第 09 期 | AI 算法基础：从传统图像处理到深度学习的视觉"大脑"
前八期我们把高炉"看得见的战场"都摆了一遍------风口、料面、铁口、喷煤、料流。可这些画面，机器到底靠什么"看懂"？这就引出机器视觉的"大脑"------算法 。从早期的手工特征传统图像处理，到如今的深度学习，算法经历了眼花缭乱的演进。本期作为算法篇开篇，为没有算法背景的炼铁人讲清楚：传统算法和深度学习各自擅长什么、怎么选、怎么一步步搭出视觉"大脑"，让你"不懂代码也能看明白门槛在哪"。
一、机器视觉的"大脑"是怎么运作的？🧠
类比人眼识物，机器"看懂"也分两步：
#mermaid-svg-FmI7GeudvU442VED{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-FmI7GeudvU442VED .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-FmI7GeudvU442VED .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-FmI7GeudvU442VED .error-icon{fill:#552222;}#mermaid-svg-FmI7GeudvU442VED .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-FmI7GeudvU442VED .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-FmI7GeudvU442VED .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-FmI7GeudvU442VED .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-FmI7GeudvU442VED .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-FmI7GeudvU442VED .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-FmI7GeudvU442VED .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-FmI7GeudvU442VED .marker{fill:#333333;stroke:#333333;}#mermaid-svg-FmI7GeudvU442VED .marker.cross{stroke:#333333;}#mermaid-svg-FmI7GeudvU442VED svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-FmI7GeudvU442VED p{margin:0;}#mermaid-svg-FmI7GeudvU442VED .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-FmI7GeudvU442VED .cluster-label text{fill:#333;}#mermaid-svg-FmI7GeudvU442VED .cluster-label span{color:#333;}#mermaid-svg-FmI7GeudvU442VED .cluster-label span p{background-color:transparent;}#mermaid-svg-FmI7GeudvU442VED .label text,#mermaid-svg-FmI7GeudvU442VED span{fill:#333;color:#333;}#mermaid-svg-FmI7GeudvU442VED .node rect,#mermaid-svg-FmI7GeudvU442VED .node circle,#mermaid-svg-FmI7GeudvU442VED .node ellipse,#mermaid-svg-FmI7GeudvU442VED .node polygon,#mermaid-svg-FmI7GeudvU442VED .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-FmI7GeudvU442VED .rough-node .label text,#mermaid-svg-FmI7GeudvU442VED .node .label text,#mermaid-svg-FmI7GeudvU442VED .image-shape .label,#mermaid-svg-FmI7GeudvU442VED .icon-shape .label{text-anchor:middle;}#mermaid-svg-FmI7GeudvU442VED .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-FmI7GeudvU442VED .rough-node .label,#mermaid-svg-FmI7GeudvU442VED .node .label,#mermaid-svg-FmI7GeudvU442VED .image-shape .label,#mermaid-svg-FmI7GeudvU442VED .icon-shape .label{text-align:center;}#mermaid-svg-FmI7GeudvU442VED .node.clickable{cursor:pointer;}#mermaid-svg-FmI7GeudvU442VED .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-FmI7GeudvU442VED .arrowheadPath{fill:#333333;}#mermaid-svg-FmI7GeudvU442VED .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-FmI7GeudvU442VED .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-FmI7GeudvU442VED .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-FmI7GeudvU442VED .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-FmI7GeudvU442VED .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-FmI7GeudvU442VED .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-FmI7GeudvU442VED .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-FmI7GeudvU442VED .cluster text{fill:#333;}#mermaid-svg-FmI7GeudvU442VED .cluster span{color:#333;}#mermaid-svg-FmI7GeudvU442VED div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-FmI7GeudvU442VED .