在工业生产中，由于生产和运输环境中的不可控因素，很容易产生划痕、压伤、擦挂等缺陷。而其中的缺陷大部分都极其微小，甚至是肉眼难以识别，这些缺陷所造成的坏品率极大的制约了工业界的发展。在中国制造业转型升级的过程中，产品质量要销往欧美等发达国家，让产品更具竞争力，必然要求不良品不能最终出现在成品中。

基于深度学习的AI缺陷检测系统能狗提前发现不良的部件，提前排除，能打造成本优势，而且人工检测一般在强灯光或者显微镜的工作环境中，人容易疲劳，容易误判，对经验要求高，现在大部分工厂并不容易找到检测工人，各种因素驱动之下，催生了庞大的“AI缺陷检测系统”市场需求，很多工厂都还是刚从人工转视觉，市场潜力无限。

缺陷检测系统一般都采用传统视觉算法方法，主要包括面积分析、颜色抽取、差异对比、灰度分析、Blob计算等，然而这些方法对被检对象依赖较大，并且存在检测效率低、误检率高、不同目标需要针对性编码等问题。 随着深度学习图像检测技术的发展，尤其在自动提取特征和实现端到端检测方面表现出良好的性能，使得深度学习网络可以准确且快速地从图像中识别目标，并且具有较强的鲁棒性。 因此，基于深度学习的AI缺陷检测系统在缺陷检测领域得到越来越多的重视。