深度學習屬于機器學習的領域，其演算方式是通過不斷重復判別物件獲得龐大數據，再經過大量的運算，以及對結果的反饋機制，讓精準度不斷接近完美。
實際上，目前深度學習已經被大量應用于各種領域。在制造業的視覺檢測中，深度學習的演算法，已經在幫助系統實現快速而精準的判別產品瑕疵。
機器視覺檢測取代人眼，全靠“深度學習”
產品檢測是制造業質量管理的一環，過去皆由現場作業員親力親為，然而人眼有其精度和耐力的極限，檢測速度與正確率會隨著作業時間拉長降低，再加上產線速度越來越快、產品體積逐漸輕薄短小，后期機器視覺開始取代人眼，成為產線檢測主流。
在產線中，視覺檢測有四大主要功能，包括量測、辨識、定位、檢查等，而檢查是所有功能中最困難的部分，由于每個人對瑕疵的認知不同，因此即便是自動化的機器視覺，仍會存在因系統設定或現場質管人員不同，導致產品質量無法達到一致。而AI的介入，則為這一問題尋找到了解決方案。
將深度學習導入至產線檢測，可以借助機器遠超人眼的精準度和不間斷工作能力，節省人力。另一方面，過往需要不斷調整設定的行為，則被深度學習所取代。
在智能制造概念中，產線必須可快速回應訂單，彈性調整生產內容。現行的機器視覺檢測，其設定繁復將難以滿足彈性化生產需求。而深度學習架構只要事先通過訓練，即可快速上線使用，還能進行自主學習，系統可以自動找出最佳的參數，不必再由人員調整。在此系統下，各設備的瑕疵檢測標準將可達成一致，不會因品牌、使用時間的不同而產生差別。
至于系統整合商，運用人工智能也將強化市場競爭力。人工智能在視覺檢測市場正加速普及，純 AOI 系統在制造業的競爭力將會快速消失。
不過AI導入的過程也不是一蹴而就的。有些廠商認為將 AOI 全面替換為人工智能，就可以立即降低漏檢與誤判機率，這種一步到位的想法在實際狀況中并不可行，反而會讓漏檢和誤檢率大幅增加。最好的方法是，保留現行 AOI 功能并結合人工智能，才能讓兩者的優勢疊加。
臺達AI方案 漏檢率趨近于零
臺達針對視覺檢測所推出的 DAVS 即是以人工智能為核心的運送系統，此系統可以結合既有的 AOI 系統，讓既有設備可延長使用年限，以此保障制造業者過去的投資，而人工智能與 AOI 整合的模式，也提升了產品的檢出率。
以SMT用電感(用于手機/小型化PCB)為例，除非是嚴重裂紋，否則傳統的 AOI 系統常無法判斷影像中的線條是原有紋路或裂痕，且AOI對其中度裂紋的檢出率小于 50％，輕微裂紋檢出率更是在 5％ 以下，加裝 DAVS 之后，檢出率大幅提升，不但漏檢率為零，誤判率更低于 0.3％。
臺達指出，工業 4.0 強調產線彈性化與快速自主學習，DAVS 通過人工智能與 AOI 的結合，以深度學習解決了現在 AOI 系統難以檢測的產品瑕疵，同時讓漏檢率趨近于零，達到超高檢出率需求，藉此提升出貨產品質量。
此外 DAVS 容易安裝的特色，可讓檢控設備建置在產線中的每一個重要環節，一旦制造過程中出現錯誤，系統就可立即提醒改善，避免將錯誤累積到最后檢測端，造成更大的成本浪費，也由于 DAVS 可大幅減少人力與管理成本，其投資可在 0.8～1.5 年之間回收。臺達以自身打造AOI設備的扎實經驗，建議制造業者可依自身需求，于AOI設備加裝建置便利的人工智能視覺檢測系統，向智能制造更邁近一步。