时常有一种体验，事先沒想到那个点上，就看不懂别人的文章和道理！这个点集焦了思想的内涵，所以看书，我感觉是从内驱力出发的。
先放一个论断吧，机器视觉外观缺陷检测是人工智能的恶梦，比如包括工业生产丶医疗影像行业，那些急于反驳的人，可能是被眼花撩乱的繁荣应用景象迷失了，他的证据都是雾霾下的花....，无论工业视觉，还是医疗影像，要做很精细的缺陷检测，都需要连续的变形理论支持，有些人感觉人眼还是容易区分的，视觉仍然很难，其实涉及的理论问题，是他浑然不知的存在或者根本就沒有想过，这对任何人都是真的。
可以这么类比下，眼睛对人的重要性与机器视觉对机器的重要性几乎是同等的。也可以这么去想，如果机器视觉外观缺检查简单，医院里很多医生都可以说再见了。这就是很多顶级的人工智能公司（比如lBM)在医疗影像领域的疯狂投资的原因），结局自己去查或等着看吧（在你有生之年）。为什么？
我有一个想法，牛顿(几大定律），爱因斯坦(质能），麦克斯韦（麦方程组)，克劳修斯（熵），拉马努金等，在写下他们的公式之前，这些公式的原型已经在脑海中了，所以人类的文明进程是由冥想推动的。所以在我的文章中，我尽量不使用任何一个显眼的公式，如果你不能理解文字后面的思想，一大堆公式过来也白搭，而且人们也应该有这样的体验，真正能把问题解决得放心的是想得深入后再Copy公式的套路。
所以要看清人工智能的前景，多冥思冥思就好了，就象我文章里说过的人们所有的知识只是在比较两件事同还是不同，比如这里把相机成像可以理解为平面的仿射、射影、曲面的变形等，缺陷模型都可以用从最小二乘法(或逼近的思想)开始整起(先就这么粗鲁的去想，实际情况比这复杂），最小二乘法就是真值与逼近值之间的比较，最优传输不也是个比较吗？缺陷可以理解为光滑曲线曲面上的不规范突变，如果应用场景中，物料可以用光滑曲线曲面那怕分段建模也好，那么这个场景要实现缺陷检测很有希望。光滑？那有那么多光滑？就先光滑吧，这样，一个光滑的曲面在相机视场的不同位置被仿射，仿射后图像每个像素点附近的结构是怎样变形的？各种不同的变形，算法需要记住各种变形的映射！这些映射怎么求解呢？要解决这种问题，你将会发现，你需要很深刻的数学背景，说几个词吧，比如矩阵分解、极分解、最优传输映射。上面是光滑静态的情况，如果一个曲面上有噪音（噪声与缺陷强度，形态相当），曲面随时间流逝还在发生某种程度变形，就上面两项，对一般数学家水准已经致命了！我们现实中，很少的光滑，很少的静态...特别是医学影像。你偏要举些实际应用例子来秀，只能说那是冰山一角的极少数。
在使用人工智能之机器学习时，有些专业人士首先甩出一个结论，多层神经网络可以逼近任意复杂函数，各种方法和理论很多，不防来理一理。
1. 梯度下降法（Gradient Descent）
2. 牛顿法和拟牛顿法（Newton's method & Quasi-Newton Methods）
3. 共轭梯度法（Conjugate Gradient）
4. 启发式优化方法
5. 解决约束优化问题——拉格朗日乘数法
6、最优传输映射
7、熵原理在各种约束下概率分布
8 对一个良好的模型，在求解过程中，不动点理论里面的压缩映射原理，不劳威尔不动点，绍德尔不动点，莱夫希茨不动点。
9、对于时变的有噪音模型，各种最优估计方法，比如常见的卡尔曼滤波。
人的价值就在于思考，以上我觉得不是胡说八道，感兴趣可以翻翻我的QQ说说与微信朋友圈，谷歌眼镜、平果siri，自动驾驶，AR/VR，在人们疯狂时，冷水及时的泼出了，人们对科学做出重大贡献有诺贝尔奖，有沒有对止住盲目给个奖呢？你继续在循序渐进中找借口掩饰伤痛吧……
