深度学习缺陷检测用什么网络

Ⅰ 什么是深度学习

随着阿尔法狗、无人驾驶、智能翻译的横空出世，“人工智能”这个已经存在60多年的词语，仿佛一夜之间重新成为热词。同时被科技圈和企业界广泛提及的还有“机器学习”“深度学习”“神经网络”…… 但事实是，如此喧嚣热烈的气氛之下，大部分人对这一领域仍是一知半解。

如果要说谁有资格谈论目前正在进行的“人工智能革命”，特伦斯·谢诺夫斯基（Terry Sejnowski）必然是其中一个。

在智能翻译、无人驾驶、阿尔法狗、微软小冰还被认为是远在天边的愿景时，谢诺夫斯基就已经在为深度学习领域奠定基础了。

《深度学习：智能时代的核心驱动力量》

中信出版集团 2019.2

Q：首先，我想问一下定义。人们几乎可以互换地使用“人工智能”，“神经网络”，“深度学习”和“机器学习”等词语。 但这些是不同的东西。你能解释一下吗？

人工智能可以追溯到1956年的美国，那时工程师们决定编写一个试图仿效智能的计算机程序。

在人工智能中，一个新领域成长起来，称为机器学习。不是编写一个按部就班的程序来做某事——这是人工智能中的传统方法——而是你收集了大量关于你试图理解的事物的数据。例如，设想您正在尝试识别对象，因此您可以收集大量它们的图像。然后，通过机器学习，这是一个可以剖析各种特征的自动化过程，就可以确定一个物体是汽车，而另一个是订书机。

机器学习是一个非常大的领域，其历史可以追溯到更久远的时期。最初，人们称之为“模式识别”。后来算法在数学上变得更加广泛和复杂。

在机器学习中有受大脑启发的神经网络，然后是深度学习。深度学习算法具有特定的体系结构，其中有许多层数据流经的网络。

基本上，深度学习是机器学习的一部分，机器学习是人工智能的一部分。

Q: 有什么“深度学习”能做而其他程序不能做的吗？

编写程序非常耗费人力。在过去，计算机是如此之慢，内存非常昂贵，以至于人们采用逻辑，也就是计算机的工作原理，来编写程序。他们通过基础机器语言来操纵信息。计算机太慢了，计算太贵了。

但现在，计算力越来越便宜，劳动力也越来越昂贵。而且计算力变得如此便宜，以至于慢慢地，让计算机学习会比让人类编写程序更有效。在那时，深度学习会开始解决以前没有人编写过程序的问题，比如在计算机视觉和翻译等领域。

机器学习是计算密集型的，但你只需编写一个程序，通过给它不同的数据集，你可以解决不同的问题。并且你不需要是领域专家。因此，对于存在大量数据的任何事物，都有对应的大量应用程序。

Q：“深度学习”现在似乎无处不在。 它是如何变得如此主导潮流？

我可以在历史上精确地找到这一特定时刻：2012年12月在NIPS会议（这是最大的AI会议）上。在那里，计算机科学家Geoff Hinton和他的两个研究生表明你可以使用一个名为ImageNet的非常大的数据集，包含10,000个类别和1000万个图像，并使用深度学习将分类错误减少20％。

通常，在该数据集上，错误在一年内减少不到1％。 在一年内，20年的研究被跨越了。

这真的打开了潮水的闸门。

Q：深度学习的灵感来自大脑。那么计算机科学和神经科学这些领域如何协同工作呢？

深度学习的灵感来自神经科学。最成功的深度学习网络是由Yann LeCun开发的卷积神经网络（CNN）。

如果你看一下CNN的架构，它不仅仅是很多单元，它们以一种基本上镜像大脑的方式连接起来。大脑中被研究的最好的一部分在视觉系统，在对视觉皮层的基础研究工作中，表明那里存在简单和复杂细胞。如果你看一下CNN架构，会发现有简单细胞和复杂细胞的等价物，这直接来自我们对视觉系统的理解。

Yann没有盲目地试图复制皮质。他尝试了许多不同的变种，但他最终收敛到的方式和那些自然收敛到的方式相同。这是一个重要的观察。自然与人工智能的趋同可以教给我们很多东西，而且还有更多的东西要去探索。

Q：我们对计算机科学的理解有多少取决于我们对大脑的理解程度？

我们现在的大部分AI都是基于我们对大脑在60年代的了解。 我们现在知道的更多，并且更多的知识被融入到架构中。

AlphaGo，这个击败围棋冠军的程序不仅包括皮质模型，还包括大脑的一部分被称为“基底神经节”的模型，这对于制定一系列决策来实现目标非常重要。 有一种称为时间差分的算法，由Richard Sutton在80年代开发，当与深度学习相结合时，能够进行人类以前从未见过的非常复杂的玩法。

