深度学习与机器视觉和人工检查
深度学习既灵活又强大
几十年来，机器视觉系统一直在教计算机如何执行检查，例如检测制造产品中的缺陷、污染物、功能缺陷和其他异常。但是，在需要通过实例学习和鉴别可接受的控制偏差的情况下，人类视觉检测占优势。相比之下，机器视觉可提供计算机化系统能实现的速度和稳健性。
机器视觉因其速度、准确性和可重复性而在结构化场景的定量测量中具有优势。利用适当的相机分辨率和光学件配置制造的机器视觉系统可以轻松检测人眼难以看到的物体细节，并且检测的可靠性较高，错误也较少。在生产线上，机器视觉系统可以可靠且重复地每分钟检查数百或数千个部件，远远超过人类的检测能力。
与传统的机器视觉不同，人类擅长区分细微的表面和功能缺陷，以及区分可能影响感知质量的部分外观变化。虽然人类处理信息的速度有限，但人类有特殊的概念化和概括的能力。人类擅长通过实例学习，并且在部件有小异常时，能够区分真正重要的部分。在很多情况下，这使人类视觉成为定性解释复杂、非结构化场景的理想选择 - 尤其是那些有微小缺陷和不可预测缺陷的场景。
深度学习技术使用模拟人类智能的神经网络来区分异常、部件和字符，同时能够应对复杂图案中的自然差异。这样，深度学习将人工视觉检测的灵活性与计算机化系统的速度和稳健性相结合。
