深度学习

1. 机器视觉发展方向
   机器视觉必然朝着以下几个方向发展：
   1)高性能、低功耗、低成本的处理器:基于ARM的soc、DSP、FPGA，协处理器GPU等。
   2)深度学习：通过学习和训练实现算法，机器视觉的一次革命
   3)硬件和软件的模块化：摄像头模块可以直接与嵌入式处理板连接，支持嵌入式平台上图像处理库。
   对智能制造的发展进程，提出了《OPC UA》规范，该规范是一套安全、可靠且独立于制造商和平台的、用于工业通讯的数据交互规范，使得不同操作系统和不同制造商的设备之间可以进行数据交互。
   “端到端”机器机器学习算法，指明了相较于传统的机器视觉需要比较高的入门门槛，视觉检测行业的从业人员需具备较为专业的理论知识，而基于深度学习的视觉检测能够将该门槛降低，非视觉学科专业的从业人员只需准备足够的高质量样本，运用深度学习工具即可将视觉检测运用于实际的项目中。

2. 深度的优势
   深度学习最大的优势在于：
   1）通过训练样本自动生成检测模型
   2）降低行业知识经验的门槛，可以快速获得较高的检测性能
   3）无需针对特定项目定制检测算法，大幅度减少开发时间
   从应用便利性、检测性能、检测效率三个方面说明的深度学习的挑战或者说局限性：
   1）应用便利性
   检测的效果和准确性取决于样本的质量，并且样本的数量级非常大
   传统视觉检测操作时间短，并且可以即时反馈检测效果
   深度学习算法在训练以及执行时，无法即时获取报错异常，难以追踪问题点，只能通过不断地调整样本或者算法整体
   2）检测性能
   基于深度学习的视觉检测，