作为专注于机器视觉系统的认证视觉集成商，RVSTO使用深度学习来帮助工业客户解决传统机器视觉解决方案无法解决的挑战。但这并不意味着深度学习对每个应用程序来说都是灵丹妙药。

深度学习使机器视觉系统可以基于对经过专业标记的图像的统计分析来’学习’好坏部分，这类似于人类的学习方式。但是，如果应用程序可以用传统的机器视觉技术解决，那么它可能比深度学习解决方案运行得更快，更便宜。

在某些人中间存在一个误解，即深度学习意味着机器视觉系统会自我训练，但事实并非如此。深度学习有两个阶段：训练和推理。深度学习软件使用大量计算能力来分析第三方专家标记为“好”或“坏”的对象的图像时，就会进行培训。这通常是在云中或通过使用系统设计人员可用的大型PC来完成的。

然后，在训练之后，深度学习程序可以作为推理阶段的一部分在本地主机上运行。这是深度学习系统对新零件的质量（即检测步骤）做出判断的时候。

深度学习擅长识别难以定义的缺陷，例如手机外壳上的随机划痕。 但这对于传统的机器视觉应用（例如计量和测量）不利。

当某个应用程序看起来像是深度学习的理想选择时，RVSTO可以帮助其客户开发一个标记图像集来评估该应用程序。

如果有机器视觉系统，我们可以让操作员在图像生成时对其进行标记， 如果没有合适的系统，我们可能会安装相机以获取足够的样本图像。尽管这似乎比使用传统的机器视觉算法编程容易，但仍需要进行工作。

受益于深度学习的一项新应用是对制造汽车座椅泡沫垫的模具的检测。每个模具都有数千种变体，其中包含任意数量的电线，线夹和其他组件。众所周知，这些模具很难返工。单个有缺陷的焊盘可以消除下一组焊盘的利润。传统的机器视觉系统已用于检测模具的所有零件，确定零件是否有缺陷或缺失，如果零件缺失，则标记模具以进行返工。但是，不断变化的垫片设计意味着机器视觉系统需要专职员工将每个新模具编程到系统中。

客户发现他们现在可以使用识别夹子或组件的任何人员，将新的打击垫模型添加到深度学习检测系统中然后，系统会使用新模型训练自己，以继续检测，而无需全职员工的支持。

随着自动化领域涌现出许多新技术，RVSTO致力于为每种应用选择技术，以使客户能够充分利用先进技术来改善制造。