机器视觉系统开展缺陷检测是较为常见的质检方法，而机器视觉技术过程中主要依靠硬件配置模块和软件模块两部分。硬件配置界面中最重要的作用是图像收集，软件模块主要从事图像的处理方法，剖析和检查作用。伴随着深度神经网络图像质检技术发展，尤其是在全自动获取特征以实现端对端检验方面的表现出优良性能，使得深度学习网络能够精确且迅速地从图像中识别主体目标，而且有较强的可扩展性。因而，基于深度学习技术的缺陷检测系统软件在缺陷检测领域内的影响力进一步提升。

传统技术中图像剖析通常是利用图像自身的特性，人工地进行图像特征挑选或特征获取，如今可以用的图像解决优化算法有许多，像开源系统的机器视觉库和优化算法库中就有很多高效率的图像处理特征获取优化算法。包括对数据信息去噪后，能够利用机器视觉库里的边沿识别算法对图像边沿进行识别和检查。根据差分信号、求微分等方式寻找合乎特征边缘信息，再通过一些手动式精心设计的特征获取优化算法，对这种信息进行匹配，寻找合乎缺点特征的信息，从而进行偏差的检验。

应用深度学习上的图像剖析对比人工获取特征的传统技术而言，缺陷检测系统软件的使用非常简单。检测时，缺陷检测系统软件会依据练习环节中自动学到的实体模型特征，对图像利用卷积运算开展特征获取所得到的图像特征进行检验分辨，随后得出它分析结果。使用深度学习过程中，免去了人工图像解决，获取特征的操作，由缺陷检测系统软件取代人去进行那些实际操作，并且对于繁杂的特征，缺陷检测系统软件在质检工作上要比人完成更出色。