cnn（卷积神经网络）是典型的ai算法。

我们已经cnn实现像机器视觉中形状匹配的功能，因为使用了roi抠图匹配，所以就叫做roicnn，以区分整图匹配。下面是roicnn笔记总结：

20241022，roicnn搞定，问题都已经排除，成绩不错！（一个roi抠图学习了1000次）

1，有一部分权值w没有初始化，即初值全为0，正常，知道是什么原因，已经搞清楚，ok。

2，指定d【0】=1，其他九个=0，但训练迭代的初始几次，出现类似d【4】=5，这类奇怪的问题，已经搞清楚，ok。

3，roicnn一千次同一图的训练收敛成绩99.7比minst手写数字识别训练收敛成绩好，这个训练6万次，97，明白是怎么回事，ok。

显然，一类的cnn识别与多类cnn识别是不同的。

4，roicnn已经表现出稳定，准确（位置还行），但速度不行，要3s，这个roicnn要遍历整个1024*768图像，如果训练的roicnn大小32*32，那么匹配遍历大于900*700。为什么多类手写数字识别快呢？因为给的手写数字识别图像与训练大小一样，32*32，遍历次数是1。

5，roicnn一类识别和手写数字多类识别都存在不能识别旋转图像，但在小角度时，没有影响。

6，如果让roicnn适应识别图像旋转，要么旋转roi，要么旋转图像，显然，匹配仍然会大于3s。

那么，多小的角度，cnn无感呢？应该在10度以内，这个经验来自工业现场机器视觉。

这说明小于这个角度，cnn会是一样的结果，也就是能稳定匹配到，但角度和位置上有偏差，但确实从宏观上讲，就这了，八九不离十。

显然，我们在工业现场机器视觉粗匹配也是这样，但我们的细匹配还可以执行，甚至感知一度内的偏差，所以这就是工业现场视觉匹配的稳定，准确，显然cnn还不行，但似乎可以代替粗匹配，然后我们可以想其他办法改进。

我们的机器视觉megauging形状匹配，相同的图像，匹配时间在40ms左右完成粗细匹配，这是roicnn达不到的，现在自己还没有好的改进办法。

另一个比roicnn好的多的算法，相关系数法ncc，也在等待进化，一样是速度上不来。达不到100ms以内。所以只能在门外排队，还不能并入megauging。

20241024

1，人类状态：十次到20次训练，就足够了！（甚至事不过三）识别很行，但在克和毫米上，没尺子不行。对于一个测量值，有没有发现，我们常估计错误，但不会绝不会把猫认成狗！

2，图像专注一类训练，roicnn，训练十次，从0.5上升到0.88以上，一千次训练0.997

3，图像多类训练，比如手写数字识别，训练每一类至少6000次，十个数字，6万次，训练结果0.97

4，而机器视觉，一次训练就够了，而且稳定，准确，速度快！

显然，如果离不开测量，必须用机器视觉。而其他三种对于测量是谈不上的，只能说是识别，所谓识别，就是ai，从识别到测量，人类发明了很多工具，才走到今天的地步！

显然，ai不可小瞧，他能学会识别，自然也可以学会测量！

只要你教他，没他学不会的！

虽然今天的gpu给了ai很好的算力，功耗很大，但迟早会降下来功耗，这很象当年cpu发展！

总体来说，我们现在的ai还是处在开智的小时候，可能笨办法来的多一些，但未来一定会达到不惑的飞跃状态。

有期待，有担心！