当我们了解大脑的结构，并且当我们开始了解如何将它们集成到人工系统中时，它将提供越来越多的功能，超越我们现在所拥有的。

Q：人工智能也会影响神经科学吗？

它们是并行的工作。创新神经技术已经取得了巨大的进步，从一次记录一个神经元到同时记录数千个神经元，并且同时涉及大脑的许多部分，这完全开辟了一个全新的世界。

我说人工智能与人类智能之间存在着一种趋同。随着我们越来越多地了解大脑如何工作，这些认识将反映到AI中。 但与此同时，他们实际上创造了一整套学习理论，可用于理解大脑，让我们分析成千上万的神经元以及他们的活动是如何产生的。 所以神经科学和人工智能之间存在这种反馈循环，我认为这更令人兴奋和重要。

Q：你的书讨论了许多不同的深度学习应用，从自动驾驶汽车到金融交易。你觉得哪个特定领域最有趣？

我完全被震撼到的一个应用是生成对抗网络，或称GANS。使用传统的神经网络，你给出一个输入，你得到一个输出。 GAN能够在没有输入的情况下开展活动 - 产生输出。

是的，我在这些网络创建假视频的故事背景下听说过这个。他们真的会产生看似真实的新事物，对吧？

从某种意义上说，它们会产生内部活动。事实证明这是大脑运作的方式。你可以看某处并看到一些东西，然后你可以闭上眼睛，你可以开始想象出那里没有的东西。你有一个视觉想象，当周围安静时，你闹钟声会浮现想法。那是因为你的大脑是生成性的。现在，这种新型网络可以生成从未存在过的新模式。所以你可以给它，例如，数百张汽车图像，它会创建一个内部结构，可以生成从未存在的汽车的新图像，并且它们看起来完全像汽车。

Q：另一方面，您认为哪些想法可能是过度炒作？

没有人可以预测或想象这种新技术的引入会对未来的事物组织方式产生什么影响。当然这其中有炒作。我们还没有解决真正困难的问题。我们还没有通用智能，就有人说机器人将不久后会取代我们，其实机器人远远落后于人工智能，因为复制身体被发现比复制大脑更复杂。

让我们看一下这一种技术进步：激光。它是在大约50年前发明的，当时占据了整个房间。从占据整个房间到我现在演讲时使用的激光笔需要50年的技术商业化。它必须被推进到体积足够小并可以用五美元购买它的程度。同样的事情将发生在像自动驾驶汽车这样的被炒作的技术上。它并不被期望在明年或者未来10年，就变得无处不在。这过程可能需要花费50年，但重点是，在此过程中会有逐步推进，使它越来越灵活，更安全，更兼容我们组织运输网络的方式。炒作的错误在于人们的时标设定错了。他们期待太多事情太快发生，其实事物只在适当的时候。

关于深度学习的问题可以看下这个网页的视频讲解：AI深度学习---中科院公开课。

Ⅱ 大佬们，如果用神经网络去解决水质检测的项目，用Python还是matlab好点

题主你提到用【神经网络】解决【水质检测项目】，用【Python】还是【Matlab】。我对【水质检测】不了解，但猜测是跟【数据分析/挖掘/建模】相关的项目。

Python是时下最热门【数据分析/挖掘】的工具，其丰富的库资源可以供你调用各式各样的【算法】，包括【神经网络】。再加上Python简单易学好上手，遍地都是免费的学习资料，这就可以让大家可以轻松实现一些【机器学习/深度学习的算法】。另外补充一下，MATLAB几乎是一个快被工业界淘汰的工具，大概只有学校里面才会使用吧。你打开招聘网站搜索一下就知道Python比MATLAB火热得多。

最后再给题主推荐一些书籍和网站吧~

1 Python

1.1廖雪峰Python教程，被誉为Python教父的男人，这个教程非常之经典，也很全面。网页链接

1.2 知乎大佬的Python教程，专为小白设计，适合没有编程基础和计算机基础的人群。网页链接

1.3 Python编程：从入门到实践。这本书也是新手的福利，讲解很细致，后面还会教大家怎么用Python实现一个游戏项目——飞机大战，成就感慢慢。网页链接

2 神经网络

2.1 神经网络是机器学习和深度学习的交叉点，深入神经网络之前最好先学一点高等数学和线性代数，这里推荐MIT的公开课网页链接和3Blue1Brown的视频网页链接

2.2 有了数学方便的基础后理解神经网络就容易很多了，吴恩达的机器学习很适合入门。网页链接

2.3 看完机器学习再看深度学习的神经网络的话，很容易就能学会了。深度学习推荐这个课程网页链接

Ⅲ 怎么在移动端用深度学习做实时的物体检测

首先要明确移动端使用深度学习的问题所在：内存、运行速率以及代码体积。知道这些就可以思考这些问题了。

• 因为跑深度学习多用比较好的GPU，而手机端明显不如电脑，所以需要专门优化代码，这一点可以去借鉴已有的移动端深度学习开发框架，如caffe2、Mxnet、ncnn、mtl等。

• 如果使用深度学习框架的话，可能就要考虑代码体积和权重大小了，如果你不会网络压缩的话，建议使用小型网络，这样的话权重文件也就不会太大。只与代码体积，网络或者腾讯开源的框架已经降到了几百K。

