了。最初，人们用它来解决手写字符识别的问题。但由于当时计算机的硬件水平，其处理速度缓慢，并没有扩展到其他应用领域。 1999年GPU的出现为卷积神经网络重返历史舞台提供了良好的条件。随着GPU高效的处理能力，卷积神经网络算法开始得到应用。其优异的分类能力逐渐得到各个应用领域的认可。在Alpha Go击败围棋冠军李世石之后，人们对深度学习技术的期待达到了顶峰。但我相信人们很快就会发现深度学习只是我们目前拥有的一种新的非线性分类器。与其他分类器一样，它需要训练才能实现分类功能。例如，通过对水果图像的训练，可以帮助我们确定图像中水果的类型。

深度学习作为一种机器学习分类器，在很多具有模糊特征的分类领域都有着良好的表现，比如在自动驾驶、照片分类等应用领域。与其他分类器相比，深度学习不仅可以对图像的特征进行分类，还可以通过训练来学习图像中的特征。该特征对于特征难以描述的图像分类任务非常有帮助。

是什么赋予深度学习如此神奇的力量？这要从其独特的卷积神经网络开始。

常用的边缘提取卷积算法。

卷积是一种积分变换的数学方法，广泛应用于图像处理中。我们常用的很多图像滤波器都是通过卷积来实现的。例如，使用所有元素等于1的3x3卷积核对图像进行操作，可以去除图像噪声，突出图像的整体特征。又例如，使用高斯核对图像进行操作可以在保留边缘的同时抑制图像噪声。另外，我们很多著名的边缘提取算法也是通过特定的卷积核来实现的，比如canny、sobel、Laplace等，从中我们不难看出，不同的卷积核可以帮助我们增强图像中不同的特征。然而，如何选择正确的卷积核是一件非常困难的事情，需要具有丰富图像处理经验的程序员才能做到。深度学习最大的优点是可以通过权重训练来训练卷积核。

输入图像经过卷积、池化、再卷积、池化的过程。最后将所有图像数据转换为特征向量输入全连接层，得到最终的分类结果。

一个卷积神经网络可以有多个卷积层，不同的卷积层可以设置不同的卷积核大小和数量。通过卷积，我们可以生成一组特征图像以供后续算法使用。与图像滤波不同的是，卷积核中的每个元素不是人为指定的，而是通过计算得到的。这里我们将卷积核中的每个元素作为网络的权重，并通过训练逐步修改它们。理论上，我们可以将图像上的每个像素作为特征值直接输入到全连接层中，但这会使神经网络过于复杂。因此，我们使用卷积层通过共享权重来简化我们的网络。我们所说的权值共享并不是指同一个卷积核中的所有值都相同，而是指在整个图像的卷积过程中，卷积核保持不变，图像中的所有像素共享相同的值。相同的卷积核权重。通过权重共享，可以减轻网络的训练负担，缩短分类时间，使网络更加实用。

通常，卷积层后面跟着池化层。在池化层中，对特征图像进行下采样。下采样的方法有很多种，比如选择指定范围内数值最大的特征或者使用该范围内所有特征的平均值作为新特征图的特征值。

池化层可以帮助我们降低后续特征图像的计算复杂度。另外，采样过程相当于变相缩小图像，这也使得后续卷积层中训练图像轮廓成为可能。例如，在较浅的网络中，我们可以训练类似于sobel 的卷积核来检测指定的边缘方向，而在更深的层中，我们可以训练突出显示折线或其他形状的卷积核。

经过一系列卷积层和池化层后，特征数据将被发送到全连接层进行分类。全连接层是一个非线性分类器，称为多层感知器（MLP）。具有良好的非线性分类能力。无论深度学习技术如何，这个分类器也可以单独使用，但是需要手动提取输入特征，而不像在卷积神经网络中，由之前的网络计算。通过全连接层的分类，我们最终可以得到样本被划分到所有类别的概率。通过计算这些概率，我们就可以得到最终的分类结果。

通过上面的介绍，相信大家已经对卷积神经网络的结构有了一定的了解。从网络的结构中不难看出，卷积神经网络非常适合对模糊特征进行分类，而合理的网络结构和合适的参数是网络成功分类的关键。如果你想构建自己的网络，你需要了解网络中每一层的目的和相互作用，这需要一定的数学基础。当然，从应用角度来说，我们可以直接使用别人搭建的网络或者算法库，这缩短了我们的研发周期。

文章来源：创新深度观

审稿人：刘庆