一、产品功能
（1）可进行异常检测，是指将整个图像划分为“好”或“坏”，例如药片的好坏，是对图像整体的属性进行判断。
（2）可进行图像分类，是指将整个图像划分为已定义的类型，例如对仅包含单个物体的图像进行类型分类。例如，猫狗分类，或者同一种产品的不同状态进行分类。
（3）可进行缺陷检测，也称像素分割缺陷检测，是指逐像素进行分割，在图像中判断是否存在局部区域的缺陷，是工业场景中进行质量检查最典型的应用之一。
（4）可进行物体定位，指的是确认某项固定或类似特征在图像中的位置，例如我们经常用到的人脸识别。
二、性能指标
（1）基于卷积运算的神经网络系统，即卷积神经网络(CNN)；
（2）基于多层神经元的自编码神经网络，包括自编码( Auto encoder)以及近年来受到广泛关注的稀疏编码两类( Sparse Coding)；
（3）以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络(DBN)；
（4）PyTorch 是一个开源的Python 机器学习库，基于Python，用于自然语言处理等应用程序。随着深度学习技术的大力发展，PyTorch 逐渐成为主流的深度学习框架。
（5）OpenVINO Intel 基于身现有的硬件平开发的一种可以加快高性能计算机视觉和深度学习视觉应用开发速度工具套件,支持各种英特尔平台的硬件器上进行深度字习，并且允许直接异构执行,支持在Wndows 与linux 系统, Python/C++语言；
（6）TensorRT 是NVDLA 推出的高性能深度学习引擎。随着传统的高性能计算和新兴的深度学习在大型的互联网企业的普及发展,作为训练和推理体的GPU 也越来越多的使用。NVDLA 本着让大家能更好地利GPU,使其在做深度学习的时候达到更好的效果的目标，推出了TensorRT；
（7）将300 种机器视觉检测工具与深度学习工具深入融合到一个视觉开发平台中，简化了视觉应用开发流程。
（8）高集成度界面：工业AI 视觉算法平台深度学习标记、训练、推理一套软件完成且无需编程。经简单培训，线上工人能独立、快速使用，进行模型训练，完成视觉项目应用。
（9）创新的深度学习工具：工业AI 视觉算法平台的深度学习工具专门为生产制造环境开发的AI 检测工具，这些工具帮助解决传统机器视觉无法解决的复杂场景应用。
（10）VisionBank AI 的运行环境：只需在CPU 下运行，可以在GPU 下训练。在GPU 下训练用以节约训练时间，在CPU 下运行，用于节约检测成本，解决GPU 购买压力。
三、产品优势
（1）深度学习和传统机器视觉方法的差异主要在于，传统机器学习的步骤是人工分析图片的特征，通过图像算法提取特征，然后通过特征的数值来区分物品。在分析的时候不需要大量的图片，只需要几种分类的典型图片，和类别之间的临界图片。人工分析在整个过程当中起到了主导的作用。而深度学习的步骤是采集大量图片，标注图片，把图片放进网络训练，查看训练结果，调节参数和网络结构，再次训练，得到最好的结果。深度学习在标注和训练的时候不需要专业，网络会自动提取和筛选特征，规划分割阈值。只是在调整参数和网络结构时需要专业工程师，但是在一些项目中可以不用调整参数和网络结构，通过调整数据来解决准确性问题。
（2）由于实现方式的差异，导致二者在适应性、检测对象和功能实现方面，有比较大的差别。首先，基于深度学习的方法能让机器视觉应用更加具有适应性，这是传统方法不容易实现的。或者说需要很大的人力物力才能实现的。深度学习与传统方法相比，这样可省去特征选取和提取的步骤。在特征选取和提取的步骤中，用户要分析与检测相关属性的机器学习算法，然后才能将其训练为可以检测完整的物体。深度学习网络的显著区别在于，它可以在训练过程中独立地学习相关属性。
其次，当检测不同的物体和特征时，深度学习方法的优势是能够检测以不同形式出现的物体或特征，如表面划痕、不同形状的天然产品或手写字迹。例如在异常检测中，只需使用完美无瑕的物体图像来训练神经网络，即可识别物体在使用过程中造成的损坏。
再次，将大量的图片数据经过适当训练的神经网络可以很好地识别出变量环境（如变化的背景、不同的分辨率或光源条件）中的物体，无需针对每个可能的特性进行专门训练。
胶路检测：
弹簧检测：
划痕检测：
