机器视觉的起源与开放

深度学习的概念对于机器视觉来说相对较新，但对于机器学习来说绝对不是新概念。深度学习是机器学习的一种特殊类型，是人工智能的一种。

丹佛的集成商Artemis Vision总裁Tom Brennan说道：“用于深度学习的当前神经网络算法非常好，但如果你使用图灵测试作为晴雨表，它们还没有达到人工智能的水平，目前深度学习在一些医疗设备和制药应用得到了应用。”

Brennan说：“图灵测试要求机器或技术表现出与人类相当的行为，人工智能级别的算法可以直接响应人类智能的任何问题。

最初的计算机视觉深度学习架构是由Kunihiko Fukushima在20世纪80年代引入的新认知。作为一种人工神经网络，neocognitron已被用于手写字符和模式识别任务，并作为通常用于分析视觉图像的更复杂神经网络的基础。

开源深度学习软件最早出现在20世纪90年代，当时出现了许多关键的算法突破。从那时起，计算机科学家已经能够更好地利用巨大的计算能力和数据，这对神经系统的形成至关重要网络很好地工作。网上可用的开源软件包括C/ c++和Java库、框架和工具包。

Cyth Systems首席执行官Andy Long解释说:“十年前，当深度学习软件和相关硬件的能力远远不够时，培训软件进行深度学习需要大约两周的时间。到2014年，这花了大约两天时间，现在不到一天。”

雄心勃勃的集成商和制造商倾向于从开源软件开始，因为它不需要许可或特许权使用费。在缺点方面，供应商提供的技术支持很少，在网络培训开始之前，最终用户必须仔细地对几百到几千张数据集图像进行分类。

“Petry指出:“使用开源软件开始深度学习实践的公司需要一个真正专家，比如工程学博士。”即使这样，用户也很容易花6到12个月的时间来获得适合应用程序的软件。还有一个问题是，当需要检查不同的零件或装配过程发生变化时，必须重做软件。

Brennan说，Artemis在两个深度学习应用程序中使用了开源软件。在这两种情况下，Artemis的工程师都需要对软件进行“大约2%”的修改和微调，以完全适应每个应用程序。