深度学习物体分类在工业领域最成熟的应用介绍

国内深度学习的应用主要集中在手机客户端以及服务行业比较多，但你知道吗，深度学习中不管是哪种框架以及何种算法在工业界有一个非常成熟的应用需求，那就是今天我们要讨论的话题——物体分类（Classify）

提到深度学习物体分类当然必不可少会提到最著名的是 MNIST数据库，它是一个数字手写识别领域的标准评测数据集，大小为60000，一共包含 10 类阿拉伯数字，每类提供 5000张图像进行训练，1000 张进行测试。MNIST 的图像大小为 28×28，即 784 维，所有图像手写数字，存在较大的形变。用caffe做OCR识别必不可少会接触到它，还有诸如ETHZ Shape Classes，MPEG-7等，虽然原理与物体识别相似，但谈到具体应用就不得不说物体分类，业界最高技术在这PASCAL VOC竞赛，http://host.robots.ox.ac.uk/pascal/VOC/index.html物体分类相对于物体识别要稳定许多，这就这直接导致以Caffe为代表的一些应用在物体分类上在工业界具有较大的应用场景，具体表现在以下几个领域：

一.基于视觉系统的物流行业，搭载机器手以及VGA小车，对客户包裹进行分类整理分发，这种应用相对已经十分成熟，甚至一些视觉企业已经将整套系统集成化制造，应用于相关应用以及可以进行简单外部操作，当然在此特意强调一下一二维码在这个行业的重要性，但对物流件整理分发深度学习的物体分类应用将会是最好的选择。

二.集成式工业统计系统，主要功能满足企业对不同产品的统计管理以及计划生产，制造企业在生产过程中有一道重要的工序是产品分发以及数量统计，像在一些包装行业，不同规格以及不同客户的产品包装其实是很大一个问题，传统算法的模板匹配以及特征点算法一般是无法满足客户速度以及广度，在这种应用上分类技术是如鱼得水的应用解决方案。

三.自动化设备程序程序管理以及切换方案，在工厂工作过的读者可能会知道，工业产品检测以及生产程序的切换一般式由认为操作以及切换的，但在以产品为主导的生产先上，不同产品的程序切换是一件十分繁重的工作，如果将深度学习的物体分类应用于产品型号以及程序管理，不仅能大大降低工作强度，并且保障可靠性。

当然，物体分类不仅仅已经成熟的应用于以上方面，还由例如，产品信息矫正系统，以及纠错系统等系统当中，前面提到过的一二维码确实在工业种有着不可代替的作用，但是由于它本身的设计缺陷，直接导致在视觉光学系统上很难做到任意光照的100%的信息读取，这就给深度学习中的物体分类提供了机会，它可以大大提高用户数据的精度以及使用的方便性，甚至代替一二码的作用。