隨著深度學習技術的出現，最近幾年來，視覺影像處理變得越來越受歡迎，在各個領域都得到了廣泛應用，同時也湧現出了大量的從業人員。然而，許多人只會使用深度學習，並認為傳統的影像處理演算法已經過時了。我曾經聽到有人說，影像處理已經變得非常普遍，傳統的演算法已經過時，門檻也很低，任何人都可以使用。說實話，聽到這樣的言論，有時候我真的很無語
#今天正好有一些時間，我想談談這個問題。首先，讓我們來分析一下，影像處理主要是做什麼的？無論影像處理用在哪個行業，它的主要功能包括辨識、分類、定位、偵測、尺寸測量和視覺引導等
既然有人說深度學習已經取代了傳統的影像處理技術，那麼我今天就給大家舉幾個具體的案例來看看深度學習的應用。同時也要看看傳統的影像處理技術是否仍有它的用武之地
首先，讓我們簡單介紹一下上面提到的視覺主要功能是什麼。識別和分類之間存在一定的關聯。人臉辨識、車牌辨識、字元辨識、條碼/二維碼辨識、產品類別辨識、水果辨識等都屬於影像辨識技術，辨識完成後有時會直接給予辨識結果，有時還需要分類。例如，在混裝產線上辨識出的產品需要進行分類裝箱
重新寫成中文：
定位方式有多種，有時只需大致知道目標位置，有時需要精確定位，以便機器人能夠自動抓取。檢測方式包括目標檢測和缺陷檢測等。目標檢測通常只需知道場景中是否存在目標，而缺陷檢測除了檢測缺陷是否存在外，還需要確定缺陷的大小和類別
尺寸測量的目標非常明確，即透過視覺檢測目標對象的特定尺寸是否符合要求。視覺引導是與機器人自動抓取結合的，需要精確定位目標位置，同時還需要確定抓取的具體位置，以避免在機器人移動時目標可能會掉落
#下面我將列舉幾個具體的案例，展示大家如何運用深度學習來實現。由於企業不希望公開這些圖像，因此下面的圖片只截取了其中一小部分，無法確定具體內容
以下所有的例子都是企業實際需求，圖像也是現場拍攝的。我們先來看一個簡單的字元辨識案例。這個案例的要求是判斷這些字符是否正確，每秒鐘需要處理20個字符，預算是每台視覺系統2萬塊錢，共有100條產線，總共需要200萬塊錢。你覺得應該做還是不做呢？雖然200萬塊已經不少了，但每台視覺系統只需要2萬塊。那麼做下來會有利潤嗎？另外，上位機辨識到有錯誤的字元時，需要自動剔除
#簡單分析一下，每秒鐘可以偵測20個產品，也就是每個產品需要在50毫秒內完成。同時，上位機需要發送訊號給剔除機構，為了確保訊號的穩定性，需要預留20毫秒的時間。剩下的30毫秒用於拍照和影像處理。對於深度學習的訓練，需要考慮工控機的配置。此外，還需要考慮PLC、剔除裝置、相機、光源、鏡頭、機櫃以及其他一些小配件的成本。人工現場調試的成本是多少？總的成本是多少？
再舉一個例子。下面這張圖片展示了焊接缺陷檢測。焊接缺陷有很多種，有人曾經花了一週的時間利用深度學習進行訓練和檢測。他們告訴我檢測結果非常好，但一個月後他們又來找我說無法負擔成本，而且檢測效果很差。大家思考一下，為什麼會出現這種情況呢？
再舉一個例子，下面這個圖就是一個條碼辨識的例子，你看這個條碼很模糊，很難辨認吧？我們可以使用深度學習來辨識它
舉個例子，我們來看看下面的圖。我們需要偵測兩側的粗細是否一致，還要偵測表面是否有缺陷。那麼，我們該如何運用深度學習來解決這個問題呢？曾經有人在現場調試了半年，但最終客戶並不滿意
如何使用深度學習來實現機器人自動抓取並偵測抓取物件的傾斜角度，從而調整機器人的姿態？
如何使用深度學習來測量已使用一段時間的彈簧的尺寸，以判斷其是否合格？還有其他類似的軸承、齒輪、螺紋等參數如何測量？
上述範例只是眾多實際案例中的一小部分，類似的偵測方式層出不窮，例如自動擰螺栓、無序抓取和微米級的精確定位等。然而，遺憾的是，很多人只會使用深度學習，有些人甚至連基本的圖像概念都沒有弄清楚，就斷言圖像處理已經過時，深度學習已經取代了其他圖像處理方法。如果多接觸實際案例，就不會說出這樣的話來
很多人錯誤地認為，只需要將圖像輸入深度學習模型進行訓練，如果效果不好就增加訓練樣本或調整參數，就能達到理想的效果。我只能說這種對圖像的理解太過膚淺。人們最常見的影像應用是人臉辨識和車牌辨識等，對於這些辨識任務，使用深度學習並沒有太大問題，因為對於辨識的要求並不高。即使識別時間很長，或出現識別錯誤，也不會造成太大的問題。例如刷臉支付，如果無法辨識出人臉，也可以選擇手動支付；車牌辨識和門禁系統，如果無法辨識出車牌或人臉，也可以選擇手動開門。但在全自動的應用場景下，這種情況是不允許出現的
對於產品缺陷的檢測、分類和識別，深度學習是一種常用的方法，但也需要根據具體情況來決定。此外，在訓練之前，通常還需要使用其他影像處理演算法
有些人只是拿公開的資料集來訓練深度學習模型，寫寫文章，這是沒有問題的。但是，如果要在實際應用中應用這些模型，還有很長的路要走。我曾經熟悉的一家企業招募了一些博士去從事視覺檢測的工作，但是半年過去了卻沒有任何成果，結果被領導狠狠地批評了一番。你知道為什麼嗎？
深度學習在應用領域中有其一席之地，這是不可否認的事實。然而，它僅僅是視覺檢測的一部分，並且在其他許多方面無法實現。目前的視覺檢測技術僅能應用於一些簡單場景，對於許多複雜場景，無論採用何種演算法，都無法實現有效檢測。因此，視覺影像處理演算法還有很長的發展路程
深度學習訓練影像時，通常需要對原圖進行一些處理，例如濾波、增強、閾值分割、邊緣偵測和形態學運算。有時候，還需要對影像進行處理，然後直接擷取影像特徵進行深度學習訓練。許多從事視覺工作的人都明白這個原理
以前曾經提到過，如果只是想撰寫一篇論文，那麼深入研究一個方向就足夠了。深入進行理論研究也是有前景的，但對個人的理論能力要求較高。如果沒有接觸過實際的視覺應用，最好不要隨意聲稱圖像處理已經過時，其他的圖像處理演算法已經不再使用，深度學習已經取代了其他的圖像處理演算法
所以，我們是否還需要傳統的影像處理演算法呢？我認為這個問題的答案已經很明確了。如果還有不清楚的地方，請仔細思考一下，你接觸過多少與視覺相關的項目，還有哪些是你不知道的，你是否真正理解視覺檢測可以做什麼以及如何去做呢？很少有視覺檢測僅依靠單一的影像處理演算法來實現。因此，在應用層面上，我們需要熟練各種影像處理演算法的使用，需要熟練各種演算法的組合應用，才能在視覺產業中游刃有餘。很快就要到暑假了，暑假是非常好的學習時間，利用這段假期，利用這個學習平台，快速掌握影像處理相關演算法的應用吧
以上是能否用深度學習取代其他影像處理演算法？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
