隨著機器視覺、工業(yè)自動化的快速發(fā)展,各類元器件表面細微缺陷對元器件的性能影響越來越大，如何更好地對產(chǎn)品表面缺陷進行檢測也隨之被提出來。機器視覺系統(tǒng)已經(jīng)可以部分替代人類視覺，但在一些復(fù)雜場景下采用機器視覺系統(tǒng)依然存在許多挑戰(zhàn)。

       傳統(tǒng)的視覺算法存在一些局限性。例如，圖像中的缺陷特征可能非常多樣化，那么必須通過工程師的判斷以及反復(fù)試驗，才能決定可以使用哪些功能來最好地識別缺陷。由于編程很難覆蓋所有的缺陷特征，傳統(tǒng)的視覺算法通常會遇到較高的誤報率?；谏疃葘W習的方法可以緩解許多此類問題，可以檢測到傳統(tǒng)算法可能無法檢測到的缺陷。因此，深度學習方法可以補充現(xiàn)有的傳統(tǒng)算法，從而使整個解決方案更易于操作且更準確。

       深度學習的應(yīng)用包括模型訓(xùn)練和推理，必須考慮硬件配置，該硬件配置應(yīng)能夠運行神經(jīng)網(wǎng)絡(luò)模型，同時又滿足設(shè)備的實時性能要求和生產(chǎn)線的節(jié)奏。QUARK-300系列便是成熟的解決方案，搭載能夠支持intel 5代~10代酷睿處理器，它適用于MV和AI工業(yè)干擾環(huán)境下的應(yīng)用，并支持千兆網(wǎng)絡(luò)或USB3.0作為攝像機輸入。