深度学习
> 项目技术性分析
> 零部件缺陷种类较多；
> 表面干扰因素较多 ，部分瑕疵品与良品区分不明显
> 电感表面缺陷复杂 ，容易误判
> 产品型号变化多 ，传统方式下 ，新缺陷和新型号需要学习数据量巨大 ，效率低下
解决方案：
> 采用多相机 ，专用视觉光源 ，多工位分时拍照方式；
> 运用AI深度学习算法 ，对常见的缺陷样板进行学习 ，对生产过程中出现的类似缺陷进行准确判 断 ， 随着检测数量的增加 ，检
> 项目技术性分析
> 零部件缺陷种类较多；
> 表面干扰因素较多 ，部分瑕疵品与良品区分不明显
> 电感表面缺陷复杂 ，容易误判
> 产品型号变化多 ，传统方式下 ，新缺陷和新型号需要学习数据量巨大 ，效率低下
解决方案：
> 采用多相机 ，专用视觉光源 ，多工位分时拍照方式；
> 运用AI深度学习算法 ，对常见的缺陷样板进行学习 ，对生产过程中出现的类似缺陷进行准确判 断 ， 随着检测数量的增加 ，检出率将不断提高 ，并降低新产品和新缺陷学习数量。
