深度學習缺陷檢測用什麼網路

Ⅰ 什麼是深度學習

隨著阿爾法狗、無人駕駛、智能翻譯的橫空出世，「人工智慧」這個已經存在60多年的詞語，彷彿一夜之間重新成為熱詞。同時被科技圈和企業界廣泛提及的還有「機器學習」「深度學習」「神經網路」…… 但事實是，如此喧囂熱烈的氣氛之下，大部分人對這一領域仍是一知半解。

如果要說誰有資格談論目前正在進行的「人工智慧革命」，特倫斯·謝諾夫斯基（Terry Sejnowski）必然是其中一個。

在智能翻譯、無人駕駛、阿爾法狗、微軟小冰還被認為是遠在天邊的願景時，謝諾夫斯基就已經在為深度學習領域奠定基礎了。

《深度學習：智能時代的核心驅動力量》

中信出版集團 2019.2

Q：首先，我想問一下定義。人們幾乎可以互換地使用「人工智慧」，「神經網路」，「深度學習」和「機器學習」等詞語。 但這些是不同的東西。你能解釋一下嗎？

人工智慧可以追溯到1956年的美國，那時工程師們決定編寫一個試圖仿效智能的計算機程序。

在人工智慧中，一個新領域成長起來，稱為機器學習。不是編寫一個按部就班的程序來做某事——這是人工智慧中的傳統方法——而是你收集了大量關於你試圖理解的事物的數據。例如，設想您正在嘗試識別對象，因此您可以收集大量它們的圖像。然後，通過機器學習，這是一個可以剖析各種特徵的自動化過程，就可以確定一個物體是汽車，而另一個是訂書機。

機器學習是一個非常大的領域，其歷史可以追溯到更久遠的時期。最初，人們稱之為「模式識別」。後來演算法在數學上變得更加廣泛和復雜。

在機器學習中有受大腦啟發的神經網路，然後是深度學習。深度學習演算法具有特定的體系結構，其中有許多層數據流經的網路。

基本上，深度學習是機器學習的一部分，機器學習是人工智慧的一部分。

Q: 有什麼「深度學習」能做而其他程序不能做的嗎？

編寫程序非常耗費人力。在過去，計算機是如此之慢，內存非常昂貴，以至於人們採用邏輯，也就是計算機的工作原理，來編寫程序。他們通過基礎機器語言來操縱信息。計算機太慢了，計算太貴了。

但現在，計算力越來越便宜，勞動力也越來越昂貴。而且計算力變得如此便宜，以至於慢慢地，讓計算機學習會比讓人類編寫程序更有效。在那時，深度學習會開始解決以前沒有人編寫過程序的問題，比如在計算機視覺和翻譯等領域。

機器學習是計算密集型的，但你只需編寫一個程序，通過給它不同的數據集，你可以解決不同的問題。並且你不需要是領域專家。因此，對於存在大量數據的任何事物，都有對應的大量應用程序。

Q：「深度學習」現在似乎無處不在。 它是如何變得如此主導潮流？

我可以在歷史上精確地找到這一特定時刻：2012年12月在NIPS會議（這是最大的AI會議）上。在那裡，計算機科學家Geoff Hinton和他的兩個研究生表明你可以使用一個名為ImageNet的非常大的數據集，包含10,000個類別和1000萬個圖像，並使用深度學習將分類錯誤減少20％。

通常，在該數據集上，錯誤在一年內減少不到1％。 在一年內，20年的研究被跨越了。

這真的打開了潮水的閘門。

Q：深度學習的靈感來自大腦。那麼計算機科學和神經科學這些領域如何協同工作呢？

深度學習的靈感來自神經科學。最成功的深度學習網路是由Yann LeCun開發的卷積神經網路（CNN）。

如果你看一下CNN的架構，它不僅僅是很多單元，它們以一種基本上鏡像大腦的方式連接起來。大腦中被研究的最好的一部分在視覺系統，在對視覺皮層的基礎研究工作中，表明那裡存在簡單和復雜細胞。如果你看一下CNN架構，會發現有簡單細胞和復雜細胞的等價物，這直接來自我們對視覺系統的理解。

