一是分類，即可以將產品分為合格和不合格，這是深度學習很重要的一個應用；二是定位，即幫助使用者定位物體的位置和數量；三是分割，即可以找到缺陷的輪廓，基于缺陷的輪廓和大小，對產品進行更精細的判別。通過深度學習算法，軟件可以自動學習瑕疵的特征，使得無規律圖像的分析變得可能；在精確度方面，可通過深度學習算法和制造業特有的數據提高檢測的精確度；雖然深度學習在很多方面具有優勢，不過也并不是所有任務都適用。深度學習對瑕疵分類更有優勢。取而代之的是自動檢測技術，其在生產中承擔著重要的角色。對于裝配過程中錯誤的前期查找、消除起關鍵作用。江蘇專業AOI檢測

當前電子產品日漸向著小型化趨勢發展，對產品元器件的微型化要求也越來越高，微型器件的組裝和檢測難以只通過人工完成，由此產生越來越多的自動檢測設備需求。與此同時，自動檢測設備還能夠健身制造成本、提升產品質量，AOI檢測設備代替人工的進程發展較快。在此背景下，中國自動光學檢測行業逐步發展起來。從AOI檢測設備來看，目前AOI檢測設備是SMT加工廠必備的設備，平均一條SMT生產線至少需要2-3臺AOI檢測設備，但我國AOI檢測設備的滲透率較低，只為50%左右。江西AOI升級換代AOI的圖像采集系統主要包括光電轉化攝影系統，照明系統和控制系統三個部分。

愛為視（Aivs）新一代智能AOI，它能減少檢查的誤報，保證檢測程序無缺陷。它可以檢查儲存起來的有缺陷的樣品，在優化階段，在這方面花時間的原因是為了不讓任何缺陷溜過去。所有已知的缺陷都必須檢查，同時要把允許出現的誤報數量做到盡可能減少。在針對減少誤報而對任何程序進行調整時，要檢查一下，看看以前檢查出來的真正缺陷，是否得到維修站的證實。通過一系列的核實，保障檢查程序的質量，用于專門的制造和核查，同時對誤報進行追蹤。

    本系統采用的卷積神經網絡（ConvolutionalNeuralNetworks,CNN）是一類包含卷積計算且具有深度結構的前饋神經網（FeedforwardNeuralNetworks），是深度學習（deeplearning）的表示算法之一。卷積神經網絡仿造生物的視知覺（visualperception）機制構建，可以進行監督學習和非監督學習。作為圖像識別領域的中心算法之一，卷積神經網絡在學習數據充足時有穩定的表現。針對本系統所處理的大規模圖像分類問題，卷積神經網絡將用于提取圖像的判別特征，再通過分類器進行學習和識別。畫面顯示：1、主圖畫面都有顯示器件框，便于觀察器件是否被識別；2、根據底板顏色可以自由選擇器件框顏色；3、可依據客戶需求，自由定義器件中文名；4、不良器件圖靜態顯示。 以目前AOI（自動光學檢測）技術在PCB行業滲透率較高，復雜化趨勢以及制造行業整體對智能化變革的需求。

模板匹配就是先設定已知模板，已知模板是AOI檢測中沒有缺陷的實物影像或較小重復單元影像，通常情況下PCBAOI檢測中以實物影像為已知模板，FPD AOI檢測中則是較小重復單元。將采集到的圖像與模板影像進行重合比對，然后平移到下一個單元進行同樣比對，出現灰階有差異的部分就被懷疑為缺陷，這里我們給灰階差異設定一個閾值，當灰階差超過設定閾值后，就被判定為真正的缺陷。從細節上講，閾值的設定過于嚴格出現誤判的概率就會增加，而閾值設定過于寬松漏檢出的概率就會增加，因此，被檢測物體的特征提取可以提高比對的對位精度，進而對檢測結果起到了決定性的作用。AOI檢測的工作邏輯可以簡單地分為圖像采集階段，數據處理階段，圖像分析段和缺陷報告階段四個階段。浙江爐前AOI光學檢測

質量可靠的AOI檢測儀專業的光源及合理打光方案是機器視覺的技術，判斷檢測系統是否穩定可靠。江蘇專業AOI檢測

中國機器視覺起步于80年代的技術引進，隨著98年半導體工廠的整線引進，也帶入機器視覺系統，06年以前國內機器視覺產品主要集中在外資制造企業，規模都較小，06年開始，工業機器視覺應用的客戶群開始擴大到印刷、食品等檢測領域，2011年市場開始高速增長，隨著人工成本的增加和制造業的升級需求，加上計算機視覺技術的快速發展，越來越多機器視覺方案滲透到各領域，缺陷檢測功能，是機器視覺應用得多的功能之一，主要檢測產品表面的各種信息。江蘇專業AOI檢測

深圳愛為視智能科技有限公司致力于機械及行業設備，是一家其他型公司。公司業務分為智能視覺檢測設備等，目前不斷進行創新和服務改進，為客戶提供良好的產品和服務。公司從事機械及行業設備多年，有著創新的設計、強大的技術，還有一批**的專業化的隊伍，確保為客戶提供良好的產品及服務。愛為視秉承“客戶為尊、服務為榮、創意為先、技術為實”的經營理念，全力打造公司的重點競爭力。