缺陷檢測是工業上非常重要的一個應用，而普通的缺陷檢測由于成本的高、檢測的效率低不斷的被市場所淘汰。從而用機器視覺來檢測，傳統的機器視覺算法很難做到對缺陷特征完整的建模和遷移，復用性不大，要求區分工況，這會浪費大量的人力成本。越來越多的學者和工程人員開始將深度學習算法引入到缺陷檢測領域中，深度學習也在特征提取和定位上取得了非常好的效果。
一、核心功能模塊
1. 對缺陷進行自動分級、位置標記、靈敏度控制;
2. 自動挑選樣本、診斷模型、輸出最佳神經網絡;
3. 自動學習、不斷優化性能;
4. 模型優化、調整檢測標準
深度學習算法備受青睞的原因，不僅僅源于其強大的特性，更大程度在于相較傳統算法的明顯優勢。
二、優勢對比
1. 在檢測性能上
擁有對顏色、亮度、對比度等更具穩定性的測試效果，較大幅度地提升了檢測能力。
2. 在操作性上
AI算法在經前期模型的訓練后，就能靈活適應產品的頻繁更換，減免了參數調整的繁瑣步驟。
3. 在算法拓展性上
AI算法有利于后續對軟件的升級優化，其發展提升的可能性更廣闊。
三、深度學習算法效果
1. 檢測效果佳，即使背景復雜，影響也較弱
2. 能對灰塵、異物進行過濾，避免其受影響干擾
2. 準確分辨、歸類不同缺陷
小結：目前深度學習廣泛應用在多個行業內備受認可與青睞，比如數字助手、能源、制造業、農業、零售、汽車等行業的生產制造與服務過程中不同程度地融入了深度學習算法技術以及技術產品。