康耐視百科大全第一篇：為什么正確地訓練深度學習檢測應用是成功的關鍵。

　　與所有工廠推出的全新自動化技術一樣，深度學習檢測應用在進入市場前，也需要進行一些必要的考慮和權衡。雖然深度學習機器視覺可以解決很多復雜的工廠應用問題，但它并不是萬能的。所以對于任何項目來說，有一個正確的預期非常重要，預先知道創建一個應用程序需要什么是關鍵。

　　建立深度學習檢測應用時需要考慮的最主要問題就是訓練應用，因為深度學習應用并不是直接編程出來的，它們需要通過參考大量的圖像進行訓練，才能在檢測過程中快速識別出異常。

　　在工廠自動化的情況下，應用工程師需要了解，一個訓練有素的基于深度學習的應用需要一套能代表各種缺陷、或可接受零件差異的全面訓練圖像，以便在將來生產中發揮良好的性能。另外這些訓練圖像必須是在生產照明和零件檢測環境下拍攝的。

　　驗證深度學習視覺解決方案是一個不斷重復的過程，需要將系統安裝到生產線上。與傳統的機器視覺系統不同的是，深度學習圖像的訓練和驗證必須在開發階段完成。深度學習需要大量樣本進行訓練，這可能需要大量時間來拍攝有代表性的圖片集，然后才能訓練出性能良好的深度學習工具。

　　“有時候，深度學習系統在實驗室中表現正常，但在實際生產環境中卻表現很差。”康耐視人工智能高級產品營銷經理Grace Lee表示，“與較熟悉的傳統機器視覺相比，深度學習解決方案中尚未被認識到的差異會給用戶帶來挫敗感。康耐視團隊致力于提供深度學習工廠自動化解決方案。為了解決更復雜且更有挑戰性的檢測問題，我們最近將深度學習算法部署到了驅動機器視覺相機的軟件中。”

　　“在工廠環境中使用AI并不是一個遙不可及的幻想。”Lee說，“康耐視的深度學習監測應用已經在解決實際問題了。工程師們還將繼續不斷優化深度學習檢測應用的效果。相信不久的將來，康耐視的深度學習算法可以幫助制造商做出更聰明的決策！”