Yann沒有盲目地試圖復制皮質。他嘗試了許多不同的變種，但他最終收斂到的方式和那些自然收斂到的方式相同。這是一個重要的觀察。自然與人工智慧的趨同可以教給我們很多東西，而且還有更多的東西要去探索。

Q：我們對計算機科學的理解有多少取決於我們對大腦的理解程度？

我們現在的大部分AI都是基於我們對大腦在60年代的了解。 我們現在知道的更多，並且更多的知識被融入到架構中。

AlphaGo，這個擊敗圍棋冠軍的程序不僅包括皮質模型，還包括大腦的一部分被稱為「基底神經節」的模型，這對於制定一系列決策來實現目標非常重要。 有一種稱為時間差分的演算法，由Richard Sutton在80年代開發，當與深度學習相結合時，能夠進行人類以前從未見過的非常復雜的玩法。

當我們了解大腦的結構，並且當我們開始了解如何將它們集成到人工系統中時，它將提供越來越多的功能，超越我們現在所擁有的。

Q：人工智慧也會影響神經科學嗎？

它們是並行的工作。創新神經技術已經取得了巨大的進步，從一次記錄一個神經元到同時記錄數千個神經元，並且同時涉及大腦的許多部分，這完全開辟了一個全新的世界。

我說人工智慧與人類智能之間存在著一種趨同。隨著我們越來越多地了解大腦如何工作，這些認識將反映到AI中。 但與此同時，他們實際上創造了一整套學習理論，可用於理解大腦，讓我們分析成千上萬的神經元以及他們的活動是如何產生的。 所以神經科學和人工智慧之間存在這種反饋循環，我認為這更令人興奮和重要。

Q：你的書討論了許多不同的深度學習應用，從自動駕駛汽車到金融交易。你覺得哪個特定領域最有趣？

我完全被震撼到的一個應用是生成對抗網路，或稱GANS。使用傳統的神經網路，你給出一個輸入，你得到一個輸出。 GAN能夠在沒有輸入的情況下開展活動 - 產生輸出。

是的，我在這些網路創建假視頻的故事背景下聽說過這個。他們真的會產生看似真實的新事物，對吧？

從某種意義上說，它們會產生內部活動。事實證明這是大腦運作的方式。你可以看某處並看到一些東西，然後你可以閉上眼睛，你可以開始想像出那裡沒有的東西。你有一個視覺想像，當周圍安靜時，你鬧鍾聲會浮現想法。那是因為你的大腦是生成性的。現在，這種新型網路可以生成從未存在過的新模式。所以你可以給它，例如，數百張汽車圖像，它會創建一個內部結構，可以生成從未存在的汽車的新圖像，並且它們看起來完全像汽車。

Q：另一方面，您認為哪些想法可能是過度炒作？

沒有人可以預測或想像這種新技術的引入會對未來的事物組織方式產生什麼影響。當然這其中有炒作。我們還沒有解決真正困難的問題。我們還沒有通用智能，就有人說機器人將不久後會取代我們，其實機器人遠遠落後於人工智慧，因為復制身體被發現比復制大腦更復雜。

讓我們看一下這一種技術進步：激光。它是在大約50年前發明的，當時占據了整個房間。從占據整個房間到我現在演講時使用的激光筆需要50年的技術商業化。它必須被推進到體積足夠小並可以用五美元購買它的程度。同樣的事情將發生在像自動駕駛汽車這樣的被炒作的技術上。它並不被期望在明年或者未來10年，就變得無處不在。這過程可能需要花費50年，但重點是，在此過程中會有逐步推進，使它越來越靈活，更安全，更兼容我們組織運輸網路的方式。炒作的錯誤在於人們的時標設定錯了。他們期待太多事情太快發生，其實事物只在適當的時候。

