深度学习在机器视觉领域越来越受欢迎，它允许数据科学家为特定的、定义明确的任务仔细地创建模拟人类决策的程序。

   随着制造商寻找智能机器视觉系统，深度学习越来越广泛。根据ABI Research的一份报告，基于深度学习的机器视觉方法将显示，2017年至2023年间，智能制造业的年均增长率将达到20%，营业额将高达2023年，达到340亿美元左右。

   但是由于它们的成本和所需的长时间停机时间，在机器视觉解决方案的实现上存在着巨大的障碍。许多制造商无法安装机器视觉系统，因为它要么太贵，要么技术太复杂。

   此类机器视觉解决方案的提供者通常以这样的方式进行操作：将软件作为单独的软件包出售，然后与其他所有其他组件组装成一个高技术性的解决方案。然后，可以使用此解决方案在特定生产线上特定位置检查特定产品。即使先进深度学习的解决方案也没有实现真正的灵活性。

系统集成商成为过去式

   由于实现过程如此复杂，制造商通常需要一个系统集成商来选择照明、相机、通信和控制等。系统集成商也为机器视觉软件选择深度学习软件，因为制造商不具备独立建立、操作和培训传统深度学习解决方案的内部专业知识。

   由于传统解决方案缺乏灵活性，生产线的任何变化都意味着制造商必须再次依赖系统集成商的专业知识。然后，这将调整解决方案，例如通过开发新的照明条件。然而，也可能是调整是不可能的。在这种情况下，制造商必须用一个全新的解决方案替换visual QS解决方案，即昂贵、耗时的过程重新开始。

复杂训练

   一个具有深度学习的机器视觉解决方案在创建之后，需要一个复杂的训练过程。用户必须向解决方案提供成百上千甚至有时甚至上百万个错误模式，以便了解错误产品的外观。系统集成商必须定义机器学习参数，如数据扩展、网络拓扑或最终分类阈值。

   开发、安装、安装和培训过程通常需要几个月，导致长时间停工或迫使制造商采用人工目视检查，这是一种不可靠和昂贵的方法。

   这意味着最终用户不会期望从深度学习软件中直接获益；他与为其制造设施开发的视觉质量保证解决方案（QS）没有直接交互。他只能希望当前的深度学习软件能像系统集成商承诺的那样，提高他的可视化QS解决方案的质量。

自主机器视觉系统

   为了改变这种状况，Inspekto推出了市场上第一款自主机器视觉产品Inspekto S70，制造商可以完全控制其视觉QS。最终用户现在可以在不到一个小时的时间内建立一个全面运作的质量保证体系。

   系统的设置过程：在左侧，系统需要进一步的样本来学习待测位置的特征。在右边，系统显示它有足够的信息并准备好接受检查。

   配置需要20到30之间的合格产品样本，而不是有瑕疵的样本。作为整个系统的一部分，而不是作为一个单独的软件工具，终端用户可以从深入学习中获益，而不必配置参数或干扰数据的收集和标记。

   自主机器视觉系统包括几个相互补充的KI模块。这种人工智能涵盖了生产线上视觉质量保证的各个方面，包括传感器参数的自调整、传感器视场中物体检测技术的自适应和自微调。因此，系统可以独立调整，不需要专门设计。

   由于Inspekto开发的算法，该系统可以在没有对象先验知识和操作者专家知识的情况下，区分构成误差的材料变化的视觉领域中的干扰变化。因此，对象的不同方向或更改的照明条件不会导致错误消息。

   此外，自动机器图像处理提供了灵活性，即系统可以很容易地从制造工厂的一个点移动到另一个点，并提供与以前相同的简单设置。由于这种灵活性，也可以在制造工厂的同一地点对多个产品进行可视化QS，系统正确地识别和分类每个产品。