机器视觉就是给计算机装上眼睛（相机）和大脑（算法），让计算机可以感知周围的环境。目前机器视觉研究主要集中在基础应用场景，像物体分类、识别、3D建模等。

物体识别是一个比较常见的应用，例如识别一个简单的工件，我们首先要给计算机定义模型，然后准备大量工件的图片去训练这个模型，让计算机能识别出来，输一张图片的时候能识别出图片是不是该工件。正常情况下计算机模型能识别得比较准确，但是当我们输入了一些有遮挡、形态多变或者角度、光照不一的图片时，之前我们建立的模型就识别不出来。这就是机器视觉在应用中存在的难点问题。

深度学习是机器学习的一种，机器学习的本质其实是为了找到一个函数，让这个函数在不同的领域会发挥不同的作用。像语音识别领域，这个函数会把一段语音识别成一段文字；图像识别的领域，这个函数会把一个图像映射到一个分类；下围棋的时候根据棋局和规则进行博弈；对话，是根据当前的对话生成下一段对话。

机器学习离不开学习两个字，根据不同的学习方式，可以分为监督学习和非监督学习两种方式。

算法和数据是模型的核心所在。在监督学习中最关键的一点是，我们对训练的每个数据都要打上标签，然后通过把这些训练数据输入到算法模型经过反复训练以后，每经过一次训练都会减少算法模型的预计输出和标签数据的差距。通过大量的训练，算法模型基本上稳定下来以后，我们就可以把这个模型在测试数据集上验证模型的准确性。这就是整个监督学习的过程，监督学习目前在图片分类上应用得比较多。

跟监督学习不同的地方是，非监督学习不需要为所有的训练数据都打上标签。非监督学习主要应用在两个大类，第一类是做聚类分析，聚类分析是把一组看似无序的数据进行分类分组，以达到能够更好理解的目的；另外一类是做自动编码器，在数据分析的时候，原始数据量往往比较大，除了包含一些冗余的数据，还会包含一些对分析结果不重要的数据。自动编码器主要是对原始数据做降维操作，把冗余的数据去掉，提高后面数据分析的效率。

通过不同的学习方式获取到数据后，算法是接下来非常重要的一环。算法之于计算机就像大脑对于我们人类，选择一个好的算法也是特别重要的。

神经网络是受人脑神经元结构的启发，研究者认为人脑所有的神经元都是分层的，可以通过不同的层次学习不一样的特征，由简单到复杂地模拟出各种特征。

神经网络就是由许多的神经元级联而形成的，每一个神经元都经过线性变换和非线性变换，为什么会有非线性变换？从数学上看，没有非线性变换，不管你神经网络层次有多深都等价于一个神经元。如果没有非线性变换，神经网络深度的概念就没有什么意义了。

以上所讲的都是一般的全连接神经网络，接下来进入卷积神经网络。卷积神经网络是专门针对图片处理方面的神经网络。卷积神经网络首先会输入一张图片，比如图片是30×30，有三个颜色通道的数据，这是输入层。下面是卷积层，有一个卷积核的概念，每一个卷积核提取图片的不同特征。

提取出来以后到池化层，就是把卷积层的数据规模缩小，减少数据的复杂度。卷积和池化连起来我们叫做一个隐层，一个卷积神经网络会包含很多个隐层，隐层之后是全连接层，全连接层的目的是把前面经过多个卷积池化层的特征数据平铺开，形成特征向量，我们把特征向量输入到分类器，对图片进行分类。

简单来说，卷积神经网络更适合机器视觉主要有两个原因，一是参数共享，另外一个是稀疏连接。

【来源：网络】



http://www.optiger.com.cn   光虎光电科技（天津）有限公司