關於深度學習的問題可以看下這個網頁的視頻講解：AI深度學習---中科院公開課。

Ⅱ 大佬們，如果用神經網路去解決水質檢測的項目，用Python還是matlab好點

題主你提到用【神經網路】解決【水質檢測項目】，用【Python】還是【Matlab】。我對【水質檢測】不了解，但猜測是跟【數據分析/挖掘/建模】相關的項目。

Python是時下最熱門【數據分析/挖掘】的工具，其豐富的庫資源可以供你調用各式各樣的【演算法】，包括【神經網路】。再加上Python簡單易學好上手，遍地都是免費的學習資料，這就可以讓大家可以輕松實現一些【機器學習/深度學習的演算法】。另外補充一下，MATLAB幾乎是一個快被工業界淘汰的工具，大概只有學校裡面才會使用吧。你打開招聘網站搜索一下就知道Python比MATLAB火熱得多。

最後再給題主推薦一些書籍和網站吧~

1 Python

1.1廖雪峰Python教程，被譽為Python教父的男人，這個教程非常之經典，也很全面。網頁鏈接

1.2 知乎大佬的Python教程，專為小白設計，適合沒有編程基礎和計算機基礎的人群。網頁鏈接

1.3 Python編程：從入門到實踐。這本書也是新手的福利，講解很細致，後面還會教大家怎麼用Python實現一個游戲項目——飛機大戰，成就感慢慢。網頁鏈接

2 神經網路

2.1 神經網路是機器學習和深度學習的交叉點，深入神經網路之前最好先學一點高等數學和線性代數，這里推薦MIT的公開課網頁鏈接和3Blue1Brown的視頻網頁鏈接

2.2 有了數學方便的基礎後理解神經網路就容易很多了，吳恩達的機器學習很適合入門。網頁鏈接

2.3 看完機器學習再看深度學習的神經網路的話，很容易就能學會了。深度學習推薦這個課程網頁鏈接

Ⅲ 怎麼在移動端用深度學習做實時的物體檢測

首先要明確移動端使用深度學習的問題所在：內存、運行速率以及代碼體積。知道這些就可以思考這些問題了。

• 因為跑深度學習多用比較好的GPU，而手機端明顯不如電腦，所以需要專門優化代碼，這一點可以去借鑒已有的移動端深度學習開發框架，如caffe2、Mxnet、ncnn、mtl等。

• 如果使用深度學習框架的話，可能就要考慮代碼體積和權重大小了，如果你不會網路壓縮的話，建議使用小型網路，這樣的話權重文件也就不會太大。只與代碼體積，網路或者騰訊開源的框架已經降到了幾百K。

• 以上都是基於移動端離線跑的，如果使用雲端，那就不用考慮這些了。
  

Ⅳ 有沒有哪個軟體可以檢測產品的未知缺陷的

目前市面上使用比較普遍的缺陷檢測軟體如：halcon之類的傳統視覺軟體來進行缺陷檢測，對於未知的缺陷HALCON就比較劣勢，從去年開始針對產品外觀檢測行業內開始慢慢使用深度學習演算法的軟體。例如：VIDI，AIDI，ALFA等深度學習軟體。相較於VIDI的價格昂貴，ALFA軟體再行業的性價比和市場應用率還是比較廣泛。
最終還是要看您項目的實際情況來選擇合適的軟體

Ⅳ 想請教python編程深度學習方面的大神SSD目標檢測方面問題

vgg:老物，光芒被googlenet給掩蓋了，真正的優點是 a.feature-map不變則conv-kenel-width這些不變b.用一次pooling,width提升一倍；
resnet:主流網路，在vgg基礎上提升了長度，而且加入了res-block結構,還有resnext,也可以嘗試下。
相幫幫不上啦。。。我也不太會，原來用過resnet 真不會轉換。。。sorry

Ⅵ 求問在工業質檢過程中，數之聯的圖像自動缺陷檢測與分類系統好用嗎

數之聯自動圖像缺陷檢測系統（ADC）通過深度學習技術突破傳統圖像處理技術的瓶頸，提供高精準的缺陷分類結果。並標注缺陷的位置、大小等信息，實現對不良缺陷的自動檢測與分類，提升缺陷檢測與分類的效率和可信度，避免人工視覺檢測的主觀偏差。目前，數之聯在各液晶面板企業均有部署，圖像分類精確度達到95.56%、圖像分類召回率達94.96%，實現了人力80%的有效替代。

