深度学习属于机器学习的领域，其演算方式是通过不断重复判别物件获得庞大数据，再经过大量的运算，以及对结果的反馈机制，让精准度不断接近完美。
实际上，目前深度学习已经被大量应用于各种领域。在制造业的视觉检测中，深度学习的演算法，已经在帮助系统实现快速而精准的判别产品瑕疵。
机器视觉检测取代人眼，全靠“深度学习”
产品检测是制造业质量管理的一环，过去皆由现场作业员亲力亲为，然而人眼有其精度和耐力的极限，检测速度与正确率会随着作业时间拉长降低，再加上产线速度越来越快、产品体积逐渐轻薄短小，后期机器视觉开始取代人眼，成为产线检测主流。
在产线中，视觉检测有四大主要功能，包括量测、辨识、定位、检查等，而检查是所有功能中最困难的部分，由于每个人对瑕疵的认知不同，因此即便是自动化的机器视觉，仍会存在因系统设定或现场质管人员不同，导致产品质量无法达到一致。而AI的介入，则为这一问题寻找到了解决方案。
将深度学习导入至产线检测，可以借助机器远超人眼的精准度和不间断工作能力，节省人力。另一方面，过往需要不断调整设定的行为，则被深度学习所取代。
在智能制造概念中，产线必须可快速回应订单，弹性调整生产内容。现行的机器视觉检测，其设定繁复将难以满足弹性化生产需求。而深度学习架构只要事先通过训练，即可快速上线使用，还能进行自主学习，系统可以自动找出最佳的参数，不必再由人员调整。在此系统下，各设备的瑕疵检测标准将可达成一致，不会因品牌、使用时间的不同而产生差别。
至于系统整合商，运用人工智能也将强化市场竞争力。人工智能在视觉检测市场正加速普及，纯 AOI 系统在制造业的竞争力将会快速消失。
不过AI导入的过程也不是一蹴而就的。有些厂商认为将 AOI 全面替换为人工智能，就可以立即降低漏检与误判机率，这种一步到位的想法在实际状况中并不可行，反而会让漏检和误检率大幅增加。最好的方法是，保留现行 AOI 功能并结合人工智能，才能让两者的优势叠加。
台达AI方案 漏检率趋近于零
台达针对视觉检测所推出的 DAVS 即是以人工智能为核心的运送系统，此系统可以结合既有的 AOI 系统，让既有设备可延长使用年限，以此保障制造业者过去的投资，而人工智能与 AOI 整合的模式，也提升了产品的检出率。
以SMT用电感(用于手机/小型化PCB)为例，除非是严重裂纹，否则传统的 AOI 系统常无法判断影像中的线条是原有纹路或裂痕，且AOI对其中度裂纹的检出率小于 50％，轻微裂纹检出率更是在 5％ 以下，加装 DAVS 之后，检出率大幅提升，不但漏检率为零，误判率更低于 0.3％。
台达指出，工业 4.0 强调产线弹性化与快速自主学习，DAVS 通过人工智能与 AOI 的结合，以深度学习解决了现在 AOI 系统难以检测的产品瑕疵，同时让漏检率趋近于零，达到超高检出率需求，藉此提升出货产品质量。
此外 DAVS 容易安装的特色，可让检控设备建置在产线中的每一个重要环节，一旦制造过程中出现错误，系统就可立即提醒改善，避免将错误累积到最后检测端，造成更大的成本浪费，也由于 DAVS 可大幅减少人力与管理成本，其投资可在 0.8～1.5 年之间回收。台达以自身打造AOI设备的扎实经验，建议制造业者可依自身需求，于AOI设备加装建置便利的人工智能视觉检测系统，向智能制造更迈近一步。
