机器视觉与人工智能能力边界总结

mhaoyang

            在机器视觉行业从事研发工作7年了，总结一下这个技术特点。 给后来者一点启示和参考。      

            机器视觉，并不是视觉，他不具有人类的视觉理解能力，说穿了他只是图像处理技术的工程应用，都是由工程师开发的算法来完成任务，并且是特定的算法完成特定的任务，互相之间没有通用性。      

            有人说机器的智能已经超过人类等等观点，那是过于乐观了。现在技术还远远达不到这个水准，现在的技术只能解决一些规则的，简单的检测任务，因为有相应的数学模型参考，比如形状匹配，边缘，纹理的识别等等。      

            如果完全没有规律，那就没办法了，人一眼可以看出来的，认为简单的东西，机器可能做不了。因为人具有自主意识，真正能理解任务，哪怕在复杂的图案和花纹里面，要寻找一个特定的东西，比如扣子，手套都是容易的，但是机器就做不了，因为背景没有规律，工程师无法找到有效的特征来开发这个系统。      

            但是机器视觉也有他的优势，那就是不知疲倦，检测一些简单的东西，比如玻璃上的划痕，屏幕上的疵点，可以做的非常准确，并且可以做到很高的精度。       再说说人工智能，目前的人工智能，也只是发现了自动提取模式的方法，收集了足够多的，有代表性的样本，然后用这套系统进行学习，再应用这套系统再分类图像而已。      

             也算不上什么智能，只能算是技术，仍然属于图灵机的范畴。距离真正能理解图像还相距甚远。机器视觉，人工智能，目前不能做的，正是给科研人员以及硕士，博士们研究的空间。      

             欢迎各位朋友发表看法讨论，推动行业应用进步。转载请注明来自 机器视觉算法工程师马浩洋。

唐吉坷德

深度学习DeepLearning人工智能核心技术开发与应用培训班
2018 年 08 月 03 日— 2018 年 08 月 06 日        北京(第18期)
2018 年 08 月 23日— 2018 年 08 月 26 日        广州(第19期)
（机房上课，每人一台电脑进行实际案例操作，赠送 U盘拷贝资料及课件和软件，长期举办，授课效果有保障）
主讲内容：
  1,Deep Learning—循环神经网络       
  2,Deep Learning—CNN应用案例
  3,Deep Learning—对抗性生成网络
  4,Deep Learning—迁移学习       
  5,Deep Learning—深度强化学习       
  6，深度学习的常用模型或者方法
（1）公开课：3天时间系统学习，从人工智能运行环境搭建，模型选择及优化，具体实例为出发点，掌握人工智能的整体方向思路；
（2）网络课：针对学员，设计任务，以提高技术操作水平，解决平时工作遇到的问题，通过网络平台交流 此平台培训后期长期有效；
（3）训练营：针对学员自己的问题，项目，团队发展方向设计训练方式，亦可内训；
联系人：彭老师  18101059857（同微信号）