• 以上都是基于移动端离线跑的，如果使用云端，那就不用考虑这些了。
  

Ⅳ 有没有哪个软件可以检测产品的未知缺陷的

目前市面上使用比较普遍的缺陷检测软件如：halcon之类的传统视觉软件来进行缺陷检测，对于未知的缺陷HALCON就比较劣势，从去年开始针对产品外观检测行业内开始慢慢使用深度学习算法的软件。例如：VIDI，AIDI，ALFA等深度学习软件。相较于VIDI的价格昂贵，ALFA软件再行业的性价比和市场应用率还是比较广泛。
最终还是要看您项目的实际情况来选择合适的软件

Ⅳ 想请教python编程深度学习方面的大神SSD目标检测方面问题

vgg:老物，光芒被googlenet给掩盖了，真正的优点是 a.feature-map不变则conv-kenel-width这些不变b.用一次pooling,width提升一倍；
resnet:主流网络，在vgg基础上提升了长度，而且加入了res-block结构,还有resnext,也可以尝试下。
相帮帮不上啦。。。我也不太会，原来用过resnet 真不会转换。。。sorry

Ⅵ 求问在工业质检过程中，数之联的图像自动缺陷检测与分类系统好用吗

数之联自动图像缺陷检测系统（ADC）通过深度学习技术突破传统图像处理技术的瓶颈，提供高精准的缺陷分类结果。并标注缺陷的位置、大小等信息，实现对不良缺陷的自动检测与分类，提升缺陷检测与分类的效率和可信度，避免人工视觉检测的主观偏差。目前，数之联在各液晶面板企业均有部署，图像分类精确度达到95.56%、图像分类召回率达94.96%，实现了人力80%的有效替代。

在制程缺陷检测分类系统方面，普遍解决的是对于先进制造企业产线上自动光学检测设备（AOI）拍摄的缺陷图像的缺陷检出与分类问题、判定结果的应用问题，要解决这些问题，实现的关键点在于图像的识别。韩国厂商WINFOR SYSTEM提供的TMS系统在半导体制造企业中使用居多，该系统主要通过完善人工复判功能来提升缺陷图片判图分类的效率，没有通过人工智能的技术方式为企业用户提供该项服务；国内知名的缺陷图像分类系统供应厂商系统采用深度学习算法模型对于缺陷图像进行快速分类，但在监控预警方面的功能仅仅只针对系统处理任务的相关数据。

Ⅶ 深度学习技术是是什么及其发展现状

简单来说，机器学习是实现人工智能的方法，深度学习是实现机器学习的技术。机器学习在实现人工智能时中需要人工辅助（半自动），而深度学习使该过程完全自动化

三者关系：

举个例子：通过机器学习算法来识别水果是橘子还是苹果，需要人工输入水果的特征数据，生成一定的算法模型，进而可以准确预测具有这些特征的水果的类型，而深度学习则能自动的去发现特征进而判断。

深度学习技术的发展现状

其实咱们的实际生活中已经有很多应用深度学习技术的案例了。

比如电商行业，在浏览淘宝时，页面中有很多都是符合你的爱好并且最近有意向购买的商品，这种个性化推荐中就涉及到深度学习技术，还有就是在购物界面能和你进行对话，解决疑问的淘宝智能机器人，也涉及深度学习技术。

比如交通领域，通过深度学习技术能监测到车辆停车、逆行等行为，甚至精确识别车辆的车牌号、颜色、车型、车辆里的人物等来辅助交通执法，甚至在发生交通事故和交通拥堵时进行报警等。

比如金融行业，银行通过深度学习技术能对数以百万的消费者数据（年龄，职业，婚姻状况等）、金融借款和保险情况（是否有违约记录，还款时间，车辆事故记录等）进行分析进而判断出是否能进行贷款服务。

比如家居行业，智能家居的应用也用到了深度学习技术，比如智能冰箱通过图像识别等技术记录食材种类和用户日常饮食数据，进而分析用户的饮食习惯，并根据多维度给出最全面的健康膳食建议。

比如制造行业，机器视觉已经长期应用在工业自动化系统中，如仪表板智能集成测试、金属板表面自动控伤、汽车车身检测、纸币印刷质量检测、金相分析、流水线生产检测等等，机器视觉自动化设备可以代替人工不知疲倦的进行重复性的工作，且在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合，机器视觉可替代人工视觉。

还有教育行业、医疗行业等，深度学习技术已经渗透到各个行业和领域

Ⅷ 电子元器件外观缺陷可以使用AI深度学习缺陷检测技术吗

可以的，目前很多电子产品类的检测都已采用自动化AI智能检测识别来代替人工判断，在提高效率的同时，又可降低企业人工成本，还能让机器保持长时间高精度标准的工作状态，有效避免因人工的疲劳、误判、漏判等带来的不良影响。可以选择电子元器件缺陷检测机 AI外观缺陷检测机 CCD缺陷检测设备等。自己也可以去网络。

Ⅸ 神经网络与深度神经网络有什么区别

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
多层神经网络是指单计算层感知器只能解决线性可分问题，而大量的分类问题是线性不可分的。克服单计算层感知器这一局限性的有效办法是，在输入层与输出层之间引入隐层（隐层个数可以大于或等于1）作为输入模式“的内部表示”，单计算层感知器变成多（计算）层感知器。
补充：
深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。