缺陷检测是工业上非常重要的一个应用，而普通的缺陷检测由于成本的高、检测的效率低不断的被市场所淘汰。从而用机器视觉来检测，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中，深度学习也在特征提取和定位上取得了非常好的效果。
一、核心功能模块
1. 对缺陷进行自动分级、位置标记、灵敏度控制;
2. 自动挑选样本、诊断模型、输出最佳神经网络;
3. 自动学习、不断优化性能;
4. 模型优化、调整检测标准
深度学习算法备受青睐的原因，不仅仅源于其强大的特性，更大程度在于相较传统算法的明显优势。
二、优势对比
1. 在检测性能上
拥有对颜色、亮度、对比度等更具稳定性的测试效果，较大幅度地提升了检测能力。
2. 在操作性上
AI算法在经前期模型的训练后，就能灵活适应产品的频繁更换，减免了参数调整的繁琐步骤。
3. 在算法拓展性上
AI算法有利于后续对软件的升级优化，其发展提升的可能性更广阔。
三、深度学习算法效果
1. 检测效果佳，即使背景复杂，影响也较弱
2. 能对灰尘、异物进行过滤，避免其受影响干扰
2. 准确分辨、归类不同缺陷
小结：目前深度学习广泛应用在多个行业内备受认可与青睐，比如数字助手、能源、制造业、农业、零售、汽车等行业的生产制造与服务过程中不同程度地融入了深度学习算法技术以及技术产品。