長期以來,制造商的質量控制系統都依賴于視覺檢測。傳統的機器視覺系統可能無法區分相似零件之間差異較大的缺陷類型。利用人工智能和深度學習技術的強大功能，提供高精度的檢測結果，有助于解決這一問題。與使用基于規則算法的計算機視覺技術的機器視覺系統不同，由深度學習軟件驅動的機器視覺系統基于訓練數據檢測缺陷。數據驅動的人工智能使自動化的缺陷檢測具有更大的靈活性和準確性，同時降低了維護成本。
 

　　在這種情況下，客戶相當于機器人視覺設備制造商。他們計劃將機械臂與人工智能相結合，以檢測搪瓷涂層產品中的氣泡和裂紋等缺陷。傳統的計算機視覺技術面臨著局限性：它無法區分相似產品零件上僅具有細微差別的不同缺陷類型。它不夠靈活，無法更新現有的缺陷檢查系統來識別新的缺陷類型。為了實時利用人工智能技術進行視覺缺陷檢測，該系統需要大量邊緣計算能力和大存儲容量來存儲從多條生產線捕獲的大量圖像，以及足夠的帶寬來處理數據傳輸。解決方案人工智能系統*了客戶的要求。在機械臂準確識別出保溫杯的位置并將其拿起進行360度攝影后，拍攝的圖像被發送到工業平板電腦公司的產品里進行實時推斷，在那里可以立即識別出有缺陷的產品。其產品搭載 Intel Xeon/ Core i3/i5/i7 CPU 和PCIex16 插槽支持高性能顯卡，可充分勝任復雜的實時人工智能推理和高性能計算。在 I/O 和數據存儲容量方面，配備有 4 個 GbE 端口、4 個 RS-232/422/485 端口、4 個 2.5”SATA III 硬盤驅動器(提供全帶寬和存儲容量，以滿足應用需求)，并支持高達 20TB 的數據容量。已經內置了850W 電源，所以用戶不需要增加外部電源。當缺陷檢查系統需要更新才能檢查新產品時，也可用作本地訓練服務器。內置的視覺系統將獲取到的圖像發送回 其產品進行進一步的人工智能模型再訓練。例如，杯子產品的缺陷類型不同于紙袋產品。要將人工智能缺陷檢測系統從杯子檢測改為紙袋檢測，客戶只需準備紙袋缺陷類型的訓練數據集，在其產品 重新訓練新的人工智能模型，然后在上部署經過訓練的模型。有了再訓練模型能力，缺陷檢查系統更新不再需要花高價錢請專業工程師完成。