深度學習是機器學習的一種，而機器學習是實現人工智能的必經路徑。深度學習的概念源于人工神經網絡的研究，含多個隱藏層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。研究深度學習的動機在于建立模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本等。

先進的深度學習技術能夠解決具有挑戰性的缺陷檢測、裝配驗證、分類和 OCR 應用

元件定位和裝配驗證

棘手OCR

缺陷檢測

分類

深度學習在缺陷類項目中的運用

在缺陷檢測類項目中，因為缺陷類型、形狀、大小等不定因素，加大了缺陷檢測類項目的難度。而利用深度學習，提前對不同類型、形狀、大小的缺陷圖片標記處缺陷位置，生成缺陷類庫，在實際運行過程中，將圖片與類庫中的缺陷進行比對即可快速得出結果。通過不斷的豐富缺陷類庫，慢慢降低誤判及漏判率，使系統趨于穩定狀態。

深度學習（AI）

AI技術的運用，使機器視覺能夠具有超越現有解決方案的能力，勝任更具挑戰性的應用。

AI在機器視覺中的適用性依賴于機器學習技術，更準確的說是深度學習能力。從最廣泛的層面上來說，AI可以被定義為計算機模擬人類智能的能力。機器學習使計算機能夠在沒有明確編程的情況下進行操作。深度學習，是機器學習的一個子領域，使計算機能夠從經驗中不斷學習。

在機器視覺領域，通過與標準圖像處理庫集成的軟件，可以像小孩子一樣進行學習。比如，“你不會用一個基于規則的方式跟孩子解釋房子是什么，通過很少的例子，即使在年幼的時候，我們的大腦也能夠認知到房子是什么。在這方面，深度學習系統與人類大腦運作相似。”

深度學習優點

較傳統機器視覺解決方案，AI可以減少開發機器視覺程序所需的時間

應用領域

缺陷檢測類項目，傳統算法來編程，計算機難以定義缺陷，需要在每次出現新的缺陷時重做設置，但是通過擁有大量樣品的人工智能，最終可以得到一個非常清晰的認知，知道哪些部分是好的，哪些是不好的。

金屬材質、玻璃表面、食品雜質、醫療醫藥、電子/電池、磁性材料…等.

一些細微的劃痕、瑕疵、缺陷，甚至人眼正常情況下都看不出來的痕跡，傳統的視覺很難采集好圖像，那么，你該了解一下捷翔JXAI的深度學習AI智能檢測系統啦。

再小、再細微、再復雜的環境下，都讓瑕疵缺陷無所遁形！

（深度學習AI視覺檢測系統），通過用戶樣本數據的訓練對模型進行定制優化，從而適配用戶實際使用場景。

當算法模型與生產線或生產環境中的檢測/采集設備集成，就可實現在生產過程中以計算機視覺代替人工進行質量、安全、完整性等檢測工作。

基于計算機智能視覺不間斷、不疲勞的特性在檢測方面提供遠高于人工的效率和準確性，與制造商、生產設備商一起降低工業生產成本提升產能。