感知机与神经网络：计算机视觉的基本原理

过去几十年来，神经网络已成为许多重要人工智能（AI）创新的基础。神经网络是一种计算模型，旨在模拟人脑的复杂功能。它们帮助机器从数据中学习并识别模式，从而做出明智决策。神经网络推动了 计算机视觉和深度学习等 AI 子领域的发展，并将其应用于医疗保健、金融和自动驾驶汽车等行业。

了解神经网络的工作原理，有助于你更好地理解 AI 这个“黑箱”，消除对尖端技术如何融入日常生活的疑惑。在本文中，我们将介绍什么是神经网络、它们如何工作以及多年来的发展历程。我们还会看看神经网络在计算机视觉应用中发挥的作用。开始吧！

什么是 AI 中的感知机？#

在详细讨论神经网络之前，我们先来了解一下感知机。感知机是最基础的神经网络类型，也是构建更复杂模型的基础。

感知机是一种线性机器学习算法，用于监督学习（从带标签的训练数据中学习）。它也称为单层神经网络，通常用于区分两类数据的二元分类任务。如果你想象感知机的结构，可以把它看作一个人工神经元。

图 1. 感知机是一个人工神经元。

了解感知机的工作原理#

感知机可以接收多个输入，将它们与权重结合，判断它们属于哪个类别，并像简单的决策器一样做出判断。它由四个主要部分组成：输入值（也称节点）、权重和偏置、净输入总和，以及激活函数。

其工作原理如下：

• 输入和权重：假设你有几条信息（输入），每条信息都有一个权重，表示它的重要程度。此外，偏置还能让感知机做出更灵活的决策。
• 计算加权和：感知机会将每个输入乘以对应的权重，然后把所有结果连同偏置相加，得到加权和。
• 作出决策：随后，感知机使用激活函数确定最终输出。它会根据加权和判断感知机是否应该激活。在最简单的情况下，激活函数是阶跃函数：如果加权和高于某个阈值，则输出 1；否则输出 0。这样，加权输入就转换成了是或否的决策。
• 学习和改进：如果感知机出错，它会调整权重，争取下次做得更好。这个过程帮助模型从错误中学习。

图 2. 感知机概览。来源：indiantechwarrior.com

感知机在计算机视觉中的作用#

感知机有助于我们理解计算机视觉的基础知识，并为高级神经网络奠定了基础。与感知机不同，神经网络不局限于单层，而是由多个相互连接的感知机构成，因此能够学习复杂的非线性模式。神经网络可以处理更高级的任务，并生成二元或连续输出。例如，神经网络可用于高级计算机视觉任务，如实例分割和姿态估计。

神经网络推动计算机视觉技术演进#

神经网络的历史可以追溯到几十年前，其中充满了研究和有趣的发现。让我们来看看其中一些重要事件。

以下是早期里程碑的简要回顾：

• 20 世纪 40 年代：Warren McCulloch 和 Walter Pitts 开发了一种简单电路，用于模拟大脑的工作方式。
• 1958 年：Rosenblatt 提出了感知机。
• 20 世纪 70 年代：Paul Werbos 提出了反向传播的概念（一种通过最小化预测输出与实际输出之间的差异来帮助神经网络学习的训练方法）。反向传播使训练多层神经网络成为可能，并为深度学习铺平了道路。
• 20 世纪 80 年代：Geoffrey Hinton 和 Yann LeCun 等研究人员研究了连接主义，探讨相互连接的单元网络如何形成认知过程。他们的研究为现代神经网络奠定了基础。
• 20 世纪 90 年代：Jürgen Schmidhuber 和 Sepp Hochreiter 提出了长短期记忆网络（LSTM），该网络已成为序列预测任务的重要工具。

图 3. 神经网络的发展历程。

进入 21 世纪后，神经网络研究迅速发展，取得了更大的进步。2000 年代，Hinton 对受限玻尔兹曼机（一种能够从数据中发现模式的神经网络）的研究，在推动深度学习发展方面发挥了关键作用。这项研究让深层网络更容易训练，有助于克服复杂模型面临的挑战，并使深度学习更加实用和高效。

