如雨後春筍般深度學習缺陷檢測視覺平台，主要有兩個方向的視覺平台，Ai軟體，智能機硬體+算法。
無論是Ai軟體，智能機都是以小樣本訓練、遷移學習，AI底層優化算法等解決工業視覺缺陷檢測難題，并在汽車，3C、泛半導體、锂電池等衆多領域廣泛落地，實作了機器替代人，提高了企業産品品質檢測，提高檢測效率，降低人工成本，輔助保證産線良率、産能，為改善産品工藝和品質提供可靠的資料追溯。
缺陷檢測行業痛點有哪些？
用戶端痛點：
1.圖像資料少
缺陷圖像資料少，收集困難；個别罕見缺陷收集難度更大
2.産品型号多
産品類型多複雜，型号多變
3.周期長
項目周期長，落地慢
4.要求高
終端客戶要求檢測精度過高，0漏檢！
5.缺陷标準模糊
終端客戶内部缺陷标準不統一，存在模棱兩可的情況，項目推進中形成很大的阻力
技術端痛點：
1.精度不可控
深度學習卷積不可控，檢測精确度低
2.優化無方向
深度學習神經網絡黑匣子，優化無方向
3.檢測速度慢
GPU顯示卡成本高，硬體加速處理速度慢
4.軟體操作複雜
軟體內建度、功能性差，操作複雜，工程師不會使用
5.綜合技術實力要求高
對光學方案要求越來越高，對綜合技術能力要求越來越高，AI需要傳統圖像處理算法配合。
小樣本訓練帶來挑戰性（解決工業缺陷圖像資料少，減少AI對于資料量的依賴）
1、目前問題點：
深度學習模型的效果過于依賴大量訓練資料，而工業流水線上的AI模型需應對的NG樣本存在類型多、資料少的特點。
2、現有挑戰：
如何在保證精度的情況下進行神經網絡模型的小樣本訓練？
3、解決方案：
基于工業樣本的特點，利用結構化保持的流形學習方法、深度最優測度學習方法及特征比對與對抗學習方法，解決基于遷移學習的小樣本識别中産生的負遷移、負适配、欠拟合等關鍵問題。
遷移學習（強泛化能力，解決跨産品型号能力差問題 ）
1、目前問題點：
檢測目标存在多型号，材質相似，缺陷類型大緻相同等特點。以往的深度學習算法在訓練同一類圖像的過程中，容易産生過拟合現象。
2、現有挑戰：
解決對類似圖像訓練的過拟合問題！
3、解決方案：
通過工業領域收集的各類缺陷圖檔，訓練出較為通用的預訓練工業模型。由于通用模型的低層語義通常包含缺陷邊緣、顔色等通用基礎資訊，無需重複訓練，是以遷移學習當機預訓練模型的全部卷積層，隻訓練自己定制的全連接配接層；即隻訓練高層語義所包含的組合性複雜特征來将通用預訓練工業模型遷移到多個領域隻有小資料的領域，提高了泛化能力具有适應性。
算法底層架構優化（超高精度，解決行業檢測誤差問題）
1、目前問題點：
AI Segmentation分割模型普遍存在精度不夠的問題。開源算法及行業内某些廠商的語義分割算法檢測的後的IOU（交并比）效果不理想，即反映精度不夠或檢測存在偏差的問題。
2、現有挑戰：
消除由于模型分割精度不夠導緻的檢測偏差問題。
3、解決方案：
AI深度學習子產品優化了算法底層架構，得益于專業的超參控制調整，使所檢測的分割像素無限貼近于真實。根據項目圖像特征的不同，組合配備對應的超參控制，對像素特征具有極高的感覺，大幅度提升檢測IOU及像素級精度。
可視化調試(解決深度學習模型優化無方向問題)
1、目前問題點：
針對目前深度學習隻能處理可微資料，超參多不好調試，卷積過程黑匣子不可控，訓練資料要求多，無法了解圖像背後含義等缺陷。
2、現有挑戰：
神經網絡優化沒有方向，黑匣子無法可視化，無法人為幹預結果。
3、解決方案：
通過計算獲得最大一類的輸出相對于最後一個featuremap的梯度，再把這個梯度可視化到原圖，抽出中間層的結果來打開黑匣子，解決優化無方向等黑匣子問題；針對樣本在訓練過程中不可控的問題，特别加強了圖像分類可視化功能，通過熱力圖、精準定位到最高權重，并提供強有效的方向性修複方案。
機器學習+深度學習
1、目前問題點：
基于AI深度學習的模型分析下，有部分項目在結果上無法做到絕對的精準量化；AI子產品對于部分資料處理存在速率低下的情況。
2、現有挑戰：
解決AI子產品對于絕對精度的量化問題與項目推理運作的時效問題。
3、解決方案：
AI深度學習結合自主研發的機器視覺算法，将模闆比對、輪廓比對、定位、量測等多子產品算法內建，融合搭配AI深度學習算法。平台為AI提供了可靠的預訓練樣本；并滿足大量使用者現場有關機器視覺的應用。将檢測的結果經過MV算法進行精準測量，并通過子產品化的搭建方式組合子產品，實作高效的項目推理部署。