最近这些年，随着深度学习技术的出现，视觉图像处理变得越来越火热，在各个领域都得到了大量的应用，同时也出现了大量的从业人员。但是，很多人只会用深度学习，并且认为传统的图像处理算法已经没用了，曾经听到有人说，图像处理已经烂大街了，传统的图像处理算法已经过时了，图像处理门槛很低，是个人都可以用。说实话，听到这样的言论，有时候我真的很无语。

今天刚好有点时间，我想来说说这个事情。首先，我们来分析一下，图像处理主要在干什么事情？不管图像处理用在哪个行业，其实现的功能主要有识别、分类、定位、检测、尺寸测量、视觉引导等。

既然总有人说深度学习已经代替了传统的图像处理技术，今天我就给几个具体的案例。看看深度学习应该实现？看看传统的图像处理技术到底有没有用。

首先简单说一下上面提到的视觉主要功能是在什么的。识别和分类有一定关联性。人脸识别、车牌识别、字符识别、条形码/二维码识别、产品类别识别、水果识别等，都是图像识别技术，识别完后有时候直接给出识别结果，有时候还需要进行分类。比如混装产线上的产品识别后，需要进行分类装箱。

定位也有很多种，有时候只需要知道目标大概在什么位置，有时候需要精确定位，从而让机器人自动抓取。检测有目标检测、缺陷检测等。目标检测很多时候只需要知道场景中是否存在该目标，缺陷检测很多时候除了检测是否存在缺陷之外，还需要确定缺陷的大小和类别。

尺寸测量目标很明确，就是通过视觉检测目标对象的某些具体尺寸是否符合要求。视觉引导是结合机器人自动抓取用的，需要精确定位目标位置，同时很多时候还需要定位抓取的具体位置，避免没有抓牢，在机器人移动时抓取对象可能掉下来。

下面我就列举几个具体的案例，看大家用深度学习怎么实现。由于企业并不想把这些图像公之于众，所以下面所有的图我都只截取了其中一小部分，也看不出是什么东西。

下面所有的例子都是企业实际需求，图像也是现场拍的。先来个简单的字符识别。这是一个简单的字符识别，识别要求：判断这些字符是否正确，速度每秒钟20个，预算2万块钱一台视觉系统，100条产线，总共200万。做不做呢？200万已经不小了，可是每台只有2万。做下来有没有利润？上位机识别到字符有错误，需要自动剔除。

简单分析一下，检测速度每秒钟20个，也就是每个产品需要50毫秒之内完成，同时上位机需要给剔除机构发信号，为了发信号稳定，预留20毫秒时间，剩下的30毫秒就是拍照和图像处理时间。想一下深度学习怎么训练？工控机怎么配置？PLC、剔除装置、相机、光源、镜头、机柜以及其它一些小配件多少钱？人工现场调试成本多少？总共成本是多少？

再来一个例子。下面这个图是焊接缺陷检测，焊接缺陷有很多种，曾经有人用了一周时间利用深度学习来训练和检测，然后给我说检测结果很好，过来一个月后来找我说用不起，检测效果很差，大家想想为什么？

再来一个例子，下面这个图是条形码识别，是不是很少见这么不清楚的条形码？请用深度学习识别出来。

再来一个例子，下面的图检测两侧粗细是否一致以及检测表面是否有缺陷。用深度学习怎么做？有人用深度学习在现场调试了半年，最后客户不满意。

下面这个图，要实现机器人自动抓取，需要检测抓取对象倾斜的角度，从而调整机器人位姿，用深度学习怎么做？

下面这个是已经使用过一段时间的弹簧，需要测量弹簧的尺寸，判断是否合格，还有类似的轴承、齿轮、螺纹等参数测量，用深度学习怎么做？

上面的例子只是众多实际案例中的极小一部分，类似的检测层出不穷，比如自动拧螺栓，无序抓取、微米级的精确定位等。然而，遗憾的是，很多人就只会用深度学习，某些人连基本的图像概念都没有搞清楚，就得出结论认为图像处理已经烂大街，深度学习已经代替其他图像处理方法了。多接触点实际案例，就不会说出这样的话来。

很多人用深度学习，以为把图像传进去训练一下就可以了，如果效果不好就增加训练样本，调整下参数，以为就会达到效果，我只能说对图像的理解有点浅。人们最常见的图像应用就是人脸识别、车牌识别等，这种识别用深度学没有什么问题，本身要求也不高，就算识别时间很长，或者识别错误也问题不大，刷脸支付如果识别不出来，还可以手动支付；车牌识别、门禁系统人脸识别不出来还可以手动开门。在全自动的应用场景可不允许出现这样的情况。

产品缺陷检测、分类、识别用深度学习比较多，但是也要分情况。而且，很多时候都不是单纯的只用深度学习训练下就可以的，在训练之前还可能要用到其它的图像处理算法。

有些人拿公开的数据集跑下深度学习模型，写点文章，是没有问题的。但是，要做到应用层面，还有很长的路要走。曾经熟悉的一家企业招聘了不少博士去搞视觉检测，大半年时间没有出来任何结果，被领导大骂了一顿，知道为什么吗？

不可否认，深度学习有它的应用场景，但是，这只是视觉检测中的一部分，还有很多方面的检测深度学习是没法实现的。而且，现在的视觉检测其实也只能完成很多简单场景的应用，很多复杂场景不管采用什么算法，现在根本没法检测，视觉图像处理算法还有很长的路要走。

就算直接用深度学习训练图像，很多时候也不是直接拿原图进行训练，而需要对原图进行一些处理，比如滤波、增强、阈值分割、边缘检测、形态学运算。而还有些时候，是对图像做一些处理之后，直接提取图像特征在进行深度学习训练，很多做视觉的人都明白这个道理。

以前也说过，如果只是想写点论文，往一个方向深入研究就可以了，深入进行理论研究也是有前途的，但是对个人的理论能力要求有点高。如果没有接触过多少实际视觉应用，最好不要提什么图像处理已经烂大街了，别的图像处理算法已经没人用了，深度学习已经代替别的图像处理算法了。

所以，传统的图像处理算法是否还有用？我想这个问题的答案已经很清楚了。如果还有不明白的，请仔细思考下，自己到底接触了多少视觉方面的项目，还有哪些是自己不知道的，自己是否真的明白视觉检测可以做哪些事情，应该怎么去做？很少有哪个视觉检测是借助于某个单一的图像处理算法就实现的。所以，对于应用层面而言，需要熟练掌握各种图像处理算法的使用，需要熟练掌握各种算法的组合应用，才能做到在视觉行业游刃有余。很快就到暑假了，暑假是非常好的学习时间，利用这个假期，利用这个学习平台，快速掌握图像处理相关算法的应用吧。