最近這些年，隨著深度學習技術的出現，視覺圖像處理變得越來越火熱，在各個領域都得到了大量的應用，同時也出現了大量的從業人員。但是，很多人只會用深度學習，并且認為傳統的圖像處理算法已經沒用了，曾經聽到有人說，圖像處理已經爛大街了，傳統的圖像處理算法已經過時了，圖像處理門檻很低，是個人都可以用。說實話，聽到這樣的言論，有時候我真的很無語。

今天剛好有點時間，我想來說說這個事情。首先，我們來分析一下，圖像處理主要在干什么事情?不管圖像處理用在哪個行業，其實現的功能主要有識別、分類、定位、檢測、尺寸測量、視覺引導等。

既然總有人說深度學習已經代替了傳統的圖像處理技術，今天我就給幾個具體的案例?？纯瓷疃葘W習應該實現?看看傳統的圖像處理技術到底有沒有用。

首先簡單說一下上面提到的視覺主要功能是在什么的。識別和分類有一定關聯性。人臉識別、車牌識別、字符識別、條形碼/二維碼識別、產品類別識別、水果識別等，都是圖像識別技術，識別完后有時候直接給出識別結果，有時候還需要進行分類。比如混裝產線上的產品識別后，需要進行分類裝箱。

定位也有很多種，有時候只需要知道目標大概在什么位置，有時候需要精確定位，從而讓機器人自動抓取。檢測有目標檢測、缺陷檢測等。目標檢測很多時候只需要知道場景中是否存在該目標，缺陷檢測很多時候除了檢測是否存在缺陷之外，還需要確定缺陷的大小和類別。

尺寸測量目標很明確，就是通過視覺檢測目標對象的某些具體尺寸是否符合要求。視覺引導是結合機器人自動抓取用的，需要精確定位目標位置，同時很多時候還需要定位抓取的具體位置，避免沒有抓牢，在機器人移動時抓取對象可能掉下來。

下面我就列舉幾個具體的案例，看大家用深度學習怎么實現。由于企業并不想把這些圖像公之于眾，所以下面所有的圖我都只截取了其中一小部分，也看不出是什么東西。

下面所有的例子都是企業實際需求，圖像也是現場拍的。先來個簡單的字符識別。這是一個簡單的字符識別，識別要求：判斷這些字符是否正確，速度每秒鐘20個，預算2萬塊錢一臺視覺系統，100條產線，總共200萬。做不做呢?200萬已經不小了，可是每臺只有2萬。做下來有沒有利潤?上位機識別到字符有錯誤，需要自動剔除。

簡單分析一下，檢測速度每秒鐘20個，也就是每個產品需要50毫秒之內完成，同時上位機需要給剔除機構發信號，為了發信號穩定，預留20毫秒時間，剩下的30毫秒就是拍照和圖像處理時間。想一下深度學習怎么訓練?工控機怎么配置?PLC、剔除裝置、相機、光源、鏡頭、機柜以及其它一些小配件多少錢?人工現場調試成本多少?總共成本是多少?

再來一個例子。下面這個圖是焊接缺陷檢測，焊接缺陷有很多種，曾經有人用了一周時間利用深度學習來訓練和檢測，然后給我說檢測結果很好，過來一個月后來找我說用不起，檢測效果很差，大家想想為什么?

再來一個例子，下面這個圖是條形碼識別，是不是很少見這么不清楚的條形碼?請用深度學習識別出來。

再來一個例子，下面的圖檢測兩側粗細是否一致以及檢測表面是否有缺陷。用深度學習怎么做?有人用深度學習在現場調試了半年，最后客戶不滿意。

下面這個圖，要實現機器人自動抓取，需要檢測抓取對象傾斜的角度，從而調整機器人位姿，用深度學習怎么做?

下面這個是已經使用過一段時間的彈簧，需要測量彈簧的尺寸，判斷是否合格，還有類似的軸承、齒輪、螺紋等參數測量，用深度學習怎么做?

上面的例子只是眾多實際案例中的極小一部分，類似的檢測層出不窮，比如自動擰螺栓，無序抓取、微米級的精確定位等。然而，遺憾的是，很多人就只會用深度學習，某些人連基本的圖像概念都沒有搞清楚，就得出結論認為圖像處理已經爛大街，深度學習已經代替其他圖像處理方法了。多接觸點實際案例，就不會說出這樣的話來。

很多人用深度學習，以為把圖像傳進去訓練一下就可以了，如果效果不好就增加訓練樣本，調整下參數，以為就會達到效果，我只能說對圖像的理解有點淺。人們最常見的圖像應用就是人臉識別、車牌識別等，這種識別用深度學沒有什么問題，本身要求也不高，就算識別時間很長，或者識別錯誤也問題不大，刷臉支付如果識別不出來，還可以手動支付;車牌識別、門禁系統人臉識別不出來還可以手動開門。在全自動的應用場景可不允許出現這樣的情況。

產品缺陷檢測、分類、識別用深度學習比較多，但是也要分情況。而且，很多時候都不是單純的只用深度學習訓練下就可以的，在訓練之前還可能要用到其它的圖像處理算法。

有些人拿公開的數據集跑下深度學習模型，寫點文章，是沒有問題的。但是，要做到應用層面，還有很長的路要走。曾經熟悉的一家企業招聘了不少博士去搞視覺檢測，大半年時間沒有出來任何結果，被領導大罵了一頓，知道為什么嗎?

不可否認，深度學習有它的應用場景，但是，這只是視覺檢測中的一部分，還有很多方面的檢測深度學習是沒法實現的。而且，現在的視覺檢測其實也只能完成很多簡單場景的應用，很多復雜場景不管采用什么算法，現在根本沒法檢測，視覺圖像處理算法還有很長的路要走。

就算直接用深度學習訓練圖像，很多時候也不是直接拿原圖進行訓練，而需要對原圖進行一些處理，比如濾波、增強、閾值分割、邊緣檢測、形態學運算。而還有些時候，是對圖像做一些處理之后，直接提取圖像特征在進行深度學習訓練，很多做視覺的人都明白這個道理。

以前也說過，如果只是想寫點論文，往一個方向深入研究就可以了，深入進行理論研究也是有前途的，但是對個人的理論能力要求有點高。如果沒有接觸過多少實際視覺應用，最好不要提什么圖像處理已經爛大街了，別的圖像處理算法已經沒人用了，深度學習已經代替別的圖像處理算法了。

所以，傳統的圖像處理算法是否還有用?我想這個問題的答案已經很清楚了。如果還有不明白的，請仔細思考下，自己到底接觸了多少視覺方面的項目，還有哪些是自己不知道的，自己是否真的明白視覺檢測可以做哪些事情，應該怎么去做?很少有哪個視覺檢測是借助于某個單一的圖像處理算法就實現的。所以，對于應用層面而言，需要熟練掌握各種圖像處理算法的使用，需要熟練掌握各種算法的組合應用，才能做到在視覺行業游刃有余。很快就到暑假了，暑假是非常好的學習時間，利用這個假期，利用這個學習平臺，快速掌握圖像處理相關算法的應用吧。