智能視覺檢測(cè)瑕疵缺陷已成為一個(gè)有著高度直接影響的有趣且具有潛力的研究領(lǐng)域，特別是在視覺檢測(cè)領(lǐng)域，深度學(xué)習(xí)技術(shù)已成為此任務(wù)的最佳方法。深度學(xué)習(xí)技術(shù)可以通過訓(xùn)練圖像數(shù)據(jù)集來提供一個(gè)可以檢測(cè)表面異常的模型。在一些工業(yè)中，通過表面檢測(cè)或材料檢測(cè)中的雜質(zhì)是質(zhì)量控制的一步。通常，這個(gè)檢查過程需要質(zhì)檢人員手動(dòng)檢查表面，也需要訓(xùn)練質(zhì)檢人員識(shí)別整個(gè)復(fù)雜缺陷范圍，但對(duì)于智能制造時(shí)代來說，這是耗時(shí)、低效的，可能會(huì)導(dǎo)致生產(chǎn)等待時(shí)間，甚至偶爾錯(cuò)誤分類缺陷，導(dǎo)致客戶投訴或領(lǐng)域故障，從而導(dǎo)致產(chǎn)品召回等問題。

過去，傳統(tǒng)的機(jī)器視覺檢測(cè)足以解決那些低效問題，不足的地方由人工補(bǔ)足，但現(xiàn)如今的智能制造傾向于泛化生產(chǎn)線，需要快速適應(yīng)新產(chǎn)品的快速更新迭代，故此基于卷積神經(jīng)網(wǎng)絡(luò)（深度學(xué)習(xí)）的視覺檢測(cè)缺陷被提出?；谏疃葘W(xué)習(xí)的視覺檢測(cè)擁有包括缺陷分類、缺陷定位和缺陷分割等環(huán)節(jié)，相比于傳統(tǒng)的圖像處理方法分多個(gè)步驟和環(huán)節(jié)處理缺陷檢測(cè)任務(wù)，基于深度學(xué)習(xí)的視覺檢測(cè)方法將其統(tǒng)一為端到端的特征提取和分類。

通常來講，產(chǎn)品附加值越高，缺陷容忍率就越低，如汽車工業(yè)、電子、日用等，對(duì)產(chǎn)品本身質(zhì)量要求較高，通過視覺檢測(cè)對(duì)產(chǎn)品進(jìn)行大量抽檢或全檢，幫助降低產(chǎn)品的不良率，提升生產(chǎn)效率與產(chǎn)品可靠性。但是這個(gè)魔幻的年代讓一些小廠也不得不卷一下，例如玩具的制造小廠，引入一套視覺檢測(cè)軟件，就虛數(shù)科技的DLIA工業(yè)缺陷檢測(cè)，也不過才幾萬塊，就當(dāng)為工廠升級(jí)轉(zhuǎn)型提前布局。

隨著人工智能的現(xiàn)代發(fā)展趨勢(shì)，制造企業(yè)希望在生產(chǎn)周期中利用基于深度學(xué)習(xí)的視覺檢測(cè)技術(shù)實(shí)現(xiàn)減少人為干預(yù)的同時(shí)，達(dá)到人的水平精度或更高的精度，以及優(yōu)化工廠生產(chǎn)能力、勞動(dòng)成本等。深度學(xué)習(xí)視覺檢測(cè)技術(shù)的使用是多種多樣的，工業(yè)制造領(lǐng)域的多樣性、生產(chǎn)環(huán)境的復(fù)雜性、產(chǎn)品缺陷的非標(biāo)性等因素，給深度學(xué)習(xí)視覺檢測(cè)的實(shí)際應(yīng)用帶來諸多挑戰(zhàn)的同時(shí)，也讓深度學(xué)習(xí)視覺檢測(cè)技術(shù)得更多補(bǔ)充和優(yōu)化，變得更加成熟。虛數(shù)科技相信，深度學(xué)習(xí)與視覺檢測(cè)相結(jié)合，必將大力推動(dòng)智能制造的研究和應(yīng)用進(jìn)展。