深度學習之於複雜檢測的應用
深度學習模型將人工檢測人員的自我學習與電腦化系統的速度與一致性相結合
無論是用於定位，讀取，檢測或分類關注功能特徵，基於深度學習型圖像分析都與傳統機器視覺不同，因為這項技術能依照零件具區別性的特性，將零件的外觀概念化並加以歸納，即使那些特性的差異毫不顯眼或只是有時會有誤差亦無妨。
基於深度學習型圖像分析更是較適用於檢測本質複雜的外觀表面：這類圖案的差異毫不顯眼且微乎其微，且位置變化可能導致無法使用基於空間頻率的方法。深度學習擅長於解決複雜表面和外觀缺陷，如轉動零件金屬零件或有光澤的零件上的刮痕和凹痕等。
深度學習技術利用神經網路，模仿人類的智慧來分辨外觀異常，同時容許複雜圖案的塗裝變化。深度學習擁有優於傳統機器視覺方法的優勢，因為傳統視覺方法難以鑒別外表極為相似零件之間的變化與誤差。相較於人工或傳統機器視覺解決方案，如 Cognex Deep Learning 這類基於深度學習型的軟體，可以更有效率地執行基於判斷的檢測艱難任務。