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-FmI7GeudvU442VED rect.text{fill:none;stroke-width:0;}#mermaid-svg-FmI7GeudvU442VED .icon-shape,#mermaid-svg-FmI7GeudvU442VED .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-FmI7GeudvU442VED .icon-shape p,#mermaid-svg-FmI7GeudvU442VED .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-FmI7GeudvU442VED .icon-shape .label rect,#mermaid-svg-FmI7GeudvU442VED .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-FmI7GeudvU442VED .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-FmI7GeudvU442VED .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-FmI7GeudvU442VED :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 机器视觉
图像
像素矩阵
特征提取
分类/检测/判断
人眼
看到画面
大脑
提取特征+判断
💡 知识卡片 ：机器看图的本质是"把像素变成特征，再把特征变成结论 "。所有算法都在回答两个问题："拿哪些特征？（特征工程）"和"怎么根据特征下结论？（学习/规则）"。传统与深度学习的分野，正是对这两个问题答案的不同。
二、传统图像处理：先"手工提取特征"的老方法 🛠️
早期靠人手工设计特征，再配简单分类器：
| 手段 | 作用 | 在高炉的用武之地 |
|---|---|---|
| 边缘检测（Sobel/Canny） | 找轮廓边界 | 料线、风口边缘 |
| 形态学操作 | 膨胀/腐蚀修整 | 去噪、目标连通 |
| 阈值分割 | 按灰度切分目标 | 铁流、亮区提取 |
| 手工特征+分类器 | 颜色/纹理/形状统计 | 简单判读（如亮度分级） |
#mermaid-svg-MDrXiZplJ1w3sY0R{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-MDrXiZplJ1w3sY0R .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-MDrXiZplJ1w3sY0R .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-MDrXiZplJ1w3sY0R .error-icon{fill:#552222;}#mermaid-svg-MDrXiZplJ1w3sY0R .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-MDrXiZplJ1w3sY0R .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-MDrXiZplJ1w3sY0R .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-MDrXiZplJ1w3sY0R .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-MDrXiZplJ1w3sY0R .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-MDrXiZplJ1w3sY0R .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-MDrXiZplJ1w3sY0R .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-MDrXiZplJ1w3sY0R .marker{fill:#333333;stroke:#333333;}#mermaid-svg-MDrXiZplJ1w3sY0R .marker.cross{stroke:#333333;}#mermaid-svg-MDrXiZplJ1w3sY0R svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-MDrXiZplJ1w3sY0R p{margin:0;}#mermaid-svg-MDrXiZplJ1w3sY0R .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-MDrXiZplJ1w3sY0R .cluster-label text{fill:#333;}#mermaid-svg-MDrXiZplJ1w3sY0R .cluster-label span{color:#333;}#mermaid-svg-MDrXiZplJ1w3sY0R .cluster-label span p{background-color:transparent;}#mermaid-svg-MDrXiZplJ1w3sY0R .label text,#mermaid-svg-MDrXiZplJ1w3sY0R span{fill:#333;color:#333;}#mermaid-svg-MDrXiZplJ1w3sY0R .node rect,#mermaid-svg-MDrXiZplJ1w3sY0R .node circle,#mermaid-svg-MDrXiZplJ1w3sY0R .node ellipse,#mermaid-svg-MDrXiZplJ1w3sY0R .node polygon,#mermaid-svg-MDrXiZplJ1w3sY0R .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-MDrXiZplJ1w3sY0R .rough-node .label text,#mermaid-svg-MDrXiZplJ1w3sY0R .node .label text,#mermaid-svg-MDrXiZplJ1w3sY0R .image-shape .label,#mermaid-svg-MDrXiZplJ1w3sY0R .icon-shape .label{text-anchor:middle;}#mermaid-svg-MDrXiZplJ1w3sY0R .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-MDrXiZplJ1w3sY0R .rough-node .label,#mermaid-svg-MDrXiZplJ1w3sY0R .node .label,#mermaid-svg-MDrXiZplJ1w3sY0R .image-shape .label,#mermaid-svg-MDrXiZplJ1w3sY0R .icon-shape .label{text-align:center;}#mermaid-svg-MDrXiZplJ1w3sY0R .node.clickable{cursor:pointer;}#mermaid-svg-MDrXiZplJ1w3sY0R .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-MDrXiZplJ1w3sY0R .arrowheadPath{fill:#333333;}#mermaid-svg-MDrXiZplJ1w3sY0R .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-MDrXiZplJ1w3sY0R .