本文介绍了人工智能、机器学习和深度学习的层级关系。人工智能(AI)是让计算机模拟人类智能的技术；机器学习(ML)是实现AI的重要方法，通过数据自动学习规律；深度学习(DL)是ML的分支，采用多层神经网络结构，擅长处理图像、语音等复杂任务。三者关系为AI>ML>DL。深度学习通过模拟人脑神经元工作方式，能自动提取数据特征，在图像识别、自动驾驶等领域有广泛应用。

缺陷检测是计算机视觉和工业自动化中的关键任务，旨在自动识别产品或材料中的缺陷，如裂纹、划痕、污点等，以实现质量控制、过程自动化和制造智能化。其核心任务包括分类、定位和识别缺陷类型。常见缺陷类型因行业而异，如半导体中的划痕、金属中的裂纹等。技术流程包括图像采集、预处理、特征提取、分类与判断及结果输出。检测方法从传统图像处理、基于机器学习发展到基于深度学习，模型如Faster R-CNN、YOLO等提

OpenCV是一个开源计算机视觉库，由 Intel 发起，目前由 OpenCV.org 社区维护。它支持 C++、Python、Java 等多种语言，提供了数千个图像处理与机器视觉函数。OpenCV 将图像看作是像素矩阵，每个像素都是一个数值（灰度图）或一组数值（如 RGB）。所以它所有的图像操作，本质上就是对矩阵的数学操作，比如加减、滤波、卷积等。

《深度学习》（花书）由Ian Goodfellow、Yoshua Bengio和Aaron Courville合著，是深度学习领域的经典教材。该书内容全面，理论扎实，适合已有机器学习或数学基础的读者进阶学习。然而，对于零基础初学者，花书存在理论偏多、代码实现少、数学要求高和语言风格学术化等问题，可能不易上手。建议初学者先从《深度学习入门：基于Python的理论与实现》、《神经网络与深度学习》或《动

入门计算机视觉，建议从基础知识 + 工具实操 + 简单项目三步走，掌握基本概念、图像处理技能、再接触深度学习模型。下面是一个从零入门的详细步骤，适合没有基础或刚入门的人：

自然语言处理（NLP）是让机器理解人类语言的技术体系。其核心是将语言转换为数值表示（如词向量），通过统计模型和深度学习（如BERT、GPT）理解语义和结构。NLP应用广泛，包括机器翻译、情感分析等，涉及词法分析、句法分析、语义理解等层次。随着Transformer等模型的发展，NLP不仅能理解文本，还能生成自然语言，推动人机交互进入新阶段。

神经网络是现代人工智能，特别是深度学习的核心结构，适用于多种任务场景。常见的神经网络类型包括前馈神经网络（FNN）、卷积神经网络（CNN）、循环神经网络（RNN）、自编码器（AE）、生成对抗网络（GAN）、图神经网络（GNN）和Transformer等。每种网络都有其特定的应用领域，如图像识别、文本生成、语音处理等。选择合适的神经网络结构对于解决特定任务至关重要，同时，辅助模块如注意力机制、残差连

图神经网络（GNN）是专门用于处理图结构数据的深度学习模型，广泛应用于社交网络、生物信息学、推荐系统等领域。GNN通过聚合邻居节点的信息来更新当前节点的表示，其核心组件包括聚合函数和更新函数。常见的GNN变体有图卷积网络（GCN）、图注意力网络（GAT）和图自编码器（GAE）。GNN在社交网络分析、推荐系统、生物信息学和交通预测等领域展现出巨大潜力，未来有望推动各行业的智能化发展。

行为检测是计算机视觉中的高级任务，旨在从视频或图像序列中识别并定位人或物体进行的具体行为，如“走路”、“打电话”等。它不仅识别行为，还检测行为发生的时间、空间位置及执行者。行为检测分为时序行为检测、空间行为检测和时空行为检测，分别关注行为的时间段、空间位置及两者的结合。关键技术包括时空建模、骨骼点追踪、时序卷积等。常见模型有C3D、Two-Stream网络、I3D等。应用场景广泛，包括智能监控、安

姿态估计是计算机视觉中的关键技术，旨在通过检测图像或视频中的人体关键点（如关节）来推断人体的姿态。它分为2D和3D姿态估计，分别输出关键点在二维平面和三维空间中的坐标。姿态估计可以应用于单人或多人的场景，常见的关键点包括头部、上肢、下肢和身体中心。常用的方法和模型有OpenPose、HRNet、AlphaPose等。技术流程包括人体检测、关键点检测、骨架构建和姿态追踪。姿态估计在健身、运动医学、游