价格战“空袭”安检机市场，艾崴只看重产品品质，新产品应用丰富的“卷积神经网络”技术

在一个给定的层中，卷积神经网络并不是简单地将所有输入与所有神经元相连，而是有意识地限制这些连接，这样，任意一个神经元都只会接收来自该层的一小部分输入。也就是说，网络的每个神经元都只负责处理图像的某一部分。（这与我们大脑皮层神经元的运行方式高度相似——大脑的每个神经元只会对你视觉感受的一小部分作出反应。）rf9安检之家

“卷积神经网络”的处理流程rf9安检之家
rf9安检之家
应用丰富的“卷积神经网络”技术，怎样实现了图像识别？rf9安检之家

rf9安检之家

rf9安检之家
从左到右观察上图，你会发现：rf9安检之家

输入的图像将会经过特征扫描处理，图中浅色的矩形就是进行特征扫描的滤波器。rf9安检之家
“激活映射”是一层一层相互叠加的，一个“激活映射”对应一个滤波器。较大的矩形将会在下一批被进行“下采样”。rf9安检之家
“激活映射”通过下采样，被不断地压缩。rf9安检之家
将滤波器在“激活映射”堆叠的层上传递，会产生一组新的“激活映射”，这些新的“激活映射”将首先被下采样。rf9安检之家
第二次下采样会压缩新的“激活映射”。rf9安检之家

一个全连接的层指定了每个节点的输出为一个标签。rf9安检之家

一个卷积神经网络如何通过邻近程度来过滤连接呢？其中的秘密就在于两个新的层：池化层和卷积层。接下来，我们将利用一个网络的例子，分解其过滤的流程。rf9安检之家

第一步是卷积层，而卷积层本身也包含了几个步骤。rf9安检之家

首先，我们把一张照片分解成一系列重叠着的3*3像素块。rf9安检之家
之后，我们在保持权重不变的情况下，将各个像素块运行于一个简单的单层神经网络。这么做将会使这一系列像素块变成一个数组。因为我们已经把图片分解成很小的像素块了（在本案例中是3*3的像素块），所以其神经网络的操作就变得简单多了。rf9安检之家

接着，输出值将会被排列在一个数组中，其中的数字分别代表照片各个区域的内容，坐标轴分别代表颜色、宽度和高度。因此，在这个案例中会有一个3*3*3的数字表示。（如果是视频，那么数字表示就将变成四维的。）rf9安检之家

下一步是池化层。它会池化这些三维或四维的数组，并且把下采样函数与空间维度结合应用。通过这样的操作，我们会得到一个仅包含重要的图像部分的池化数组，因为这个数组删减了不必要的图像部分，只保留了比较重要的部分，所以网络的计算负担被降到了最低，同时避免了过度拟合的问题。rf9安检之家

这个经过了下采样处理的数组将会成为一个常规的全连接神经网络的输入。因为我们已经用池化和卷积大大地缩减了输入尺寸，所以我们现在需要一些普通网络能够处理的、可以保留最重要的数据的东西。而最后一步的输出将会用于系统对其图像判断有多少把握。rf9安检之家

在现实生活中，CNN的流程纷繁复杂，涉及到许多隐藏层、池化层和卷积层。除此之外，真正的CNN通常包含了成千上万的标签。rf9安检之家

建立一个CNN是非常昂贵且耗时的。艾崴科技公司开发的API，目的是让安检机在不需要内部机器学习专家或计算机视觉专家的情况下，也能达到目的。rf9安检之家
当前，只要述及安检行业，就会有很多人提到价格战。事实上，价格战是每个行业发展进程中都必须经历的，但并不是影响艾崴安检发展的主要因素。专注安检产品开发的艾崴安检更多聚焦于头部的大客户，这些客户更多关注的是产品品质与扩展性。因此，艾崴安检机的创新与应用，能够持续满足用户在不同时代不同应用场景下的需求，才是推动行业发展的主要动力。rf9安检之家