傳統的機器視覺檢測方法以一種正常的模式定義了缺陷標準，例如亮度和半徑，這需要手動設置閾值。因此，必須對圖像中的目標對象的每一個潛在缺陷進行量化。

使用深度學習軟件，基于樣本的算法，利用可接受的產品和不可接受的產品的圖像進行訓練，這與需要手動設置缺陷標準的基于規則的算法不同。通過深度學習算法，軟件能自動學習和分析缺陷標準，并區分正常的和有缺陷的目標圖像。

圖1：SuaKIT提供分割、分類與檢測以及四種不同的深度學習架構。

然而，訓練深度學習模型需要大量的圖像數據，顯示可接受和不可接受的部分。雖然獲完好產品的圖像相對容易，但是缺陷圖像卻比較稀少，因此很難對缺陷標準進行量化。

為了解決缺乏缺陷數據的問題，數優公司（SUALAB）的工程師依靠的是該公司SuaKIT深度學習軟件的“OneClass學習”功能中的數據增強技術。

“數據增強通過脫色、翻轉或旋轉來轉換圖像，”SUALAB市場營銷經理HanjunKim解釋說，“它還可以創建具有不同亮度的圖像，從而減少由于光學條件變化而引起的問題。”

圖2：使用“分割”功能，可以準確地檢測缺陷的位置、面積和形狀。

深度學習算法的黑盒子特性，使得追蹤問題變得較為困難，當涉及到理解某些部分失敗的原因時，會讓用戶感到茫然。

SuaKIT的可視化調試器功能，可以幫助用戶找到深度學習算法識別出缺陷的部分。可視化調試器還能識別深度學習算法使用的標準。

縮短產品生命周期和混合模型處理，也對制造領域的實際深度學習應用提出了挑戰。每當出現新類型的缺陷或引入產品變更時，用戶必須開發新的深度學習模型，這無疑將消耗時間和資源。SuaKit通過一種稱為“域適應”的遷移學習法克服了這些問題，該遷移學習利用相關源域中的預標記數據來執行新任務。Kim解釋說，通過利用圖像數據和現有產品模型等資源，可以減少新產品中缺陷檢測所需的資源。

圖3：應用“檢測”功能，可以在單幅圖像中檢測各種類型的目標對象，并進行分類。

深度學習軟件（SuaKIT等）的應用取代了人眼視覺檢查的需求，允許檢查人員解放出來并轉移到工廠內的其他制造過程或任務中，從而提高生產率。例如，印制電路板（PCB）具有復雜的電路圖案，對于PCB上的缺陷檢測，傳統的機器視覺檢測方法（如模式匹配）可以找出主圖像和捕獲的產品圖像之間的差異，但深度學習技術更有效。

“在一家部署了SuaKIT的工廠中，使用傳統機器視覺檢測方法識別有缺陷的產品時，準確率低于40％。而且過檢率(over-detectionrate)也很高，即使在自動檢查完成后，也至少需要三名檢查員再手動檢查產品。”Kim說，“采用SuaKIT深度學習軟件，將檢測準確度提高到了97.4％，并且在該應用中的過檢率大大降低，減少了需要檢查的圖像數量。”

深度學習軟件提供了一種比傳統的基于規則的機器視覺檢測技術更有效的替代方案，當然它仍然存在一些局限性。一旦這些局限性被克服后，深度學習將真正幫助用戶在生產流程方面，實現大幅改進。