为了提高效率，深度学习是未来 西克 新闻

机器正在学习思考。深度学习是一种机器学习技术，也是人工智能中最重要的未来技术。SICK将此关键技术转移到传感器中，为客户提供附加值，以提高生产力和灵活性。

如果要提高生产中每个阶段的效率，必须适配聪颖的机器。物流过程自动化正在持续发展。人们对智能机器的行为越来越感兴趣，数字技术的挑战也随之而来。

传感器仍然是信息的来源，而集成软件则为网络数据的评估和沟通提供了解决方案。然而，工业4.0的趋势意味着IT行业迫切需要对数据复杂性进行“改革”。深度学习是必不可少的，这也是SICK及其客户在现代化工厂流程中所走的道路。

深度学习，像人类一样思考

深度学习需要能够检测和处理大量复杂模式以及数据的算法。人工神经网络模仿人类的思维，并从实例中学习。

它从经验中学习，学会适应不断更新的新资讯。其结果是，现如今一系列的优化有了可能，而这在几年前是不可想象的。机器和工厂结合智能数据和专用传感器，可以找到最复杂任务的解决方案。

现实检验

SICK目前的深度学习项目主要集中在光学质量检测领域。在物流自动化中，通过分析捕获的图像库，深度学习相机可以自动检测、验证、分类和定位“训练”对象或特征。

例如它们可以检查出分拣盘中是否有扁平的物件，从而优化分拣效率并提高吞吐量。他们可以检测到包裹上有带子，甚至连白色包裹上附着的白色带子都不例外。这样可以改进自动包装过程中的质量控制，并确保对运输对象进行分析。如果包裹有凹陷或损坏，或者需要确定包裹的材料属性，SICK传感器可以在实时操作中智能捕获和评估结构或特征。它们确保启动排序过程中的后续步骤。

这种形式的功能是独一无二的，以前这只能由人眼来完成。所有SICK项目的最终目的是将深度学习应用于改进流程和提高工厂效率。

顶级专家，复杂算法，强大计算能力

大家需求的并不是一个通用解决方案。相反，人们的重点是针对特定情况量身定制的解决方案。尽管现代2D和3D相机变得越来越快、越来越强大，但目前其性能仍受到传统图像处理算法的限制。为了评估不同的应用和条件，SICK的深度学习专家与客户的流程和品质的专家紧密合作。他们独特的流程控制专业知识是深度学习前期的仿真训练的基础，也是传感器后续深度学习算法的核心。

一个复杂的网络结构可以处理大量的信息。尽管如此，培养一个深度学习网络只需要几个小时。深度学习网络也可以被重新塑造并适应新的条件。对于大数据池和神经网络训练，SICK使用独立、强大的内部处理和IT系统。生成的深度学习算法通过云本地放置在传感器上，使其具有故障保护能力，并可直接在智能相机上使用。

离机器真正成为主流还有很长的路要走，不过现如今，深度学习也取得了令人瞩目的成绩，并带来了许多好处。然而，最核心的工作仍由人类负责。只有时间才能告诉我们，有多少公司和行业会决定通过加大对这项数字技术的投资来推动自身的增长。

成为改革的一部分——与新项目共同成长。与SICK共同前行。