首先，我们得知道工业机器视觉一般需要处理什么任务？
机器视觉作为一种基于2D或者3D相机传感器的工业自动化技术，在工业视觉领域具有广泛而成熟的应用。
在3C、半导体、汽车等行业大量使用机器视觉技术进行异常识别、标签识别等、物料定位等工作。
工业自动化离不开感知技术和运动控制技术，就像人离不开眼和手。而人体所获得的信息，80％来自于视觉，可想而知，视觉感知技术一定是工业自动化领域最重要的技术之一。
而传统机器视觉，是存在明显局限的。
传统机器视觉存在什么局限
传统机器视觉的图像处理系统，其工作原理简单理解起来是这样：
1、在图像中找到边、角等人为定义的目标特征；
2、基于目标特征在图像中存在与否、多个目标特征之间的距离的数值进行逻辑判断来完成视觉任务。
使用这套技术，需要由视觉工程师基于视觉任务的特定需求，进行目标特征的定义以及数值判断的阀值定义，设计好了之后形成程序由机器执行。
而传统机器视觉逻辑简单的局限性，则体现在无法适用于随机性强、特征复杂的工作任务。
由于只能从有限的特征中进行排列组合，视觉工程师无法通过”边“、”角”来表达“密集的点状凹凸不平”这种综合的、复杂的判断目标。或者表达能力很差，导致识别准确度不好。
因此，传统机器视觉是无法解决以上问题的。
而这样的复杂特征问题，恰恰是深度学习技术最擅长解决的问题。
深度学习如何解决复杂特征问题
相比传统机器视觉通过视觉工程师来设计算法模型，深度学习技术最大的不同在于，程序能够自主发现需要用什么特征，通过什么样的逻辑关系来完成图像分析任务，实现由程序来设计算法模型。
以乐高积木来类比的话，在传统机器视觉里，人类的工作是从100个乐高元素里挑出数十个，组装起来执行人类设计好的逻辑动作，完成相关任务；
而深度学习里，人类告诉机器需要完成的任务，由机器从1亿个乐高元素里，挑出数万个，组装起来并选择需要执行的逻辑动作来完成该任务。其表达能力远远高于人类专家。
由于深度学习可以从更多的特征可能性中进行选择，并自行决定特征之间的逻辑关系，深度学习就具备了通过从海量像素点中，选择一组特征，并通过这组特征表达‘密集的点状凹凸不平’的能力。
在实际应用中，使用深度学习训练的模型可以准确地对图片中的随机缺陷进行识别，并可以准确地将指定的缺陷有效地标识出来，真正实现了随机性强、特征复杂的随机缺陷的检测。
深度学习能否达到工业精度要求
我们通常会认为，工业应用对于技术精度和稳定性的要求要高于民用技术。
所以，在消费领域火热的深度学习技术，是否能够满足工业指标呢？我们以外观缺陷检测为例，看看工业检测具体需要考虑哪些指标。
漏判率：漏判会直接造成不良品流向终端客户。所以漏判率要求通常低于 100 PPM。
误判率：误判会直接对工业企业的良率造成影响，会造成物料的浪费。企业对误判率的要求通常要求在1％－5％之间。在漏判率达标的前提下，只有大幅降低误判率，才能达到减人的目标。
节拍：不同行业有较大差异，如电子行业的节拍要求在5秒以内，机械加工行业的节拍要求在几十秒以内。
一方面，深度学习目前的行业普遍技术水平已经能够达到95％以上的判定准确率。通过平衡漏判率和误判率，更加严格地控制漏判，可以让漏判率降到100PPM以下，而误判率降到5％以下。
另一方面，针对节拍的要求，由于目前GPU显卡可以达成每秒80祯的图像处理速度，5秒内可以完成400张图片的判定。
而一般3C行业的产品较小，只需要10张以内的照片就可以完成产品的覆盖，比如大的机加工产品，也只需不到100张图片进行产品表面的全覆盖。图像处理的速度完成可以满足节拍的要求。
所以，如果你的工业生产线中，也需要用的到深度学习方面的技术，那么不妨和我们盈泰德科技聊聊，我们会先根据你的需求分析，从一个专业的角度免费来给你设计一个合适你的方案，然后听取你的意见，再详细洽谈，最后即使没能达成合作，我们也非常希望能多认识个朋友。
