生产过程中的缺陷检测是保证产品质量的必要步骤。虽然人工目视检查仍在使用，但在几乎所有的主要生产线上，自动化目视检查已经几乎取代了人工劳动，在机械零件制造、汽车零件制造、印刷电路板(pcb)、电子零件、医药以及农业产量检验等领域，目视检查无处不在。通过视觉和感觉硬件实现的缺陷自动检测，由于其准确性、速度、相对容易实现和降低成本，现在比人工检测具有优势。

   缺陷的自动检测通过将产品的标准模板与制造过程中的模板进行比较并检测其不合理的偏差来实现。
   对于定义明确的模式产品（如PCB）的生产，可以使用模式匹配算法来估计偏差。然而，其他产品的缺陷，如水果和鲜花，可能不太明显，定义和检测。当缺陷和产品形状都存在较大的可变性时，统计方法（如深度学习算法提供的方法）最适合该工作。
   与基于每个产品进行推理的人类检查员类似，机器学习算法根据从被检查产品中提取的特征及其描述符的特点，开区分可接受范围内区分缺陷。
   实际的深度学习架构（层数和节点连接性）可能根据问题的复杂程度而有所不同。然而，U-Nets架构是一种看似合理且有希望的可能性。 U-Nets是完全连接的卷积神经网络（CNN），其中图像经历一系列下采样并同时计算每个尺度中的特征，随后是一系列上采样以检索最终分类（分段或注释）的输出图像。
   由于卷积网络的结构以及传送带上产品的常常不可预测的定向和几何形状，每个被检产品的特征必须是尺度和旋转不变的。对于这种情况存在若干图像特征，例如Harris角，SIFT等。此外，需要与织物或陶瓷缺陷检查的情况相关的产品质地相关的特征。为此，可以使用中心图像单体（也称为Hu矩）。对于任何图像f（x，y），阶数p + q的Hu矩定义为：

  其中p和q是整数。这些时刻唯一地表征每个图像，它们对于翻译是不变的并且计算上的计算成本低廉。通过使用Hu集中式单体，可以提取图像在不同尺度的重叠区域中的附加特征，并将其输入分类器或分级算法，以提高RSIP Vision在自动缺陷检查过程中的准确性。
   用于自动化检查的深度学习体系结构几乎可以应用于产品的所有领域。用于缺陷分类的软分类器，例如机器学习提供的软分类器，特别适合于用于检查、分级和分类的感官信息存在较大差异的情况。然而，正确的特征的使用对所有分类器的成功和准确性都有很大的影响，应该根据每个产品的可接受缺陷的范围分别进行定制。