人类对世界的认知非常简单，我们可以一眼看出一个水果是苹果还是橘子。但换成计算机，怎么写个程序让机器来分辨人和猫、苹果和橘子呢？实际上在我们考虑的过程中，可以基于以下几个方面进行思考，首先以我们最直观的方式来看，比如说颜色、形状、纹理、边缘轮廓等，转换成计算机，我们通过颜色直方图把最低的三个分量特征都提取出来，苹果是偏向红色，橘子是偏向橙色，这样可以分析出来；然后再通过形状，比如把某省地图轮廓提取出来作为一个特征，利用图象中心到轮廓的距离作为一个距离特征；再高一层次可以进行结构特征，基于底层的特征，一些边缘、形状进行一个结构分析。

最左边的结构特征实际上是一个心理学图，不同的人看到的维度不同，有一些人看到的是白色的一个酒杯，但是换成另外一些人去看，这是两个面对面的人脸，这种通过图象分析可以把结构提出来，然后右边菱形的结构，以及一些知识图库的纹理结构，都是结构特征。

前面是传统的图象处理常用方法，采用基于深度学习的特征提取方法。深度学习的方法相对来说比较简单，就是把我们输入的图象输入网络，每个网络对不同的过程进行一个迭代训练。在我们的网络前期，像一些低级的特征比如简单的边缘纹理特征，在中间部分我们就可以学到一个相对高级一点的结构特征，比如说我们做人脸识别的时候，是可以把里面的一些眼睛、嘴巴、耳朵等提取出来，再往高处走可以得到，最后就可以把物体的模型给训练出来，比如说训练出人脸的大致轮廓，这是通过深度学习方法提取的特征。

特征提取完之后，进行异常检测分析。图中目标是让我们在图里面去找出哪一个是与其他不一样？因为工业场景中会有一些异常的目标异常分析，异常分析跟上图是挺相似的，在工业中也是一样，我们就是要把异常目标给自动定位分类出来。

对于异常目标分析，首先是要进行一个模型训练，模型训练过程是这样的，先是对获取到的图象进行特征提取，比如说像一些颜色纹理、一些结构，甚至是用一些深度学习的方法自动去提取特征，提取特征之后建立模型，得到一个模型表达式，比如说我们模型可以用图中这个分布函数来表示，模型的分布形式跟我们建立的方法有关系，我们可能是用一些信息方法，也有可能是二维的曲面，或者多维的曲面。

以二维的平面为例，假设模型提取的特征为x1,x2 ，我们学到的模型是一个分类面，分类面里面有一个正常的样本，同时假设x1,x2正相关，即x1越大，x2也就越大，通过模型计算可以将红色的异常点自动检测出来。现在对待这种异常，在分类面之外我们可以自动的分出来。

模型训练完之后肯定要进行使用，使用的时候先把训练好的模型部署到产线上，产线上启动后实时对图象进行获取，然后进行特征提取，经过模型输出最终的决策。在一些产线的分析过程中，实时去监测一些关键的曲线，对这些曲线进行可视化的实时输出结果，比如图中这些曲线，我们在做的过程中的一些关键因素通过曲线的方式打印出来。

通过曲线可以去回判维系，比如说我们是哪一个产线，或者是哪一台机器出了问题，然后这个曲线跟历史相对应的会出现一些异常，利用曲线实时去决策，以及可以根据一些历史的信息去判断，这些机器是什么时候开始出现这些故障的。

  另外，在我们一些实际案例中会碰到一些比较恶劣的环境，比如说一些环境下，在生产产线上有一些是有毒的，还有高温、高压、高辐射的一些场景，这种情况用人眼或者一些可见光的摄像头是很难观察出来的。我们采用红外热感相机进行分析，获取到红外热感应的图象结果图，对这个结果图再进行图象分割，分割完之后就可以得到对应的容器位置，然后我们对容器的位置内部再进行一个异常分析，就可以得到异常区域，然后对异常区域进行分类，因为杂质有多种多样，有液体的、固体的，最终可以得到一个决策结果，可以返推回去是什么原因造成这个结果的。

我们还有产线管道热辐射管道监控，在产线有一些燃油传输管道，还有一些特殊液体的传输管道，我们要实时去监控，液体经过有一个温度，如果温度过高，很容易会造成产线管道的快速老化，一些老化之后会爆开或者裂开渗漏出来，我们采用红外方式获取一个实时图象，然后对图象再进行分割，之后再进行一个标注，像蓝色代表数字方向的一个管道，绿色是横向的一个管道。标注完之后对应标注管道进行曲线的监控，得到右边的工作监控图，通过这个图就可以知道管道的实时温度，以及相关的监控值。这样可以继续帮助厂商从历史体系图中查看相关的情况。