机器视觉技术与应用-课件 第10章 深度学习技术与应用.pptx

机器视觉技术与应用德创，让机器视觉更简单

08机器视觉二次开发应用10093D视觉技术与应用深度学习技术与应用07机器视觉测量应用机器视觉引导应用CHAPTER章06

Section节10.1深度学习技术10.2深度学习技术应用

TASK任务10.1深度学习技术一、深度学习概念二、深度学习模型三、深度学习框架四、深度学习应用案例

常用3D相机品牌有哪些？V+中，和3D相关的工具有哪些？课前回顾

1、深度学习概念人工智能、机器学习和深度学习的关系概括来说，人工智能、机器学习和深度学习覆盖的技术范畴是逐层递减的，三者的关系如下图所示。一、深度学习技术人工智能、机器学习和深度学习的关系

1、深度学习概念人工智能（ArtificialIntelligence，AI）是最宽泛的概念，是研究、开发用于模拟、延伸、扩展人的智能的理论、方法、技术及应用系统的一门技术科学，通过了解智能的实质，产生一种新的能以人类智能相似的方式做出反应的智能机器。机器学习（MachineLearning，ML）是当前比较有效的一种实现人工智能的方式，是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。深度学习（DeepLearning）是一种新的机器学习方法，它基于神经网络（NeuralNetworks）来处理和分析大量数据，是通过建立能模拟人脑进行分析学习的神经网络模型，计算观测数据的多层特征或表示。与传统的机器学习算法相比，深度学习具有更强的表达能力和更高的准确性，其在许多领域都有广泛的应用，如机器视觉、自然语言处理、语音识别、推荐系统、游戏AI等。随着计算能力的提高和大数据的普及，深度学习将进一步推动人工智能技术的发展。一、深度学习技术

2、深度学习模型深度学习模型有很多种，常见的深度学习模型有卷积神经网络、循环神经网络、长短记忆网络、强化学习模型等。其中，卷积神经网络（ConvolutionalNeuralNetwork，简称CNN）主要用于模式分类、物体检测等计算机视觉任务。该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。CNN的核心思想是利用局部连接权值共享的方式来减少网络参数和计算量。与传统的神经网络相比，CNN可以更好地处理高维数据，并且具有平移不变性和局部相关性等特点。在传统的工业视觉任务中，算法的性能好坏很大程度上取决于是否能选择合适的特征，而这恰恰是最耗费时间和人力的，所以在图像、语言、视频处理中就显得更加困难。CNN可以做到从原始数据出发，避免前期的特征提取，在数据中找出规律，进而完成任务。一、深度学习技术

2、深度学习模型卷积神经网络卷积神经网络一般由输入层、隐含层、全连接层以及输出层组成，如下图所示。卷积神经网络典型结构一、深度学习技术

2、深度学习模型卷积神经网络结构特点及作用其中，输入层用于接受对应的输入图像数据；隐含层通常由若干卷积层和池化层连接而成，负责特征的提取和组合；提取的特征送入全连接层，并通过激活函数得到最终的输出层判别结果。值得注意的是，整个网络中每一层均由不同权重值的神经元构成，连接着前后层网络，起到正向传输预测值和反向调整权重参数的作用。卷积神经网络结构特点及作用如图所示。卷积神经网络作用及特点一、深度学习技术

2、深度学习模型卷积层在卷积层中，输入数据被滑动到一定大小的窗口内，然后与每个窗口内的所有卷积核进行卷积运算。由于卷积核的大小和数量可以根据具体任务进行调整，因此可以提取不同大小、不同形状的特征。这一层的主要目的就是将数据与权重矩阵（滤波器）进行线性乘积并输出特征图。池化层在卷积神经网络中，池化层对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度。另一方面进行特征压缩，提取主要特征。采用池化层可以忽略目标的倾斜、旋转之类的相对位置的变化，以提高精度，同时降低了特征图的维度，并且在一定程度上可以避免过拟合。池化层通常非常简单，通常取最大值或平均值来创建自己的特征图，如右图所示。全连接层在全连接层中，前面的卷积层和池化层提取出的特征图被展开成一维向量，并通过一系列全连接层进行分类或回归等任务。由于全连接层的参数数量非常大，因此可以使用反向传播算法进行训练。池化层一、深度学习技术

3、深度学习框架深度学习框架是指通过高级编程接口为深度神经网络的设计、训练、验证提供的组件和构建模块。常用的深度学习框架有TensorFlow、PyTorch、Keras、Caffe、MXNet等。一、深度学习技术

4、深度学习在工业视觉领域的应用案例工件颜色分类在实际生产快速上下料分类的过程中，产品常常不能保持固定的位姿和角度，加之产品颜色的多样化，使其在