1 从人工智能到神经网络
（1）人工智能：让计算机去学会解决人通过经验直觉解决的问题。。
（2）机器学习：给机器一种直接编程无法实现的功能，一种类似人类学习的能力，具体形式就是让机器学习数据，形成模型，然后利用模型进行预测的方式。
（3）深度学习：当网络将大量简单的计算连接在一起时可以实现智能行为，深度学习就是将简单的特征自动组合成复杂特征，然后利用复杂特征去解决一些问题。
（4）神经网络：来自于生物学的一个概念，这里指的是大脑的神经元、触点、细胞等互相连接，形成复杂的网络，产生意识来决定生物如何思考和行动的，人们用数学的方式来实现这个网络，被称为人工神经网络。以上四者的关系如下图所示。
人工智能，机器学习和深度学习，三者层层嵌套，关系紧密，深度学习和神经网络有很大相关性，但是有所不同。深度学习发展以来，总共分为三次浪潮。第一次浪潮时，它被称为浅层学习。到第二个浪潮时，它才成为深度学习，但是不是我们所听说的深度学习，它还很稚嫩，不够强大。直到 2006 年左右，Geoffrey Hinton 一篇关于深度信念网络的神经网络训练策略的文章，这样一个关于神经网络的方法，掀起了第三次深度学习浪潮，让深度学习成为了人们想象的模样，并持续发热，直到现在，第三次浪潮仍没有衰退的迹象。
人工智能和机器学习领域国际最权威学者之一，计算机科学家吴恩达，曾在公开课里提及，原来的深度学习网络随着数据量的增加，训练出模型的效果会呈现先上升后不变的情况，无论模型复杂度怎么样，得益于神经网络的训练方法，现在的最终的训练效果会随着网络复杂度的上升而上升，逐渐满足了人们的需要，虽然说神经网络和深度学习有不同之处，但是现在人们所谈及的深度学习和神经网络的本质是一个意思，深度学习作为招牌更为通俗，而神经网络更加生动形象。
2 基于深度学习的机器视觉与传统机器视觉的区别
（1）实现方式不同
传统的机器视觉技术采用规则算法，即通过人编程来告诉机器人每个种类怎么判断。基于深度学习的机器视觉使用基于示例的方式而不是基于规则的方式来解决问题。例如，深度学习利用神经网络根据有标签的示例，让计算机学习什么是目标图像后，即可实现缺陷分析、定位和物体分类、以及印刷标记的读取等操作，即给机器很多数据让它去学习，它自己学会怎么判断。
（2）擅长领域不同
传统机器视觉因为需要人工去提取特征，因此擅长于处理简单的、可量化的特征，省时且高效。深度学习算法通常用于处理很难提取的特征，例如：瑕疵、缺陷等，即擅长处理人很难通过编程设计算法去解决的问题或者说复杂的编程问题。
（3）工业应用不同
目前，虽然深度学习正在改变工业自动化，但它仍然只是操作员完成工作的另一种工具而已。传统的基于规则的机器视觉对于特定工作类型非常有效，甚至大多数识别分类问题都很容易用传统方式实现，但对于使用规则算法难以编程的视觉应用问题就需要深度学习，深度学习将被证明是真正改变游戏规则的选项。
综上所述，基于深度学习的机器视觉在各种方面的效果已经普遍超过传统机器视觉，但是在工业上应用还是不够成熟，因为传统机器视觉能解决大部分的视觉问题而且十分有效，而深度学习应用于工业在很多专业人士眼里作为潜力股和备选项。