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-MDrXiZplJ1w3sY0R .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-MDrXiZplJ1w3sY0R .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-MDrXiZplJ1w3sY0R .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-MDrXiZplJ1w3sY0R .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-MDrXiZplJ1w3sY0R .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-MDrXiZplJ1w3sY0R .cluster text{fill:#333;}#mermaid-svg-MDrXiZplJ1w3sY0R .cluster span{color:#333;}#mermaid-svg-MDrXiZplJ1w3sY0R div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-MDrXiZplJ1w3sY0R .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-MDrXiZplJ1w3sY0R rect.text{fill:none;stroke-width:0;}#mermaid-svg-MDrXiZplJ1w3sY0R .icon-shape,#mermaid-svg-MDrXiZplJ1w3sY0R .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-MDrXiZplJ1w3sY0R .icon-shape p,#mermaid-svg-MDrXiZplJ1w3sY0R .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-MDrXiZplJ1w3sY0R .icon-shape .label rect,#mermaid-svg-MDrXiZplJ1w3sY0R .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-MDrXiZplJ1w3sY0R .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-MDrXiZplJ1w3sY0R .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-MDrXiZplJ1w3sY0R :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 输入图像
手工特征提取
(边缘/颜色/纹理)
简单分类器
(阈值/统计/规则)
结论
🎯 要点 ：传统方法可解释、速度快、无需海量数据 ，适合"规律明确、变化不大"的简单任务（如判亮度、找边缘）。但它"手工设计特征"费心力，遇到复杂多变的高炉场景就显得力不从心。
三、深度学习：让机器"自己学特征"的新大脑 🤖
深度学习（尤其 CNN 卷积神经网络）最大的革命：特征不用人设计，让网络自己学。
#mermaid-svg-NFtuPROY9c2JVr5Y{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-NFtuPROY9c2JVr5Y .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-NFtuPROY9c2JVr5Y .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-NFtuPROY9c2JVr5Y .error-icon{fill:#552222;}#mermaid-svg-NFtuPROY9c2JVr5Y .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-NFtuPROY9c2JVr5Y .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-NFtuPROY9c2JVr5Y .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-NFtuPROY9c2JVr5Y .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-NFtuPROY9c2JVr5Y .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-NFtuPROY9c2JVr5Y .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-NFtuPROY9c2JVr5Y .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-NFtuPROY9c2JVr5Y .marker{fill:#333333;stroke:#333333;}#mermaid-svg-NFtuPROY9c2JVr5Y .marker.cross{stroke:#333333;}#mermaid-svg-NFtuPROY9c2JVr5Y svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-NFtuPROY9c2JVr5Y p{margin:0;}#mermaid-svg-NFtuPROY9c2JVr5Y .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-NFtuPROY9c2JVr5Y .cluster-label text{fill:#333;}#mermaid-svg-NFtuPROY9c2JVr5Y .cluster-label span{color:#333;}#mermaid-svg-NFtuPROY9c2JVr5Y .cluster-label span p{background-color:transparent;}#mermaid-svg-NFtuPROY9c2JVr5Y .label text,#mermaid-svg-NFtuPROY9c2JVr5Y span{fill:#333;color:#333;}#mermaid-svg-NFtuPROY9c2JVr5Y .node rect,#mermaid-svg-NFtuPROY9c2JVr5Y .node circle,#mermaid-svg-NFtuPROY9c2JVr5Y .node ellipse,#mermaid-svg-NFtuPROY9c2JVr5Y .node polygon,#mermaid-svg-NFtuPROY9c2JVr5Y .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-NFtuPROY9c2JVr5Y .rough-node .label text,#mermaid-svg-NFtuPROY9c2JVr5Y .node .label text,#mermaid-svg-NFtuPROY9c2JVr5Y .image-shape .label,#mermaid-svg-NFtuPROY9c2JVr5Y .icon-shape .label{text-anchor:middle;}#mermaid-svg-NFtuPROY9c2JVr5Y .