在一些應用場景中，基於離散分析的機器視覺算法可能就無法滿足要求了。這些應用包括半導體和電子檢測、鋼鐵檢測、焊接檢測，以及任何其他“缺陷可能難以發現，或者好零件或物品的外觀有變化”的檢測任務。

定義缺陷。在許多工業環境中，依賴人工檢測員的公司通常會保留一份定義零件缺陷的書麵記錄。在訓練深度學習係統時，這些缺陷也必須預先定義，以便軟件能夠識別有缺陷的零件。

標記和標簽。希望部署深度學習的公司必須準確地標注和標記數據。如果標記做得不一致，這個步驟會導致不準確的人工智能模型。在有代表性的數據集上有了清晰的缺陷定義和明確無誤的標簽，公司就可以用少量數據進行視覺項目。內部專家必須合作，以分配、管理、執行和審查任務，確保快速和準確的標記，從而產生更準確的模型。

迭代改進。最好的AI模型應該在部署到生產線之前，經過專家檢查員的評估，以證明其價值，尤其是該生產線在為全球部署做測試時。深度學習軟件應該有評估模型性能的工具，識別可能導致模型準確性損失的數據，並評估新的數據集，以改善和擴展現有模型，達到成功的指標。該軟件還應該具有一些特征工具，比如用於防止過度擬合和評估經過訓練的模型的性能。

常見的困難和挑戰

成像技術帶來了許多挑戰，因此係統集成商和OEM應考慮一些可能會遇到的最基本的問題，並在係統設計中預先解決這些問題。這些問題包括：

環境光：除了為成像係統設計的專用照明光源外，其他的照明都被認為是環境光，它們會給成像係統帶來不一致性和故障問題。太陽光甚至頭頂上的照明，都必須盡可能地通過屏蔽或光學過濾來控製。在一個案例中，位於檢測係統附近的製造人員的製服顏色的變化，都會造成額外的反射光，影響檢測結果。大多數情況下，在成像係統設計中減輕環境光的影響是比較簡單的。

機械穩定性。工廠的振動會使成像係統中的光學元件鬆動，而相機位置、照明組件甚至鏡頭設置的變化，都會導致不可靠的成像。

變化的外觀。被檢測部件的材料、設計和整體外觀可能會發生變化，而且視覺係統的擁有者並不知道這些變化。例如，一個製造工程團隊決定改變一個螺絲的金屬合金成分，因為這樣能更便宜。從功能上講，該部件的工作原理是一樣的，但外觀可能會發生變化。這種外部影響會導致係統的性能下降。檢查這種性能變化的軟件可以向運營團隊發出信號，告訴他們什麽時候應該進行及時的視覺係統維護。

機器視覺和深度學習的發展

一個視覺檢測係統，無論是傳統的視覺檢測係統，還是基於深度學習的檢測係統，都可以幫助各行各業的公司跟上客戶的需求，同時確保產品質量，提高生產力，降低成本。無論你是一家希望實現更多流程自動化的公司，還是麵臨下一個係統的規範、設計和安裝的係統集成商或OEM，請記住：所有的視覺檢測係統都需要測試、迭代和持續改進。