[Translate to Chinese:]

传统视觉方法与深度学习

在将深度学习与传统机器视觉方法进行比较时,最大的区别在于特征提取的方式。 使用传统方法,视觉工程师必须决定寻找哪些特征以检测图像中的特定对象,并且为每个类别选择正确的特征。 当可能的类别数量增加时,该方法将变得十分复杂。 需要寻找哪些信息?颜色?边缘?质地? 根据所使用功能的数量,工程师还必须手动微调许多参数。 与此相反,深度学习使用“端到端学习”的概念。 在这里,仅需要告诉算法去学习注意每个特定类的特征。 通过分析样本图像,它可以自动得出每个类/对象的最突出和最具描述性的特征。

应该选择哪种方法?

传统方法和深度学习都有各自擅长的领域,这些领域也并不互斥。 许多应用还受益于将基于规则的传统方法与深度学习的相互结合。 选择两者之一还是混合使用,通常取决于当下的应用类型和应用特性。 同时,需要考虑可用的数据量以及计算能力。

     深度学习    传统视觉方法

典型应用

  • 表面检测
  • 纹理检测
  • 质量控制
  • 对象或缺陷分类
  • 缺陷 (异常值) 检测
  • 边缘提取
  • 光学字符识别 (OCR)
  • 高精度测量与匹配
  • 条码和数据码读取
  • 印刷检测
  • 3D 视觉 (机器人视觉)
  • 高性能匹配
  • 高精准分割

应用特点

  • 对象可变性高
  • 对象方向多变
  • 特征不确定
  • 未知缺陷
  • 足够的可用图像
  • 刚性物体
  • 有固定位置和方向
  • 已知具体特征
  • 需要较高透明度