一、深度学习和机器学习
作为人工智能(AI)的下一步，机器学习被定义为可以在比标准计算机更少的人类交互下运行和处理的系统。那么，深度学习是机器学习的进化，是指利用基于人脑的神经网络进行推理的系统。
考虑到工业自动化，机器学习减少了对人工干预的需求，而深度学习走得更远，专注于试图完全消除人工干预。当然，可能总会有一些人为干预，但这一点凸显了这两个术语之间的一个核心区别。
工业4.0:深度学习是当前工业增长时代的支柱，允许小型成像自动化，从而节省时间和金钱。
机器学习和深度学习之间的主要权衡是，机器学习将需要更少的计算能力，但需要更多的人类交互。另一方面，深度学习将需要更多的计算能力，但需要更少的人类交互。
二、机器视觉的深度学习数据集
在深度学习的背景下，数据集是我们用来训练模型的数据。在你开始使用深度学习应用之前，你需要做很多严格的准备，这一切都从你的数据集开始。
这是指包含应用程序所需功能的数据示例的集合。这些例子将用于训练和验证，它们应该包含尽可能多的对象表示(好的和坏的)。
在任何深度学习机器视觉项目中，这些数据的目的都是训练卷积神经网络做出与任务意图和目的一致的推断，然后使用集合中更多的数据来测试和验证这些决策。
三、深度学习机器视觉应用
1.那些可以从将深度学习应用于其工业自动化视觉系统中受益的行业
2.那些充分发挥深度学习核心优势的行业：分类、识别、阅读、检测。
3.深度学习擅长工业光学字符识别(OCR)。
和数据集一样，你成像的对象越基本，就越容易实现深度学习。例如，水果分类效果很好——瑕疵很容易识别，因此自动化通过或拒绝过程可以节省大量时间。