人類對世界的認知非常簡單，我們可以一眼看出一個水果是蘋果還是橘子。但換成計算機，怎么寫個程序讓機器來分辨人和貓、蘋果和橘子呢？實際上在我們考慮的過程中，可以基于以下幾個方面進行思考，首先以我們最直觀的方式來看，比如說顏色、形狀、紋理、邊緣輪廓等，轉換成計算機，我們通過顏色直方圖把最低的三個分量特征都提取出來，蘋果是偏向紅色，橘子是偏向橙色，這樣可以分析出來；然后再通過形狀，比如把某省地圖輪廓提取出來作為一個特征，利用圖象中心到輪廓的距離作為一個距離特征；再高一層次可以進行結構特征，基于底層的特征，一些邊緣、形狀進行一個結構分析。

最左邊的結構特征實際上是一個心理學圖，不同的人看到的維度不同，有一些人看到的是白色的一個酒杯，但是換成另外一些人去看，這是兩個面對面的人臉，這種通過圖象分析可以把結構提出來，然后右邊菱形的結構，以及一些知識圖庫的紋理結構，都是結構特征。

前面是傳統的圖象處理常用方法，采用基于深度學習的特征提取方法。深度學習的方法相對來說比較簡單，就是把我們輸入的圖象輸入網絡，每個網絡對不同的過程進行一個迭代訓練。在我們的網絡前期，像一些低級的特征比如簡單的邊緣紋理特征，在中間部分我們就可以學到一個相對高級一點的結構特征，比如說我們做人臉識別的時候，是可以把里面的一些眼睛、嘴巴、耳朵等提取出來，再往高處走可以得到，最后就可以把物體的模型給訓練出來，比如說訓練出人臉的大致輪廓，這是通過深度學習方法提取的特征。

特征提取完之后，進行異常檢測分析。圖中目標是讓我們在圖里面去找出哪一個是與其他不一樣？因為工業場景中會有一些異常的目標異常分析，異常分析跟上圖是挺相似的，在工業中也是一樣，我們就是要把異常目標給自動定位分類出來。

對于異常目標分析，首先是要進行一個模型訓練，模型訓練過程是這樣的，先是對獲取到的圖象進行特征提取，比如說像一些顏色紋理、一些結構，甚至是用一些深度學習的方法自動去提取特征，提取特征之后建立模型，得到一個模型表達式，比如說我們模型可以用圖中這個分布函數來表示，模型的分布形式跟我們建立的方法有關系，我們可能是用一些信息方法，也有可能是二維的曲面，或者多維的曲面。

以二維的平面為例，假設模型提取的特征為x1,x2 ，我們學到的模型是一個分類面，分類面里面有一個正常的樣本，同時假設x1,x2正相關，即x1越大，x2也就越大，通過模型計算可以將紅色的異常點自動檢測出來。現在對待這種異常，在分類面之外我們可以自動的分出來。

模型訓練完之后肯定要進行使用，使用的時候先把訓練好的模型部署到產線上，產線上啟動后實時對圖象進行獲取，然后進行特征提取，經過模型輸出最終的決策。在一些產線的分析過程中，實時去監測一些關鍵的曲線，對這些曲線進行可視化的實時輸出結果，比如圖中這些曲線，我們在做的過程中的一些關鍵因素通過曲線的方式打印出來。

通過曲線可以去回判維系，比如說我們是哪一個產線，或者是哪一臺機器出了問題，然后這個曲線跟歷史相對應的會出現一些異常，利用曲線實時去決策，以及可以根據一些歷史的信息去判斷，這些機器是什么時候開始出現這些故障的。

  另外，在我們一些實際案例中會碰到一些比較惡劣的環境，比如說一些環境下，在生產產線上有一些是有毒的，還有高溫、高壓、高輻射的一些場景，這種情況用人眼或者一些可見光的攝像頭是很難觀察出來的。我們采用紅外熱感相機進行分析，獲取到紅外熱感應的圖象結果圖，對這個結果圖再進行圖象分割，分割完之后就可以得到對應的容器位置，然后我們對容器的位置內部再進行一個異常分析，就可以得到異常區域，然后對異常區域進行分類，因為雜質有多種多樣，有液體的、固體的，最終可以得到一個決策結果，可以返推回去是什么原因造成這個結果的。

我們還有產線管道熱輻射管道監控，在產線有一些燃油傳輸管道，還有一些特殊液體的傳輸管道，我們要實時去監控，液體經過有一個溫度，如果溫度過高，很容易會造成產線管道的快速老化，一些老化之后會爆開或者裂開滲漏出來，我們采用紅外方式獲取一個實時圖象，然后對圖象再進行分割，之后再進行一個標注，像藍色代表數字方向的一個管道，綠色是橫向的一個管道。標注完之后對應標注管道進行曲線的監控，得到右邊的工作監控圖，通過這個圖就可以知道管道的實時溫度，以及相關的監控值。這樣可以繼續幫助廠商從歷史體系圖中查看相關的情況。