近年来,随着大范围特定产品数据集成和深度神经网络系统结成的提出,深度学习算法软件在视觉图像分类、语义分割、目的检测、显著性检测等任务上获得了很高的精确性,以至超越人类的认知程度。这些视觉范畴的打破为人工智能在工业界的应用提供了可能性。

　　传统机器学习算法运用手写的特征提取代码来锻炼算法，而深度学习算法运用现代技术自动提取这些特征。深度学习主要处理的是复杂特征描写才能这一个环节，原来手工特征时期，关于猫狗，植物品种辨认这种人眼看起来明显但是操作起来却很难保证精确性的项目。

　　深度学习处理的很好重复调试系统，深度学习技术的引入以后，手工调试的研讨大大减少。由于深度学习能够很好的处理视觉图像轮廓影像检测，固然深度学习还无法保证其100%牢靠性，但是能够经过技术手腕曾经能够完成相当高的牢靠性。

　　视觉瑕疵检测，传统算法来编程，计算机难以定义缺陷，随着检测产品呈现重新设置缺陷的辨认检测，糜费长时间调试数据产品，而深度学习经过大量样品数据对产品缺陷停止剖析判别。经过用户样本数据的锻炼对模型停止定制优化，从而适配用户实践运用场景。

　　人工智能检测金属材质、玻璃外表、食品杂质、医疗医药、电子/电池、磁性资料…等应用越来越普遍。

　　产品的一些细微的划痕、瑕疵、料花、暗纹、缺陷，以至人眼正常状况下都看不出来的痕迹，传统的视觉影像很难捕捉细小的瑕疵。

　　而深度学习可对细小、细微、复杂的环境下停止判别，都让瑕疵缺陷无所遁形！

　　传统机器学习和深度学习的区别，在于传统机器学习还是请求人工设计特征，但是机器学习的分类才能大大进步。不过弊端也很明显，假如输入的特征不典型，没有抓到本质问题，那么机器学习系统也还是无法令人称心。深度学习同时处理了特征描写和特征分类问题。固然还无法用理论推出准确的模型构造，但是效果很好。

　　但是,将深度学习算法,用于实践应用的过程中,常常面临着宏大的应战。首先,理想场景常常要比公开的实验数据集愈加复杂,结构一个可以掩盖完好样本散布的数据集,需求消耗大量的人力和财力去采集数据和标定数据;此外,理想场景中的目的类别呈现长尾型散布,数据丰厚的类别只是占总类别的一小局部,企业感兴味的目的类别常常难以获取其锻炼数据;另外,随着社会的不时开展,新的物体类别会不时呈现，假如让深度神经网络学习这些新的概念，需求及时提供大量的标定数据。因而，如何应用少量样本锻炼一个面向智能感知的人物模型，关于深度学习的实际应用和探究新的机器学习机制是一个重要任务。现有的基于数据驱动的深度学习，其通用性、泛化才能远不及人类的学习才能。如何模拟人类的学习过程，设计愈加合理的机器学习办法处理数据缺失条件下的目的检测和辨认，具有重要的理想意义。