一、產品功能
（1）可進行異常檢測，是指將整個圖像劃分為“好”或“壞”，例如藥片的好壞，是對圖像整體的屬性進行判斷。
（2）可進行圖像分類，是指將整個圖像劃分為已定義的類型，例如對僅包含單個物體的圖像進行類型分類。例如，貓狗分類，或者同一種產品的不同狀態進行分類。
（3）可進行缺陷檢測，也稱像素分割缺陷檢測，是指逐像素進行分割，在圖像中判斷是否存在局部區域的缺陷，是工業場景中進行質量檢查最典型的應用之一。
（4）可進行物體定位，指的是確認某項固定或類似特征在圖像中的位置，例如我們經常用到的人臉識別。
二、性能指標
（1）基于卷積運算的神經網絡系統，即卷積神經網絡(CNN)；
（2）基于多層神經元的自編碼神經網絡，包括自編碼( Auto encoder)以及近年來受到廣泛關注的稀疏編碼兩類( Sparse Coding)；
（3）以多層自編碼神經網絡的方式進行預訓練，進而結合鑒別信息進一步優化神經網絡權值的深度置信網絡(DBN)；
（4）PyTorch 是一個開源的Python 機器學習庫，基于Python，用于自然語言處理等應用程序。隨著深度學習技術的大力發展，PyTorch 逐漸成為主流的深度學習框架。
（5）OpenVINO Intel 基于身現有的硬件平開發的一種可以加快高性能計算機視覺和深度學習視覺應用開發速度工具套件,支持各種英特爾平臺的硬件器上進行深度字習，并且允許直接異構執行,支持在Wndows 與linux 系統, Python/C++語言；
（6）TensorRT 是NVDLA 推出的高性能深度學習引擎。隨著傳統的高性能計算和新興的深度學習在大型的互聯網企業的普及發展,作為訓練和推理體的GPU 也越來越多的使用。NVDLA 本著讓大家能更好地利GPU,使其在做深度學習的時候達到更好的效果的目標，推出了TensorRT；
（7）將300 種機器視覺檢測工具與深度學習工具深入融合到一個視覺開發平臺中，簡化了視覺應用開發流程。
（8）高集成度界面：工業AI 視覺算法平臺深度學習標記、訓練、推理一套軟件完成且無需編程。經簡單培訓，線上工人能獨立、快速使用，進行模型訓練，完成視覺項目應用。
（9）創新的深度學習工具：工業AI 視覺算法平臺的深度學習工具專門為生產制造環境開發的AI 檢測工具，這些工具幫助解決傳統機器視覺無法解決的復雜場景應用。
（10）VisionBank AI 的運行環境：只需在CPU 下運行，可以在GPU 下訓練。在GPU 下訓練用以節約訓練時間，在CPU 下運行，用于節約檢測成本，解決GPU 購買壓力。
三、產品優勢
（1）深度學習和傳統機器視覺方法的差異主要在于，傳統機器學習的步驟是人工分析圖片的特征，通過圖像算法提取特征，然后通過特征的數值來區分物品。在分析的時候不需要大量的圖片，只需要幾種分類的典型圖片，和類別之間的臨界圖片。人工分析在整個過程當中起到了主導的作用。而深度學習的步驟是采集大量圖片，標注圖片，把圖片放進網絡訓練，查看訓練結果，調節參數和網絡結構，再次訓練，得到最好的結果。深度學習在標注和訓練的時候不需要專業，網絡會自動提取和篩選特征，規劃分割閾值。只是在調整參數和網絡結構時需要專業工程師，但是在一些項目中可以不用調整參數和網絡結構，通過調整數據來解決準確性問題。
（2）由于實現方式的差異，導致二者在適應性、檢測對象和功能實現方面，有比較大的差別。首先，基于深度學習的方法能讓機器視覺應用更加具有適應性，這是傳統方法不容易實現的。或者說需要很大的人力物力才能實現的。深度學習與傳統方法相比，這樣可省去特征選取和提取的步驟。在特征選取和提取的步驟中，用戶要分析與檢測相關屬性的機器學習算法，然后才能將其訓練為可以檢測完整的物體。深度學習網絡的顯著區別在于，它可以在訓練過程中獨立地學習相關屬性。
其次，當檢測不同的物體和特征時，深度學習方法的優勢是能夠檢測以不同形式出現的物體或特征，如表面劃痕、不同形狀的天然產品或手寫字跡。例如在異常檢測中，只需使用完美無瑕的物體圖像來訓練神經網絡，即可識別物體在使用過程中造成的損壞。
再次，將大量的圖片數據經過適當訓練的神經網絡可以很好地識別出變量環境（如變化的背景、不同的分辨率或光源條件）中的物體，無需針對每個可能的特性進行專門訓練。
膠路檢測：
彈簧檢測：
劃痕檢測：
