刚刚阅读完《深度学习在自动视觉检测中的血泪史》（//www.greatytc.com/p/535fb37b83b5）作者写了将深度学习应用于自动视觉检测的经历与教训，写得很深刻，很感谢作者把经验分享给大家。
虽然对深度学习只是了解一点皮毛，但是自己还是非常关注的，一直坚信人工智能在不久的将来一定能有很广泛的应用。而这所谓的广泛，定然是需要各界人士的不断创新，不断扩展。
作为一个进入自动化检测行业的新人，也会想着如何把当下时代的新兴技术应用到自己涉及的领域。
刚接触深度学习时，对深度学习的理解是这样的（如下图）：深度学习是通过使用已知样本去训练出一套能完成指定功能的神经网络，再将此神经网络应用到实践中去；从几何方面来理解，就是将高维空间上的一点（例如，一幅10万像素的灰度图，就是一个10万维空间上的一个点）映射到低维空间上的一个点（例如，猫、狗、兔分别对应一维坐标上x=1,2,3的点）；从函数角度去理解，就是找到一个最优的F（X），能实现“F(图片）=猫”。
深度学习就是那么神奇，让我很自然地想到自己的工作。自动化测试通过采集被测对象的各种电学测量值（电压，电流，波形，相位，幅值，频率等等等）与标准进行比对得出被测对象合格与不合格。这个时候你有没有发现相似之处？
你是不是觉得检测要求输出的是合格与不合格，输入的是大量的电学测量值，恰恰是高维到低维映射？
你是不是突然想到“F（电学测量值）=合格”，“F（电学测量值）=不合格”？
你是不是觉得很快深度学习方法就能替代传统的比对式的检测方式？
心底当然有发现新大陆一样的高兴，甚至拥有立马能改变世界能力的狂喜，但是又问了自己另外一个问题，为什么业界没有广泛使用这种方法？
我能想到的原因只有这一些了：
1、很多情况下很难甚至不可能充分的获取到所有情况下合格与不合格的样本。
2、样本数量要求有些大，通用型产品相对容易获得足够数量的样本，但对于专业型产品要获得百 件以上的样品真的很难。
3、这也是最重要的一点，检测的目的不只是过滤掉不良品，更重要的作用在于指导生产，改进生 产工艺改进、设计方案、提高生产效率。有人可能会反驳，说我这模型设计得不对，应该改 成“F（电学测量值）=合格”，“F（电学测量值）=故障x”，这样就完美解决了。可是对于前两点原因 是不是会变得更加难实现呢。
4、自动化检测是需要严谨的，很多客户非常关注产品测试报告。若是使用深度学习完成检测，那 检测报告写点什么呢？完完整整记录产品的特征值以及对应的标准值，虽然显得冗长，但是数据 充分、真实可信，这也是传统检测方法的优势所在。
当然还有《深度学习在自动视觉检测中的血泪史》作者文章里讲到的开发、使用、维护等方面人才欠缺，以及深度学习在应用过程中的稳定性不足等原因。
这样想来我“改变世界”的想法的确有些天真。
深度学习的强大、神奇是毋庸置疑的。它在自动化测试领域应用的道路，还需要不断地探索。
