水果往往在采摘、分级、包装及运输等过程中容易因碰撞、挤压、振动等原因损伤，损伤腐烂的水果不单单影响销售价格，还会影响其他的水果，受侵染果蔬在运输、储存等过程中会感染其他正常果蔬，进一步增添受损数量，对水果的品质造成危害。在果蔬分级过程中，水果表面缺陷检测是其中重要的一项流程，其水果表面缺陷检测的精确度直接决定了该水果的等级。

水果表面缺陷检测的传统识别算法难以分辨暗斑与背景颜色，且对硬件和打光要求较高，在进行灰度阈值分割时，容易把不明显的暗斑分割出去，很难保证在高速流水线上实现水果表面缺陷检测的要求。水果的果梗、花萼与某些表面缺陷在图像处理后比较相似，传统算法识别很难分辨出缺陷，容易造成漏检、误检等情况，影响检测精度和果蔬分拣质量。

DLIA深度学习平台针对水果表面缺陷检测搭建了专属底层卷积神经网络架构，对工人无专业技术要求，只需在线上传不同缺陷数据图片进行标注训练，即可准确提取至微米级的缺陷进行识别定位，从而能很好的实现高速流水线上水果表面缺陷检测的目的。DLIA深度学习平台利用深度学习算法框架结合自主研发的外观检测模型成功实现了复杂场景下的水果表面缺陷检测，同时具有抗干扰能力强、准确率高、算法自升级等优势，识别率最高可达99.99%。