“机器学习”和“深度学习”有什么区别？
在机器视觉和深度学习中，人类视觉的力量和对视觉信息的理解可以被再现甚至超越。借助深度学习，作为机器学习的一部分，可以在应用实例的基础上学习和训练复杂的关系。机器学习中的另一种技术是例如“超级矢量机”。与深度学习相比，必须手动定义和验证功能。在深度学习中，神经网络采用这一手动步骤：在训练过程中，独立地自动识别和提取特征。

深度学习为图像处理技术和图像处理检查提供了哪些选择？

深度学习可用于典型的分类应用，例如缺陷检测或“好”和“坏”对象之间的区别。经过适当训练的网络可用于解决所有图像处理任务，其中系统决定图像中是否存在某些类型的缺陷。深度学习对于传统机器视觉方法无效应用尤其有用。

例如，在半导体行业，手机屏幕胶体的气泡检测，利用传统软件算法无法精准检测，主要原因是由于背景比较复杂。

还有一个例子是光伏行业的EL自动识别，目前主要采用人工辅助识别，无法做到自动识别，原因在于组件多晶的背景复杂，必须通过深度学习才能检测在用于错误检测的传统方法中，机器视觉专家将不得不单独地查看和评估大量图像，并且在此基础上编程尽可能详细地描述相应缺陷的算法。

这个过程非常耗时耗力。深度学习可以显着简化缺陷检测和缺陷检查：该技术可以自主学习特定缺陷特征，从而可以识别特定的问题类别。如果用户使用预训练的深度学习网络，例如艾菲茵的图像处理软件AFI-AI算法可以训练各种各样的缺陷类型，然后可靠地识别它们。

作为图像处理软件的一部分，深度学习需要哪些算法？

作为综合训练过程的一部分，深度学习算法可以独立地学习这些特征的典型特定模式。系统分析预先分类的图像，自动将它们分配给特定的类，并检查该“预测”是否与实际类别相对应。重复该过程直到实现最佳“预测”结果。

通过这种方式，您可以训练模型（分类器），使用这些模型可以将新捕获的图像分类到此处学习的类中。艾菲茵的深度学习模型是通过大量的图像数据进行定期的训练，不断优化模型，就好比不但给孩子灌输知识，让其大脑接收新的知识，有效提升模型的数据量及准确度。

目前已经存在哪些具有深度学习的图像处理技术应用程序，这些应用程序是未来可以想到的？

存在大量深度学习架构，每个架构对于各个应用具有某些优点和缺点。为了在高度专业化和复杂的应用中实现强大的检测率，客户需要针对其需求进行优化和培训的网络。“一刀切”的原则通常与此无关。许多基于深度学习的应用程序都包含在嵌入式领域中。

这里使用各种硬件组件来加速深度学习算法的运行时间。所需要的是可以在各种专用深度学习计算单元上使用的框架。艾菲茵的深度学习框架平台能兼容多行业的检测需求，通用性比较强。