在製程缺陷檢測分類系統方面，普遍解決的是對於先進製造企業產線上自動光學檢測設備（AOI）拍攝的缺陷圖像的缺陷檢出與分類問題、判定結果的應用問題，要解決這些問題，實現的關鍵點在於圖像的識別。韓國廠商WINFOR SYSTEM提供的TMS系統在半導體製造企業中使用居多，該系統主要通過完善人工復判功能來提升缺陷圖片判圖分類的效率，沒有通過人工智慧的技術方式為企業用戶提供該項服務；國內知名的缺陷圖像分類系統供應廠商系統採用深度學習演算法模型對於缺陷圖像進行快速分類，但在監控預警方面的功能僅僅只針對系統處理任務的相關數據。

Ⅶ 深度學習技術是是什麼及其發展現狀

簡單來說，機器學習是實現人工智慧的方法，深度學習是實現機器學習的技術。機器學習在實現人工智慧時中需要人工輔助（半自動），而深度學習使該過程完全自動化

三者關系：

舉個例子：通過機器學習演算法來識別水果是橘子還是蘋果，需要人工輸入水果的特徵數據，生成一定的演算法模型，進而可以准確預測具有這些特徵的水果的類型，而深度學習則能自動的去發現特徵進而判斷。

深度學習技術的發展現狀

其實咱們的實際生活中已經有很多應用深度學習技術的案例了。

比如電商行業，在瀏覽淘寶時，頁面中有很多都是符合你的愛好並且最近有意向購買的商品，這種個性化推薦中就涉及到深度學習技術，還有就是在購物界面能和你進行對話，解決疑問的淘寶智能機器人，也涉及深度學習技術。

比如交通領域，通過深度學習技術能監測到車輛停車、逆行等行為，甚至精確識別車輛的車牌號、顏色、車型、車輛里的人物等來輔助交通執法，甚至在發生交通事故和交通擁堵時進行報警等。

比如金融行業，銀行通過深度學習技術能對數以百萬的消費者數據（年齡，職業，婚姻狀況等）、金融借款和保險情況（是否有違約記錄，還款時間，車輛事故記錄等）進行分析進而判斷出是否能進行貸款服務。

比如家居行業，智能家居的應用也用到了深度學習技術，比如智能冰箱通過圖像識別等技術記錄食材種類和用戶日常飲食數據，進而分析用戶的飲食習慣，並根據多維度給出最全面的健康膳食建議。

比如製造行業，機器視覺已經長期應用在工業自動化系統中，如儀錶板智能集成測試、金屬板表面自動控傷、汽車車身檢測、紙幣印刷質量檢測、金相分析、流水線生產檢測等等，機器視覺自動化設備可以代替人工不知疲倦的進行重復性的工作，且在一些不適合於人工作業的危險工作環境或人工視覺難以滿足要求的場合，機器視覺可替代人工視覺。

還有教育行業、醫療行業等，深度學習技術已經滲透到各個行業和領域

Ⅷ 電子元器件外觀缺陷可以使用AI深度學習缺陷檢測技術嗎

可以的，目前很多電子產品類的檢測都已採用自動化AI智能檢測識別來代替人工判斷，在提高效率的同時，又可降低企業人工成本，還能讓機器保持長時間高精度標準的工作狀態，有效避免因人工的疲勞、誤判、漏判等帶來的不良影響。可以選擇電子元器件缺陷檢測機 AI外觀缺陷檢測機 CCD缺陷檢測設備等。自己也可以去網路。

Ⅸ 神經網路與深度神經網路有什麼區別

深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分布式特徵表示。
多層神經網路是指單計算層感知器只能解決線性可分問題，而大量的分類問題是線性不可分的。克服單計算層感知器這一局限性的有效辦法是，在輸入層與輸出層之間引入隱層（隱層個數可以大於或等於1）作為輸入模式「的內部表示」，單計算層感知器變成多（計算）層感知器。
補充：
深度學習的概念由Hinton等人於2006年提出。基於深信度網(DBN)提出非監督貪心逐層訓練演算法，為解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關系減少參數數目以提高訓練性能。
深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。