一名優秀的質檢員不僅要技術過硬、知識面廣，還要觸類旁通、舉一反三，對于過去存在的缺陷、不存在的缺陷都能做出準確的判斷。在質檢員判斷產品缺陷這個看似簡單的過程中，他的大腦卻經歷了一場極其復雜的運算。

“老虎總有打盹的時候”，再優秀的質檢員也總有疲倦的時候，在制造業因質檢員疲倦走神而導致的品質事件比比皆是。如今，國家大力提倡“機器換人”，將機器訓練成一名永不疲倦的優秀質檢員變得尤為重要，而這其中的核心技術就是我們今天的主題——深度學習。

利元亨的石博士專注于深度學習領域的研究10余年，他這樣說道：“就拿蘋果來說，我們不管看到一個紅的、黃的、青的、大的、小的蘋果都能準確辨認出這個物體是蘋果；甚至是被咬過一口的、只剩果殼的、削皮切塊的都能輕松地判斷出這是蘋果。但要機器達到這個效果，就需要用到深度學習。”

什么是深度學習？

深度學習是一門專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能的學科。深度學習是一類人工智能算法的集合，是機器學習的一個分支，是當今世界最具魅力的技術之一。2016年3月，由谷歌旗下DeepMind公司開發的AlphaGo，成為第一個戰勝圍棋世界冠軍的人工智能機器人，其主要工作原理就是“深度學習”。

深度學習有哪些應用？

近些年來，由于深度學習在圖像識別、自然語言理解、網絡檢索、信息安全等領域表現出了驚人的準確性，在當代社會正在掀起一場技術變革，從網絡搜索到社交網絡中的內容過濾、電子商務網站的個性化推薦，深度學習正在快速的出現在我們的生活中。

深度學習在工業自動化領域的應用：在工業自動化領域，過去人們一直在思考如何教計算機執行工業產品的自動檢查任務，例如產品中的缺陷、污染物、功能缺陷等。機器視覺因其速度快、準確性高和可重復性好等優點而在特定的工業自動化環境中具有很大優勢。

在生產線上，機器視覺系統可以輕松檢測人眼難以看到的物體細節，機器視覺系統可以可靠且重復地每分鐘檢查數百或數千個部件，遠遠超過人類的檢測能力。雖然傳統機器視覺系統在處理一些零部件時能夠可靠地運行，有效提高了檢測的效率，為制造業降低了人工成本。但隨著缺陷類別變得更加多樣性，算法的復雜度將變得越來越高。

除此之外，復雜的表面紋理和圖像質量問題還會帶來嚴重的檢測挑戰，傳統機器視覺系統在復雜零件面前往往束手無策。與傳統的機器視覺不同，雖然人類檢查缺陷的速度有限，但人類擅長發現缺陷的特征，能夠聯系上下文信息進行推斷。人類通過一定量的實例學習后，就能夠區分真正重要的部分。在很多情況下，這使人類視覺成為檢查復雜產品缺陷的理想選擇。

深度學習融合了人工視覺檢測的靈活性與計算機系統的高可靠性、一致性和時效性等優點，越來越多的先進制造企業正在轉向深度學習方案，以解決其復雜的自動化挑戰。

▲利元亨外觀缺陷全自動檢測設備

利元亨研發的外觀缺陷全自動檢測設備就運用了深度學習算法成功解決電芯外觀缺陷的檢測難題：

·檢測涵蓋主要缺陷和一般缺陷，可檢測出96種電芯外觀缺陷

·機構的相機、光源可多維度調節，能夠多款兼容電芯的外觀檢測，實現一鍵換型

·可對檢測結果進行梯度分類，實現最后的質量把關，杜絕殘次品流向市場

·設備適用于多領域產品的表面缺陷檢測

深度學習的工作原理是什么？

深度學習背后的主要原理是從大腦中汲取靈感。這種觀點產生了“神經網絡”術語，大腦包含數十億個神經元，它們之間有數萬個連接。

在許多情況下，深度學習算法類似于大腦，因為大腦和深度學習模型都涉及大量的計算單元(神經元)，這些單元在未激活時并不是活躍的，它們彼此交互時會變得智能化。神經網絡的基本構建模塊是人工神經元--模仿人類大腦神經元。這些是強大的計算單元，具有加權輸入信號并使用激活功能產生輸出信號。這些神經元分布在神經網絡的幾個層中。

▲類腦神經元

深度學習由人工神經網絡組成，這些網絡以人腦中存在的類似網絡為模型。當數據通過這個人工網格時，每個層處理數據的一個方面，過濾異常值，找到合適的實體，并產生最終輸出。

▲神經元網絡

隨著“機器換人”進程的持續推進和終端消費者對品質越來越高的要求，融合深度學習技術的外觀缺陷檢測設備將在越來越多的企業中得到廣泛應用。而在制造業產品同質化、競爭白熱化的今天，擁有先進的裝備就等同于擁有核心競爭力，利元亨智能裝備將為您進入“新藍海”保駕護航。