运用深度学习让机器仿如人脑一样能自我学习，可轻易的辨识传统(AOI)难以检测的不规律瑕疵及特征，如脏污、刮痕、裂缝、毛边等等。亦可用来实时又正确地将物件分类及分级，及引导机器人自动找寻正确工作路径。无论是「监督式学习」或较的「非监督式学习」，使用者仅需提供少量样本自我学习，即能省去耗时并需客制化的软件编写，大幅降低导入机器视觉的门坎。除了辨识外，已与品牌机器人串联，当软件辨识完毕，其后续所需的取放动作，均能透过机器人轻松自如地完成任务，充份达成产线自动化的境界。

人工智能机器视觉与传统视觉的比较

高效率：

例如用传统算法去评估一个棋局的优劣，可能需要专业的棋手花大量的时间去研究影响棋局的每一个因素，而且还不一定准确。而利用深度学习技术只要设计好网络框架，就不需要考虑繁琐的特征提取的过程。这也是 DeepMind公司的AlphaGo 能够强大到轻松击败专业的人类棋手的原因，它节省了大量的特征提取的时间，使得本来不可行的事情变为可行。

可塑性：

在利用传统算法去解决一个问题时，调整模型的代价可能是把代码重新写一遍，这使得改进的成本巨大。深度学习只需要调整参数，就能改变模型。这使得它具有很强的灵活性和成长性，一个程序可以持续改进，然后达到接近的程度。

普适性：

神经网络是通过学习来解决问题，可以根据问题自动建立模型，所以能够适用于各种问题，而不是局限于某个固定的问题。

应用领域

                                                   字体识别                                                             瑕疵检测

物件对比&升级

                                                快速物件分类                                               特征点辨识和定位

应用案例

多暇疵检测：iphone充电头测试，相机1只，优点：多瑕疵检测

PCB板检测：相机1只，优点：用Golden Sample教导系统，让系统自行找出与Golden Sample不同的PCB板，不需要制造协暇来让系统学习。

数量检测：相机：1只(Fov内都可以算出数量) 优点：使用深度学习的方式来做，可提高辨视率，即使产品靠的很紧都可以正确辨视

隐形眼镜瑕疵检测