机器视觉系统中常用的深度学习技术主要包括以下几种：
1. 卷积神经网络（CNN）：
CNN是图像分类中最流行的架构，通过多层网络结构，逐层提取图像的高级特征，最终实现分类。它包括卷积层、池化层和全连接层。卷积层通过卷积核在图像上滑动，提取图像的局部特征；池化层对卷积层输出的特征图进行降维，减少计算量并增强特征的鲁棒性；全连接层将池化层输出的特征图展平为一维向量，并通过全连接网络进行分类决策。
2. 目标检测模型：
目标检测是指在图像或视频中，识别出目标物体所在的位置，并标注出其所属的类别的任务。常用的目标检测模型包括Faster R-CNN、YOLO和SSD等。Faster R-CNN通过在区域提议网络中引入锚点来提高检测速度；YOLO将目标检测任务转化为一个回归问题，通过卷积神经网络预测目标的类别和位置；SSD通过在每个特征层上应用不同大小和形状的先验框，从而实现对不同尺度目标的检测。
机器视觉系统中还可能涉及其他深度学习技术，如图像样式转移、图像着色、影像重建、图像超分辨率和图像合成等，这些技术根据具体应用场景和需求进行选择和应用。
机器视觉系统中常用的深度学习技术主要包括卷积神经网络（CNN）和目标检测模型等，这些技术为机器视觉系统提供了强大的图像处理和识别能力。
