质量检测是工业场景中最重要，也是最费时、最容易出现问题的地方。目前，产品的外观检测主要有两种方式：人工质检的方式和机器视觉的方式。采用人工质检的方式时，由于检测的质量完全依赖于工人，经验不够、疲劳、误操作都可能导致漏检、误检，并且人工的成本在不断增加，使得质检的成本也在不断上升。而中国制造2025需要质检系统全面升级，即由传统质检模式向智能质检模式演进，采用机器视觉进行质量检测是实现智能质检的重要手段。

早期的机器视觉更多采用传统的机器学习方法，如霍夫变换、边角检测、几何变换、贝叶斯分类、支持向量机等，虽然对硬件设备要求不高，但当识别的对象存在很多种形态变化、且特征难以人为定义时，性能较差，并且调参困难。而随着Alexnet第一次成功应用于图像识别，并取得较高的识别率，基于深度学习的机器视觉技术逐渐成为质检系统优先选择的方式。基于深度学习的机器视觉通过构建深度神经网络学习图像的特征，并在训练过程中不断优化，对各种复杂的缺陷都可以快速、精准的识别。

除了2D图像检测外，3D视觉检测也逐渐的应用到工业检测中。3D视觉检测具有对光照变化不敏感，并且可以在线检测快速移动目标的特点，通过3D相机获取目标物的点云信息，进而获得目标物的宽度、高度、体积、凸面积、凹面积、凸体积、凹体积等信息。对一些曲面上难以检测的瘪痕和轻微凹陷，电路板图形及焊锡表面状态，微小金属表面的一些较小的凹坑、凸起、变形等都可以实现快速、精准的检测。

为了更好的介绍当前工业缺陷检测中的解决方案，智东西公开课策划推出了深度学习工业质检合辑，聚焦讲解工业缺陷检测方案与技术创新。首批上线2讲，邀请到创新奇智工业智能部高级技术总监汤寅航和东声智能CEO韩旭两位大牛，其中：

11月27日，创新奇智工业智能部高级技术总监汤寅航将以《融合多机器视觉算法的工业质检平台解析与应用》为主题，从机器视觉实现的难点展开，深入分析融合多种机器视觉算法的工业质检平台架构及其部署关键。

12月9日，东声智能CEO韩旭将以《利用多维度数据融合技术提升3C产品缺陷检测效率》为主题，从3C产品缺陷检测的难点出发，详细介绍面向3C产品的多维度数据融合缺陷检测和不同计算平台的优化算法。

深度学习工业质检合辑随后将更新并推出更多新的内容，敬请期待更多讲解。