康耐视百科大全第一篇：为什么正确地训练深度学习检测应用是成功的关键。

　　与所有工厂推出的全新自动化技术一样，深度学习检测应用在进入市场前，也需要进行一些必要的考虑和权衡。虽然深度学习机器视觉可以解决很多复杂的工厂应用问题，但它并不是万能的。所以对于任何项目来说，有一个正确的预期非常重要，预先知道创建一个应用程序需要什么是关键。

　　建立深度学习检测应用时需要考虑的最主要问题就是训练应用，因为深度学习应用并不是直接编程出来的，它们需要通过参考大量的图像进行训练，才能在检测过程中快速识别出异常。

　　在工厂自动化的情况下，应用工程师需要了解，一个训练有素的基于深度学习的应用需要一套能代表各种缺陷、或可接受零件差异的全面训练图像，以便在将来生产中发挥良好的性能。另外这些训练图像必须是在生产照明和零件检测环境下拍摄的。

　　验证深度学习视觉解决方案是一个不断重复的过程，需要将系统安装到生产线上。与传统的机器视觉系统不同的是，深度学习图像的训练和验证必须在开发阶段完成。深度学习需要大量样本进行训练，这可能需要大量时间来拍摄有代表性的图片集，然后才能训练出性能良好的深度学习工具。

　　“有时候，深度学习系统在实验室中表现正常，但在实际生产环境中却表现很差。”康耐视人工智能高级产品营销经理Grace Lee表示，“与较熟悉的传统机器视觉相比，深度学习解决方案中尚未被认识到的差异会给用户带来挫败感。康耐视团队致力于提供深度学习工厂自动化解决方案。为了解决更复杂且更有挑战性的检测问题，我们最近将深度学习算法部署到了驱动机器视觉相机的软件中。”

　　“在工厂环境中使用AI并不是一个遥不可及的幻想。”Lee说，“康耐视的深度学习监测应用已经在解决实际问题了。工程师们还将继续不断优化深度学习检测应用的效果。相信不久的将来，康耐视的深度学习算法可以帮助制造商做出更聪明的决策！”