【图像检测】深度学习与传统算法的区别（识别逻辑、学习能力、泛化能力）

深度学习 使用了端到端的学习策略，直接学习从图像到检测结果的映射关系，自动提取特征，并且根据特征与特征之间的关系，计算出检测结果。

传统算法 则是人工提取特征，比如边缘特征，直线特征，形状特征，然后根据特征的关系，手工编写判断条件，识别类别结果

随着类别数量的增加，特征提取变得愈加复杂。每个特征的定义都需要处理大量的参数，而这些参数必须由视觉工程师进行细致的调整。

深度学习 的学习能力强，使用了梯度下降方法，训练百万参数甚至上亿参数的模型。输入到模型的数据，如果没有自我矛盾，通常都会被完整学习，也就说训练集能够做到近似于 100% 检出。

传统算法 则需要手动设计算法，通过各种算子，例如二值化、形态学变换、边缘提取等算法，结合人工对缺陷的理解，编写算法。若是缺陷种类很多，数据量大，毕竟人工编写算子的效率有限，很难在训练集上做到 100% 检出。

例如，极片缺陷检测里有一个类叫做气泡。

如果是 传统算法 ，使用上面各种方法提取特征，然后判断这个物体是不是气泡，经过测试只有 85% 的准确率。而是用 深度学习 去识别，轻松可以做到 99.5% 以上的准确率。

深度学习 因为学习的数据量大，种类多样，因此有极强的泛化能力。我们使用的深度卷积神经网络，也就是 CNN，具备三大特性：

也就是说，无论图像中的目标经历平移、旋转、缩放，还是在不同的光照条件和视角下，均能被成功识别。

传统算法 在打光条件发生变化的情况下，通常需要调节一些阈值参数，才能适应新的成像条件。