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-NFtuPROY9c2JVr5Y .rough-node .label,#mermaid-svg-NFtuPROY9c2JVr5Y .node .label,#mermaid-svg-NFtuPROY9c2JVr5Y .image-shape .label,#mermaid-svg-NFtuPROY9c2JVr5Y .icon-shape .label{text-align:center;}#mermaid-svg-NFtuPROY9c2JVr5Y .node.clickable{cursor:pointer;}#mermaid-svg-NFtuPROY9c2JVr5Y .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-NFtuPROY9c2JVr5Y .arrowheadPath{fill:#333333;}#mermaid-svg-NFtuPROY9c2JVr5Y .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-NFtuPROY9c2JVr5Y .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-NFtuPROY9c2JVr5Y .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-NFtuPROY9c2JVr5Y .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-NFtuPROY9c2JVr5Y .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-NFtuPROY9c2JVr5Y .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-NFtuPROY9c2JVr5Y .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-NFtuPROY9c2JVr5Y .cluster text{fill:#333;}#mermaid-svg-NFtuPROY9c2JVr5Y .cluster span{color:#333;}#mermaid-svg-NFtuPROY9c2JVr5Y div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-NFtuPROY9c2JVr5Y .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-NFtuPROY9c2JVr5Y rect.text{fill:none;stroke-width:0;}#mermaid-svg-NFtuPROY9c2JVr5Y .icon-shape,#mermaid-svg-NFtuPROY9c2JVr5Y .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-NFtuPROY9c2JVr5Y .icon-shape p,#mermaid-svg-NFtuPROY9c2JVr5Y .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-NFtuPROY9c2JVr5Y .icon-shape .label rect,#mermaid-svg-NFtuPROY9c2JVr5Y .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-NFtuPROY9c2JVr5Y .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-NFtuPROY9c2JVr5Y .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-NFtuPROY9c2JVr5Y :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 海量标注图像
CNN逐层学习
自动提取特征
(底层边缘→高层语义)
端到端输出结论
- 卷积神经网络（CNN）：自动分层学特征，图像/视频任务的主力；
- 端到端：给图像、给标签，网络自己学"怎么从像素到结论"，少手工设计；
- 优势：能捕捉传统方法"想不到"的复杂特征与模式。
💡 知识卡片 ：CNN 像一层层"滤镜"：浅层学会看边缘纹理，深层学会看"风口""铁流""煤枪"这样的整体语义。因为特征是自己"学"出来的，处理高炉这类复杂、多变、光照不均的场景，往往比手工特征更鲁棒、更准。
四、怎么选：传统 vs 深度学习的最佳分工 ⚖️
不是"越高级越好"，而是"按任务特性配算法":
| 维度 | 传统图像处理 | 深度学习 |
|---|---|---|
| 数据需求 | 少，靠规则 | 多，靠标注 |
| 可解释性 | 高，逻辑清晰 | 低，黑盒 |
| 后台算力 | 轻，CPU够 | 重，需GPU |
| 场景变化 | 适合稳定简单 | 适合复杂多变 |
| 典型任务 | 测亮/找边/分割 | 检测目标/识别场景 |
📌 实战要点 ：工业落地最聪明的做法是"混搭 "------能用传统方法稳定解决的就用传统方法（省算力、可解释），确实复杂的再用深度学习（求精度、扛多变）。别一上来就"全部上深度学习"，那是常见误区。
五、一张图：机器视觉算法选型决策流 🗺️
#mermaid-svg-ixHQy0h8bNNNBdPg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-ixHQy0h8bNNNBdPg .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-ixHQy0h8bNNNBdPg .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-ixHQy0h8bNNNBdPg .error-icon{fill:#552222;}#mermaid-svg-ixHQy0h8bNNNBdPg .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-ixHQy0h8bNNNBdPg .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-ixHQy0h8bNNNBdPg .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-ixHQy0h8bNNNBdPg .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-ixHQy0h8bNNNBdPg .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-ixHQy0h8bNNNBdPg .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-ixHQy0h8bNNNBdPg .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-ixHQy0h8bNNNBdPg .marker{fill:#333333;stroke:#333333;}#mermaid-svg-ixHQy0h8bNNNBdPg .marker.cross{stroke:#333333;}#mermaid-svg-ixHQy0h8bNNNBdPg svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-ixHQy0h8bNNNBdPg p{margin:0;}#mermaid-svg-ixHQy0h8bNNNBdPg .