自动化的外观缺陷检测一直是个挑战性的工作。在过去，计算机视觉工作需要几个月的编码和调试。然而，现在有一种更有效的方法，利用深度学习来解决机器视觉问题。现在，这些智能机器可以学习如何使用基于人类学习的示例训练来识别缺陷。

深度学习技术使用神经网络，模拟人类智能，在容忍复杂模式自然变化的同时，区分化妆品异常。基于深度学习的系统擅长检查复杂的表面和外观缺陷，如光滑、光亮或粗糙零件上的划痕和凹痕。智能检测技术在提高生产率、重复性和生产能力方面取得了成功。如果制造商使用先进的图像识别技术进行视觉检测和检测，生产率可能会提高50%。基于人工智能或人工智能的图像识别与人工检测相比，可以提高高达99%的缺陷检测率。

人们越来越需要检测消费电子产品和医疗设备中的微米级缺陷。与测量特定零件位置的计量学不同，缺陷出现在多个位置和组合中。例如，智能手机可能在多个地方有划痕、凹痕和缺口，包括外壳、曲面和护盖玻璃。制造商需要对整个零件进行加工以捕获这些缺陷。