隨著機器視覺、工業自動化的快速發展,各類元器件表面細微缺陷對元器件的性能影響越來越大，如何更好地對產品表面缺陷進行檢測也隨之被提出來。機器視覺系統已經可以部分替代人類視覺，但在一些復雜場景下采用機器視覺系統依然存在許多挑戰。

       傳統的視覺算法存在一些局限性。例如，圖像中的缺陷特征可能非常多樣化，那么必須通過工程師的判斷以及反復試驗，才能決定可以使用哪些功能來最好地識別缺陷。由于編程很難覆蓋所有的缺陷特征，傳統的視覺算法通常會遇到較高的誤報率?；谏疃葘W習的方法可以緩解許多此類問題，可以檢測到傳統算法可能無法檢測到的缺陷。因此，深度學習方法可以補充現有的傳統算法，從而使整個解決方案更易于操作且更準確。

       深度學習的應用包括模型訓練和推理，必須考慮硬件配置，該硬件配置應能夠運行神經網絡模型，同時又滿足設備的實時性能要求和生產線的節奏。QUARK-300系列便是成熟的解決方案，搭載能夠支持intel 5代~10代酷睿處理器，它適用于MV和AI工業干擾環境下的應用，并支持千兆網絡或USB3.0作為攝像機輸入。