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-ixHQy0h8bNNNBdPg .cluster-label text{fill:#333;}#mermaid-svg-ixHQy0h8bNNNBdPg .cluster-label span{color:#333;}#mermaid-svg-ixHQy0h8bNNNBdPg .cluster-label span p{background-color:transparent;}#mermaid-svg-ixHQy0h8bNNNBdPg .label text,#mermaid-svg-ixHQy0h8bNNNBdPg span{fill:#333;color:#333;}#mermaid-svg-ixHQy0h8bNNNBdPg .node rect,#mermaid-svg-ixHQy0h8bNNNBdPg .node circle,#mermaid-svg-ixHQy0h8bNNNBdPg .node ellipse,#mermaid-svg-ixHQy0h8bNNNBdPg .node polygon,#mermaid-svg-ixHQy0h8bNNNBdPg .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-ixHQy0h8bNNNBdPg .rough-node .label text,#mermaid-svg-ixHQy0h8bNNNBdPg .node .label text,#mermaid-svg-ixHQy0h8bNNNBdPg .image-shape .label,#mermaid-svg-ixHQy0h8bNNNBdPg .icon-shape .label{text-anchor:middle;}#mermaid-svg-ixHQy0h8bNNNBdPg .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-ixHQy0h8bNNNBdPg .rough-node .label,#mermaid-svg-ixHQy0h8bNNNBdPg .node .label,#mermaid-svg-ixHQy0h8bNNNBdPg .image-shape .label,#mermaid-svg-ixHQy0h8bNNNBdPg .icon-shape .label{text-align:center;}#mermaid-svg-ixHQy0h8bNNNBdPg .node.clickable{cursor:pointer;}#mermaid-svg-ixHQy0h8bNNNBdPg .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-ixHQy0h8bNNNBdPg .arrowheadPath{fill:#333333;}#mermaid-svg-ixHQy0h8bNNNBdPg .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-ixHQy0h8bNNNBdPg .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-ixHQy0h8bNNNBdPg .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-ixHQy0h8bNNNBdPg .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-ixHQy0h8bNNNBdPg .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-ixHQy0h8bNNNBdPg .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-ixHQy0h8bNNNBdPg .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-ixHQy0h8bNNNBdPg .cluster text{fill:#333;}#mermaid-svg-ixHQy0h8bNNNBdPg .cluster span{color:#333;}#mermaid-svg-ixHQy0h8bNNNBdPg div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-ixHQy0h8bNNNBdPg .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-ixHQy0h8bNNNBdPg rect.text{fill:none;stroke-width:0;}#mermaid-svg-ixHQy0h8bNNNBdPg .icon-shape,#mermaid-svg-ixHQy0h8bNNNBdPg .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-ixHQy0h8bNNNBdPg .icon-shape p,#mermaid-svg-ixHQy0h8bNNNBdPg .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-ixHQy0h8bNNNBdPg .icon-shape .label rect,#mermaid-svg-ixHQy0h8bNNNBdPg .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-ixHQy0h8bNNNBdPg .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-ixHQy0h8bNNNBdPg .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-ixHQy0h8bNNNBdPg :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 是
否
是
否
识别任务
规律是否明确?变化是否小?
传统图像处理
(边缘/阈值/特征+分类)
是否有足够标注数据?
深度学习
(CNN端到端)
先用传统方法+逐步积累数据
再平滑升级到深度学习
按需混搭, 落地最优
🎯 核心结论 ：机器视觉的"大脑"没有绝对先进，只有"任务匹配"。传统方法精于"简单稳定、可解释、省算力"，深度学习强于"复杂多变、高精度"。工业落地的主旋律是**"按任务配算法、能简则简、需深则深、混搭落地"**。
🎯 本期小结
- 机器视觉本质是"像素→特征→结论"的三步；
- 传统方法靠手工提取特征，可解释、省算力、适合简单稳定场景；
- 深度学习让网络自己学特征，端到端、抗复杂多变、但需数据与算力；
- CNN 浅层学边缘、深层学语义，是高炉复杂识别的主力；
- 选型原则：能简则简、需深则深、按任务混搭，别盲目全上深度学习；
- 工业落地的明智策略：传统方法兜底 + 深度学习攻坚 + 数据逐步积累升级。
下一期预告：理解了大模型大脑，该学"具体怎么认目标、抠轮廓"了。第 10 期《目标检测与分割：识别高炉关键对象的落地选型》，我们聚焦高炉里最常用的两大类算法，讲透怎么让机器"找到风口、画出铁流、圈住煤枪"。
作者：高炉炼铁智能化技术研究者，专注钢铁冶金与人工智能 +交叉领域。
👍 如果觉得有帮助，请点赞、收藏、转发！
版权归作者所有，未经许可请勿抄袭，套用，商用(或其它具有利益性行为) 。
🔔 关注专栏，不错过后续精彩内容