傳統視覺檢測xch機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　在機器學習，深度學習還沒有發展的這么火熱之前， 國外幾款做的幾款非常好的視覺軟件業內人士應該都很清楚。比如Halcon, Visionpro, Cognix, MIL等等都是業內用的比較多，而且比較成功的視覺軟件。其中很多模塊都有定位，測量，檢測等功能。xch機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　但是這些傳統的方法來做缺陷檢測大多都是靠人來特征工程， 從形狀，顏色， 長度，寬度，長寬比來確定被檢測的目標是否符合標準，最終定義出一系列的規則來進行缺陷檢測。這樣的方法當然在一些簡單的case中已經應用的很好， 唯一的缺點是隨著被檢測物體的變動，所有的規則和算法都要重新設計和開發，即使是同樣的產品，不同批次的變化都會造成不能重用的現實。xch機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　總結：傳統機器視覺算法通常處理容易提取，容易量化的特征：顏色、面積、圓度、角度、長度等。xch機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　深度學習檢測xch機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　隨著機器學習， 深度學習的發展，很多人眼很難去直接量化的特征， 深度學習可以搞定， 這就是深度學習帶給我們的優點和前所未有的吸引力。很多特征我們通過傳統算法無法量化，或者說很難去做到的， 深度學習可以搞定。特別是在圖像分類， 目標檢測這些問題上取得了顯著的提升。xch機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　這些算法給其他領域提供了很多參考和借鑒意義。比如本文討論的缺陷檢測， 上面的很多網絡的特點，以及方法都給了我們很多的啟發，我們在設計網絡結構的時候，配合自己在產線部署的硬件性能，設計適合項目的網絡結構。xch機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　當然，深度學習的方法用來檢測，也有自己的很多缺點。例如：數據量要求大，工業數據收集成本高。但是隨著數據增強技術，無監督學習的不斷進步，在某些應用場景上，這些缺點漸漸被隱藏了。例如學術界正在研究的，自動網絡結構設計，自動數據標注等等。所以作者認為隨著技術的發展，這個領域將會得到很大的提升，人工檢測終將會被機器檢測替代。然后你看到的無人工廠更加會無人化～xch機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