深度学习在解决复杂问题过程中的关键在于其“深度”，其中的“深度”指的并不是利用这种方法所获取的更深层次的理解，那么这个“深”到底体现在什么地方呢？
看到下图中的大概过程了吗？没错，深度学习的流程就是经过层层筛选、层层选拔、层层递进，然后才可以给出最终的答案，所以这个“深”就体现在这个分“层”上。
深度学习的本质就是人工神经网络技术，该技术模拟人脑中的神经元结构，通过人工神经网络对数据反映出来的特征信息进行提取，把复杂的映射分解成具有层次关系的多个简单映射，并通过层次表达来解决这个问题，最后得到输出的结果。与传统的机器学习相比，深度神经网络具有更强的泛化能力和更高的学习效率，能够帮助人类解决更为复杂的问题。
如此抽象的神经网络和深度学习技术，我们是否可以自己进行使用，甚至自己进行数据和答案的建立，自己让计算机进行学习呢？答案是可以。
Euresys就为我们提供了一个深度学习的软件（Open eVision Deep learning Studio），用户可以自己进行图像数据的输入，然后通过软件自动进行学习，最后查看学习的结果。该软件采用了向导式的操作界面，用户可以按照界面的提示选择工具，并依序完成图像数据集的标定、数据集划分、数据增强、参数的设置、训练结果确认，并使用训练模型进行实际测试。
深度学习软件（Deep learning Studio）一共包含了EasyClassify、EasySegment和EasyLocate。
EasyClassify
EasyClassify是分类工具，并将整个图像作为特征。用户只需标记训练图像（即告知哪些是优良图像，哪些是不良图像，或哪些图像属于哪个类别），在学习过程之后，EasyClassify 库将对图像进行分类。对于提供的任何图像，它将返回预测概率，显示图像属于所示类别的可能性。
▲ 食品缺陷检测、裂缝检测
应用领域：存在/缺失检查、食品检验和分类等。
例如，如果流程要求将不良部件与优良部件分开，EasyClassify 将返回每个部件是优良还是不良，也会返回相应的概率。
EasySegment
EasySegment是分割工具，将每个像素的独立特征作为基准，可以进行缺陷检测和分割，识别有缺陷的部件，并精确指出图像中的缺陷位置。EasySegment分为无监督模式和监督模式：
在无监督模式下，EasySegment 学习何为“优良”样本（即无任何缺陷的样本）。它在训练时只使用“优良”样本图像，即可使用该工具将新图像按优良或缺陷进行分类，并分割出这些图像中的缺陷。
在监督模式下，EasySegment学习图像中的缺陷部分、何为“优良”部分。这个过程使用带有预期分割的图像来进行训练，即可使用该工具来检测和分割新图像中的缺陷。监督模式可以达到更高的精度，由于预期分割的缘故，相较于无监督模式，它可以分割更为复杂的缺陷。
▲ 异物检测
应用领域：纺织品检测、字符质量检测、PCB检测以及各种零部件缺陷检测等。
EasyLocate
EasyLocate是定位和识别工具，将图像中的矩形区域作为独立特征。用于定位和识别目标及产品、图像中的缺陷，同时它能够区分重叠的目标，因此非常适合于目标物体计数。
▲ 零件定位和计数
应用领域：零部件检验和分类、产品包装存在/缺失检查、视频监视等。
在生产过程中，借助工具可以实现精准地完成自动抓取、自动上料等操作；在交通运输中，借助工具可以准确获取车辆的位置信息。
Deep learning Studio特性
>> 包含用于创建、训练和评估数据集的免费 Deep Learning Studio 应用程序
>> 为机器视觉应用而优化的一组 Deep Learning 检查库
>> 执行图像分类、有监督或无监督的分割和目标定位
>> 包含EasyClassify、EasySegment和EasyLocate
>> 简单 API
>> 支持数据增强和掩码
>> 适用于Windows和Linux
>> 兼容 CPU 和 GPU 处理
