運用深度學習讓機器仿如人腦一樣能自我學習，可輕易的辨識傳統(tǒng)(AOI)難以檢測的不規(guī)律瑕疵及特征，如臟污、刮痕、裂縫、毛邊等等

運用深度學習讓機器仿如人腦一樣能自我學習，可輕易的辨識傳統(tǒng)(AOI)難以檢測的不規(guī)律瑕疵及特征，如臟污、刮痕、裂縫、毛邊等等。亦可用來實時又正確地將物件分類及分級，及引導機器人自動找尋正確工作路徑。無論是「監(jiān)督式學習」或較*的「非監(jiān)督式學習」，使用者僅需提供少量樣本自我學習，即能省去耗時并需客制化的軟件編寫，大幅降低導入機器視覺的門坎。除了辨識外，已與品牌機器人串聯(lián)，當軟件辨識完畢，其后續(xù)所需的取放動作，均能透過機器人輕松自如地完成任務，充份達成產(chǎn)線自動化的境界。

人工智能機器視覺與傳統(tǒng)視覺的比較

高效率：

例如用傳統(tǒng)算法去評估一個棋局的優(yōu)劣，可能需要專業(yè)的棋手花大量的時間去研究影響棋局的每一個因素，而且還不一定準確。而利用深度學習技術(shù)只要設計好網(wǎng)絡框架，就不需要考慮繁瑣的特征提取的過程。這也是 DeepMind公司的AlphaGo 能夠強大到輕松擊敗專業(yè)的人類棋手的原因，它節(jié)省了大量的特征提取的時間，使得本來不可行的事情變?yōu)榭尚小?/span>

可塑性：

在利用傳統(tǒng)算法去解決一個問題時，調(diào)整模型的代價可能是把代碼重新寫一遍，這使得改進的成本巨大。深度學習只需要調(diào)整參數(shù)，就能改變模型。這使得它具有很強的靈活性和成長性，一個程序可以持續(xù)改進，然后達到接近的程度。

普適性：

神經(jīng)網(wǎng)絡是通過學習來解決問題，可以根據(jù)問題自動建立模型，所以能夠適用于各種問題，而不是局限于某個固定的問題。

應用領(lǐng)域

                                                   字體識別                                                             瑕疵檢測

物件對比&升級

                                                快速物件分類                                               特征點辨識和定位

應用案例

多暇疵檢測：iphone充電頭測試，相機1只，優(yōu)點：多瑕疵檢測

PCB板檢測：相機1只，優(yōu)點：用Golden Sample教導系統(tǒng)，讓系統(tǒng)自行找出與Golden Sample不同的PCB板，不需要制造協(xié)暇來讓系統(tǒng)學習。

數(shù)量檢測：相機：1只(Fov內(nèi)都可以算出數(shù)量) 優(yōu)點：使用深度學習的方式來做，可提高辨視率，即使產(chǎn)品靠的很緊都可以正確辨視

隱形眼鏡瑕疵檢測