運(yùn)用深度學(xué)習(xí)讓機(jī)器仿如人腦一樣能自我學(xué)習(xí)，可輕易的辨識(shí)傳統(tǒng)(AOI)難以檢測(cè)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(shí)時(shí)又正確地將物件分類及分級(jí)，及引導(dǎo)機(jī)器人自動(dòng)找尋正確工作路徑。無(wú)論是「監(jiān)督式學(xué)習(xí)」或較的「非監(jiān)督式學(xué)習(xí)」，使用者僅需提供少量樣本自我學(xué)習(xí)，即能省去耗時(shí)并需客制化的軟件編寫，大幅降低導(dǎo)入機(jī)器視覺的門坎。除了辨識(shí)外，已與品牌機(jī)器人串聯(lián)，當(dāng)軟件辨識(shí)完畢，其后續(xù)所需的取放動(dòng)作，均能透過機(jī)器人輕松自如地完成任務(wù)，充份達(dá)成產(chǎn)線自動(dòng)化的境界。

人工智能機(jī)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(píng)估一個(gè)棋局的優(yōu)劣，可能需要專業(yè)的棋手花大量的時(shí)間去研究影響棋局的每一個(gè)因素，而且還不一定準(zhǔn)確。而利用深度學(xué)習(xí)技術(shù)只要設(shè)計(jì)好網(wǎng)絡(luò)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(qiáng)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(shí)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(gè)問題時(shí)，調(diào)整模型的代價(jià)可能是把代碼重新寫一遍，這使得改進(jìn)的成本巨大。深度學(xué)習(xí)只需要調(diào)整參數(shù)，就能改變模型。這使得它具有很強(qiáng)的靈活性和成長(zhǎng)性，一個(gè)程序可以持續(xù)改進(jìn)，然后達(dá)到接近的程度。

普適性：

神經(jīng)網(wǎng)絡(luò)是通過學(xué)習(xí)來解決問題，可以根據(jù)問題自動(dòng)建立模型，所以能夠適用于各種問題，而不是局限于某個(gè)固定的問題。

應(yīng)用領(lǐng)域

                                                   字體識(shí)別                                                             瑕疵檢測(cè)

物件對(duì)比&升級(jí)

                                                快速物件分類                                               特征點(diǎn)辨識(shí)和定位

應(yīng)用案例

多暇疵檢測(cè)：iphone充電頭測(cè)試，相機(jī)1只，優(yōu)點(diǎn)：多瑕疵檢測(cè)

PCB板檢測(cè)：相機(jī)1只，優(yōu)點(diǎn)：用Golden Sample教導(dǎo)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(xué)習(xí)。

數(shù)量檢測(cè)：相機(jī)：1只(Fov內(nèi)都可以算出數(shù)量) 優(yōu)點(diǎn)：使用深度學(xué)習(xí)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(cè)