任何新技术的诞生，若不是现有技术有些地方做的不够好，就是市场有新的需求。而工业AI瑕疵检测过去在产业应用也遭遇瓶颈，对此，工研院产科国际所分析师黄仲宏则指出，其一为设备因灵敏度过高而造成准确度不足，需要人工复判，其二则是产业需要知道瑕疵类型以利分析制程根源问题，然现有检测设备无分类功能，并无法提供有效信息。

碍于产业在应用上的瓶颈，现阶段市场各家工业AI瑕疵检测设备业者则聚焦于结合AI，以影像识别技术辅助检测设备提升检测效率与正确性，并降低人工复判的依赖，深度学习技术是瑕疵产业应用的未来发展重点。众所皆知，AI的训练须投以大量样本数据，但在产线量产时，正常情况应是正常样本量会大于异常样本，加上异常样本类型繁多，导致训练数据搜集不易。我们要的是解决异常训练样本收集不易的问题。

因此，工业AI瑕疵检测如何在数据不均衡的状况下，降低模型之漏检率则成为下一波产业所关注的焦点。而目前业界也已有实际做法，例如网通设备厂智邦也因少量多样生产模式下不易搜集与累积样本，为此，虚数科技团队以及工研院合作开发影像增量技术，希望藉由少量瑕疵模型透过算法创建新的瑕疵样本，以加强训练模型的准确度。