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)，可輕易的辨識傳統(tǒng)(AOI)難以檢測的不規(guī)律瑕疵及特征，如臟污、刮痕、裂縫、毛邊等等。亦可用來實時又正確地將物件分類及分級，及引導(dǎo)機(jī)器人自動找尋正確工作路徑。無論是「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。除了辨識外，已與品牌機(jī)器人串聯(lián)，當(dāng)軟件辨識完畢，其后續(xù)所需的取放動作，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)算法去評估一個棋局的優(yōu)劣，可能需要專業(yè)的棋手花大量的時間去研究影響棋局的每一個因素，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)算法去解決一個問題時，調(diào)整模型的代價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)的靈活性和成長性，一個程序可以持續(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)問題自動建立模型，所以能夠適用于各種問題，而不是局限于某個固定的問題。
應(yīng)用領(lǐng)域
字體識別 瑕疵檢測
物件對比&升級
快速物件分類 特征點辨識和定位
應(yīng)用案例
多暇疵檢測：iphone充電頭測試，相機(jī)1只，優(yōu)點：多瑕疵檢測
PCB板檢測：相機(jī)1只，優(yōu)點：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：相機(jī)：1只(Fov內(nèi)都可以算出數(shù)量) 優(yōu)點：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
