機器正在學習思考。深度學習是一種機器學習技術(shù)，也是人工智能中最重要的未來技術(shù)。SICK將此關(guān)鍵技術(shù)轉(zhuǎn)移到傳感器中，為客戶提供附加值，以提高生產(chǎn)力和靈活性。

如果要提高生產(chǎn)中每個階段的效率，必須適配聰穎的機器。物流過程自動化正在持續(xù)發(fā)展。人們對智能機器的行為越來越感興趣，數(shù)字技術(shù)的挑戰(zhàn)也隨之而來。

傳感器仍然是信息的來源，而集成軟件則為網(wǎng)絡數(shù)據(jù)的評估和溝通提供了解決方案。然而，工業(yè)4.0的趨勢意味著IT行業(yè)迫切需要對數(shù)據(jù)復雜性進行“改革”。深度學習是必不可少的，這也是SICK及其客戶在現(xiàn)代化工廠流程中所走的道路。

深度學習，像人類一樣思考

深度學習需要能夠檢測和處理大量復雜模式以及數(shù)據(jù)的算法。人工神經(jīng)網(wǎng)絡模仿人類的思維，并從實例中學習。

它從經(jīng)驗中學習，學會適應不斷更新的新資訊。其結(jié)果是，現(xiàn)如今一系列的優(yōu)化有了可能，而這在幾年前是不可想象的。機器和工廠結(jié)合智能數(shù)據(jù)和專用傳感器，可以找到最復雜任務的解決方案。

現(xiàn)實檢驗

SICK目前的深度學習項目主要集中在光學質(zhì)量檢測領(lǐng)域。在物流自動化中，通過分析捕獲的圖像庫，深度學習相機可以自動檢測、驗證、分類和定位“訓練”對象或特征。

例如它們可以檢查出分揀盤中是否有扁平的物件，從而優(yōu)化分揀效率并提高吞吐量。他們可以檢測到包裹上有帶子，甚至連白色包裹上附著的白色帶子都不例外。這樣可以改進自動包裝過程中的質(zhì)量控制，并確保對運輸對象進行分析。如果包裹有凹陷或損壞，或者需要確定包裹的材料屬性，SICK傳感器可以在實時操作中智能捕獲和評估結(jié)構(gòu)或特征。它們確保啟動排序過程中的后續(xù)步驟。

這種形式的功能是獨一無二的，以前這只能由人眼來完成。所有SICK項目的最終目的是將深度學習應用于改進流程和提高工廠效率。

頂級專家，復雜算法，強大計算能力

大家需求的并不是一個通用解決方案。相反，人們的重點是針對特定情況量身定制的解決方案。盡管現(xiàn)代2D和3D相機變得越來越快、越來越強大，但目前其性能仍受到傳統(tǒng)圖像處理算法的限制。為了評估不同的應用和條件，SICK的深度學習專家與客戶的流程和品質(zhì)的專家緊密合作。他們獨特的流程控制專業(yè)知識是深度學習前期的仿真訓練的基礎，也是傳感器后續(xù)深度學習算法的核心。

一個復雜的網(wǎng)絡結(jié)構(gòu)可以處理大量的信息。盡管如此，培養(yǎng)一個深度學習網(wǎng)絡只需要幾個小時。深度學習網(wǎng)絡也可以被重新塑造并適應新的條件。對于大數(shù)據(jù)池和神經(jīng)網(wǎng)絡訓練，SICK使用獨立、強大的內(nèi)部處理和IT系統(tǒng)。生成的深度學習算法通過云本地放置在傳感器上，使其具有故障保護能力，并可直接在智能相機上使用。

離機器真正成為主流還有很長的路要走，不過現(xiàn)如今，深度學習也取得了令人矚目的成績，并帶來了許多好處。然而，最核心的工作仍由人類負責。只有時間才能告訴我們，有多少公司和行業(yè)會決定通過加大對這項數(shù)字技術(shù)的投資來推動自身的增長。

成為改革的一部分——與新項目共同成長。與SICK共同前行。