好像还没有人把cnn在工业机器视觉中使用，我们打破界限，试一试！

工业上有很多需求，判断加工产品有还是没有，从前基本上都是使用找斑的方法来判断。

我们可以用cnn代替试试！

我们前头cnn最好成绩是，固定核bpnet多输出识别手写数字，使用mnist数据集学习训练，训练6万次，成绩96-97之间。

我们怎么把他移植过来到我们的机器视觉软件megauging中，抄代码好说，问题是：

我们工业相机，一般情况只有一幅图像，怎么训练许多次呢？

这里我们要想通的道理是：同一幅图像训练1000次，与差别不大的同一事物的1000副图像训练是一样的。这是我们的立足点。

另外，我们手写数字输出10个数字，而这里只有一个输出，怎么办？我们使用的方法是：始终d【0】=1，其他为0.

其实，给我启发想到这两个方法的是前期学习简单bpnet推导时的收获，我们现在的情况退化后，就是，输入不变总是一副图像，迭代(训练)很多次后，输出只有一个结果的简单bpnet（这个结果可以判定是或不是）。

我的另外一个认识，就是，cnn就是bpnet，一定要有这样的想法，这个很关键！

我们先看一看移植后程序的效果！

整幅图像训练1000次的效果：

整图cnn匹配执行结果：

好，我们图像动一动，再执行，看结果（设置0.94才匹配上，图像向下移动了一点点）：

这说明什么？说明你不动，得分就高，移动图像改变，匹配度降低很快！也就是说，只要你轻轻移动，匹配就会失败！

也就是说，合适的设置得分参数，我们就可以确认是否匹配！

你再看：

我们换一幅图像，得分降到0.87，所以，我们可以用这个设置筛选，训练后的图像参数来预测下一幅图像，是不是我们想要的结果，这样我们就达到了目的。

我们觉得这个方法已经达到了对事物的识别匹配，下一步，我们在这个基础上，我们用cnn学习训练“望庐山瀑布”几个字（即使用roi扣图训练），看能不能找到这几个字准确位置，下一节挑战一下！