随后，进入 2010 年代，随着大数据和并行计算兴起，相关研究迅速发展。这一时期的一项重要成果是 AlexNet 在 ImageNet 竞赛（2012 年）中获胜。AlexNet 是一种深度卷积神经网络，它展示了深度学习在计算机视觉任务中的强大能力，例如准确地对图像进行分类，是一个重要突破。这项成果推动了 AI 在视觉识别领域的快速发展。

如今，神经网络正借助 Transformer 等创新不断发展。Transformer 擅长理解序列，而图神经网络则适用于处理数据中的复杂关系。迁移学习（将针对一项任务训练的模型用于另一项任务）和自监督学习（模型无需标注数据即可学习）等技术，也在拓展神经网络的能力。

了解神经网络：基础知识#

介绍完基础知识后，我们来了解神经网络究竟是什么。神经网络是一种机器学习模型，由互连的节点或神经元组成，并采用类似人脑的分层结构。这些节点或神经元会处理数据并从中学习，从而执行模式识别等任务。此外，神经网络具有自适应能力，能够从错误中学习并不断改进。因此，它们可以更准确地解决人脸识别等复杂问题。

图 4. 神经网络。

神经网络由多个并行工作的处理单元组成，并按层组织。它们包含一个输入层、一个输出层以及位于两者之间的多个隐藏层。输入层接收原始数据，这类似于我们的视神经接收视觉信息。

每一层都会将输出传递给下一层，而不是直接处理原始输入，这类似于大脑中的神经元彼此传递信号。最后一层会生成网络的输出。通过这一过程，人工神经网络（ANN）可以学习执行图像分类等计算机视觉任务。

神经网络在计算机视觉中的工业应用#

了解神经网络是什么以及如何工作后，让我们来看看一个展示神经网络在计算机视觉领域潜力的应用案例。

能源行业的输电线路巡检#

神经网络构成了 Ultralytics YOLO11 等计算机视觉模型的基础，可用于通过无人机对电力线进行视觉检查。公用事业行业在检查和维护庞大的电力线网络时面临后勤方面的挑战。这些线路往往跨越繁忙的城市区域和偏远崎岖的地形。传统上，这类检查由地面工作人员执行。虽然人工方法有效，但成本高、耗时长，还可能让工作人员面临环境和电气危害。研究显示，公用事业线路作业是美国危险性最高的十种工作之一，年死亡率为每 10 万名工人中有 30 至 50 人。

然而，无人机检测技术可以让空中检查更加实用且经济高效。新型无人机无需在检查过程中频繁更换电池，便能飞行更远距离。许多无人机现在集成了 AI，并具备自动避障功能和更强的故障检测能力。这些功能使无人机能够检查电力线密集的区域，并从更远距离采集高质量图像。许多国家正在采用无人机和计算机视觉执行电力线检查任务。例如，在爱沙尼亚，100% 的电力线检查都由此类无人机完成。像 TTPLA 这样的公共数据集标注了航拍图像中的输电塔和电力线，可用于训练这些模型。

图 5. 技术人员使用无人机和 AI 工具巡检输电线路（左图）以及他正在操作的无人机（右图）（suasnews）。

要点#

神经网络从研究走向应用，取得了长足发展，已成为现代技术进步的重要组成部分。神经网络让机器能够利用所学知识进行学习、识别模式并作出明智的决策。从医疗保健和金融到自动驾驶汽车和制造业，这些网络正在推动创新并改变各行各业。随着我们不断探索和改进神经网络模型，它们重塑我们日常生活和业务运营更多方面的潜力也日益显现。

如需进一步探索，请访问我们的 GitHub 代码库，并加入我们的社区。你还可以在我们的解决方案页面上探索制造业和农业领域中的 AI 应用。