传统的机器视觉检测方法以一种正常的模式定义了缺陷标准，例如亮度和半径，这需要手动设置阈值。因此，必须对图像中的目标对象的每一个潜在缺陷进行量化。
   使用深度学习软件，基于样本的算法，利用可接受的产品和不可接受的产品的图像进行训练，这与需要手动设置缺陷标准的基于规则的算法不同。通过深度学习算法，软件能自动学习和分析缺陷标准，并区分正常的和有缺陷的目标图像。

图1：SuaKIT提供分割、分类与检测以及四种不同的深度学习架构。

   然而，训练深度学习模型需要大量的图像数据，显示可接受和不可接受的部分。虽然获完好产品的图像相对容易，但是缺陷图像却比较稀少，因此很难对缺陷标准进行量化。
   为了解决缺乏缺陷数据的问题，数优公司（SUALAB）的工程师依靠的是该公司SuaKIT深度学习软件的“OneClass学习”功能中的数据增强技术。
   “数据增强通过脱色、翻转或旋转来转换图像，”SUALAB市场营销经理HanjunKim解释说，“它还可以创建具有不同亮度的图像，从而减少由于光学条件变化而引起的问题。”

图2：使用“分割”功能，可以准确地检测缺陷的位置、面积和形状。

   深度学习算法的黑盒子特性，使得追踪问题变得较为困难，当涉及到理解某些部分失败的原因时，会让用户感到茫然。
   SuaKIT的可视化调试器功能，可以帮助用户找到深度学习算法识别出缺陷的部分。可视化调试器还能识别深度学习算法使用的标准。
   缩短产品生命周期和混合模型处理，也对制造领域的实际深度学习应用提出了挑战。每当出现新类型的缺陷或引入产品变更时，用户必须开发新的深度学习模型，这无疑将消耗时间和资源。SuaKit通过一种称为“域适应”的迁移学习法克服了这些问题，该迁移学习利用相关源域中的预标记数据来执行新任务。Kim解释说，通过利用图像数据和现有产品模型等资源，可以减少新产品中缺陷检测所需的资源。

图3：应用“检测”功能，可以在单幅图像中检测各种类型的目标对象，并进行分类。

   深度学习软件（SuaKIT等）的应用取代了人眼视觉检查的需求，允许检查人员解放出来并转移到工厂内的其他制造过程或任务中，从而提高生产率。例如，印制电路板（PCB）具有复杂的电路图案，对于PCB上的缺陷检测，传统的机器视觉检测方法（如模式匹配）可以找出主图像和捕获的产品图像之间的差异，但深度学习技术更有效。
   “在一家部署了SuaKIT的工厂中，使用传统机器视觉检测方法识别有缺陷的产品时，准确率低于40％。而且过检率(over-detectionrate)也很高，即使在自动检查完成后，也至少需要三名检查员再手动检查产品。”Kim说，“采用SuaKIT深度学习软件，将检测准确度提高到了97.4％，并且在该应用中的过检率大大降低，减少了需要检查的图像数量。”
   深度学习软件提供了一种比传统的基于规则的机器视觉检测技术更有效的替代方案，当然它仍然存在一些局限性。一旦这些局限性被克服后，深度学习将真正帮助用户在生产流程方面，实现大幅改进。