在一些应用场景中，基于离散分析的机器视觉算法可能就无法满足要求了。这些应用包括半导体和电子检测、钢铁检测、焊接检测，以及任何其他“缺陷可能难以发现，或者好零件或物品的外观有变化”的检测任务。
定义缺陷。在许多工业环境中，依赖人工检测员的公司通常会保留一份定义零件缺陷的书面记录。在训练深度学习系统时，这些缺陷也必须预先定义，以便软件能够识别有缺陷的零件。
标记和标签。希望部署深度学习的公司必须准确地标注和标记数据。如果标记做得不一致，这个步骤会导致不准确的人工智能模型。在有代表性的数据集上有了清晰的缺陷定义和明确无误的标签，公司就可以用少量数据进行视觉项目。内部专家必须合作，以分配、管理、执行和审查任务，确保快速和准确的标记，从而产生更准确的模型。
迭代改进。最好的AI模型应该在部署到生产线之前，经过专家检查员的评估，以证明其价值，尤其是该生产线在为全球部署做测试时。深度学习软件应该有评估模型性能的工具，识别可能导致模型准确性损失的数据，并评估新的数据集，以改善和扩展现有模型，达到成功的指标。该软件还应该具有一些特征工具，比如用于防止过度拟合和评估经过训练的模型的性能。
常见的困难和挑战
成像技术带来了许多挑战，因此系统集成商和OEM应考虑一些可能会遇到的最基本的问题，并在系统设计中预先解决这些问题。这些问题包括：
环境光：除了为成像系统设计的专用照明光源外，其他的照明都被认为是环境光，它们会给成像系统带来不一致性和故障问题。太阳光甚至头顶上的照明，都必须尽可能地通过屏蔽或光学过滤来控制。在一个案例中，位于检测系统附近的制造人员的制服颜色的变化，都会造成额外的反射光，影响检测结果。大多数情况下，在成像系统设计中减轻环境光的影响是比较简单的。
机械稳定性。工厂的振动会使成像系统中的光学元件松动，而相机位置、照明组件甚至镜头设置的变化，都会导致不可靠的成像。
变化的外观。被检测部件的材料、设计和整体外观可能会发生变化，而且视觉系统的拥有者并不知道这些变化。例如，一个制造工程团队决定改变一个螺丝的金属合金成分，因为这样能更便宜。从功能上讲，该部件的工作原理是一样的，但外观可能会发生变化。这种外部影响会导致系统的性能下降。检查这种性能变化的软件可以向运营团队发出信号，告诉他们什么时候应该进行及时的视觉系统维护。
机器视觉和深度学习的发展
一个视觉检测系统，无论是传统的视觉检测系统，还是基于深度学习的检测系统，都可以帮助各行各业的公司跟上客户的需求，同时确保产品质量，提高生产力，降低成本。无论你是一家希望实现更多流程自动化的公司，还是面临下一个系统的规范、设计和安装的系统集成商或OEM，请记住：所有的视觉检测系统都需要测试、迭代和持续改进。