機器正在學習思考。深度學習是一種機器學習技術，也是人工智能中最重要的未來技術。SICK將此關鍵技術轉移到傳感器中，為客戶提供附加值，以提高生產力和靈活性。
如果要提高生產中每個階段的效率，必須適配聰穎的機器。物流過程自動化正在持續發展。人們對智能機器的行為越來越感興趣，數字技術的挑戰也隨之而來。
傳感器仍然是信息的來源，而集成軟件則為網絡數據的評估和溝通提供了解決方案。然而，工業4.0的趨勢意味著IT行業迫切需要對數據復雜性進行“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據的算法。人工神經網絡模仿人類的思維，并從實例中學習。

它從經驗中學習，學會適應不斷更新的新資訊。其結果是，現如今一系列的優化有了可能，而這在幾年前是不可想象的。機器和工廠結合智能數據和專用傳感器，可以找到最復雜任務的解決方案。

現實檢驗SICK目前的深度學習項目主要集中在光學質量檢測領域。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構或特征。它們確保啟動排序過程中的后續步驟。
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的專家緊密合作。他們獨特的流程控制專業知識是深度學習前期的仿真訓練的基礎，也是傳感器后續深度學習算法的核心。
一個復雜的網絡結構可以處理大量的信息。盡管如此，培養一個深度學習網絡只需要幾個小時。深度學習網絡也可以被重新塑造并適應新的條件。對于大數據池和神經網絡訓練，SICK使用獨立、強大的內部處理和IT系統。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，有多少公司和行業會決定通過加大對這項數字技術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。