智能視覺檢測瑕疵缺陷已成為一個有着高度直接影響的有趣且具有潛力的研究領域，特别是在視覺檢測領域，深度學習技術已成為此任務的最佳方法。深度學習技術可以通過訓練圖像資料集來提供一個可以檢測表面異常的模型。在一些工業中，通過表面檢測或材料檢測中的雜質是品質控制的一步。通常，這個檢查過程需要質檢人員手動檢查表面，也需要訓練質檢人員識别整個複雜缺陷範圍，但對于智能制造時代來說，這是耗時、低效的，可能會導緻生産等待時間，甚至偶爾錯誤分類缺陷，導緻客戶投訴或領域故障，進而導緻産品召回等問題。
過去，傳統的機器視覺檢測足以解決那些低效問題，不足的地方由人工補足，但現如今的智能制造傾向于泛化生産線，需要快速适應新産品的快速更新疊代，故此基于卷積神經網絡（深度學習）的視覺檢測缺陷被提出。基于深度學習的視覺檢測擁有包括缺陷分類、缺陷定位和缺陷分割等環節，相比于傳統的圖像處理方法分多個步驟和環節處理缺陷檢測任務，基于深度學習的視覺檢測方法将其統一為端到端的特征提取和分類。
通常來講，産品附加值越高，缺陷容忍率就越低，如汽車工業、電子、日用等，對産品本身品質要求較高，通過視覺檢測對産品進行大量抽檢或全檢，幫助降低産品的不良率，提升生産效率與産品可靠性。但是這個魔幻的年代讓一些小廠也不得不卷一下，例如玩具的制造小廠，引入一套視覺檢測軟體，就虛數科技的DLIA工業缺陷檢測，也不過才幾萬塊，就當為工廠更新轉型提前布局。
随着人工智能的現代發展趨勢，制造企業希望在生産周期中利用基于深度學習的視覺檢測技術實作減少人為幹預的同時，達到人的水準精度或更高的精度，以及優化工廠生産能力、勞動成本等。深度學習視覺檢測技術的使用是多種多樣的，工業制造領域的多樣性、生産環境的複雜性、産品缺陷的非标性等因素，給深度學習視覺檢測的實際應用帶來諸多挑戰的同時，也讓深度學習視覺檢測技術得更多補充和優化，變得更加成熟。虛數科技相信，深度學習與視覺檢測相結合，必将大力推動智能制造的研究和應用進展。