机器视觉就是用机器代替人眼来完成观测和判断,常用于大批量生产过程中的产品质量检测,不适合认得危险环境和人眼视觉难以满足的场合。机器视觉可以大大提高检测精度和速度,从而提高生产效率,并且可以避免人眼视觉检测所带来的偏差和误差。
深度学习(DeepLearning)是近年来人工智能领域取得的重要成果。目前它在自然语言处理、图像识别、视频分析、语音处理等众多领域的都取得了巨大进步。目前的深度学习模型实质上就是深层神经网络,其源于人工神经网络的研究。深度学习的模型结构是一种含多层隐藏层的神经网络。通过组合低层特征形成更加抽象的高层特征。
由于神经网络包含大量参数,所以训练后的模型很容易出现过拟合情况,即训练后的模型在训练集上进行测试能有很高的准确率,但应用到测试集上效果就很不理想。主要原因是以前的训练集规模通常都比较小,另外计算性能低,即使是训练一个较小的神经网络也需要花费很长的时间。因此与其他模型相比,神经网络并未在识别准确率上体现出明显的优势。
随着互联网和物联网的快速发展使得海量数据得以产生,大规模数据集的出现在一定程度上缓解了训练过程中模型出现过拟合的现象。此外计算机硬件性能的不断提升计算能力显著增强,如今一个GPU芯片可以集成许多个核,使得深层次大规模神经网络的训练变得容易。这些因素的改变让深度学习在众多领域取得了巨大的成功并且广泛受到关注。
目前机器视觉领域众多公司都推出了他们的深度学习工具如:康耐视VIDI、HALCON的DeepLearning、海康威视MasterVision等等;虽然目前深度学习在工业领域落地的项目并不多,但是越来越多的公司开始投入人力物力。可以说深度学习是传统机器视觉领域发展的一个大趋势,接下来会有越来越多的项目落地,谁能把握住这个转变,谁就会在未来的竞争中脱颖而出。
1.机器视觉常用的功能:
2.机器视觉应用的领域
3.机器视觉典型应用
(1). 图像分类、目标检测:
(2). 坐标定位、位置变换:
(3). 特征判断,字符识别:
(4). 语义分割:
(5). 步态识别、重识别:
(6). 图像检索:
后续将会以一系列文章详细讲解tensorflow深度学习原理以及Halcon深度学习案例的拆解及实际的应用。
本文未经作者允许,不得私自转载。如有需要可先向作者联系(留言)取得授权许可。谢谢