雖然深度學習能夠在監(jiān)督下訓練出表現(xiàn)優(yōu)異以及具備一定泛化能力的模型，但是在工業(yè)領(lǐng)域中，隨著感知環(huán)境和應用場景的變化，模型的訓練會存在以下問題：eC5機器視覺檢測設(shè)備_CCD視覺檢測_外觀缺陷檢測系統(tǒng)_精質(zhì)視覺

　　· 數(shù)據(jù)量不足。深度學習需要大量的數(shù)據(jù)進行訓練，但受到設(shè)備、工藝等多因素的影響，能夠獲取到的數(shù)據(jù)量往往不足，從而影響深度學習效果。eC5機器視覺檢測設(shè)備_CCD視覺檢測_外觀缺陷檢測系統(tǒng)_精質(zhì)視覺

　　· 模型通用性不佳。不同的設(shè)備、工藝之間存在差異，用一個模型去預測所有設(shè)備和工藝的狀態(tài)往往效果不佳，因此需要針對不同的設(shè)備和工藝開發(fā)不同模型，大幅增加開發(fā)成本和難度。eC5機器視覺檢測設(shè)備_CCD視覺檢測_外觀缺陷檢測系統(tǒng)_精質(zhì)視覺

　　· 模型實時性較弱。一旦出現(xiàn)故障，可能會帶來嚴重后果，所以對模型實時性要求高。但現(xiàn)有的深度學習模型往往需要大量的計算資源和時間來訓練和預測，難以滿足實時性的要求。eC5機器視覺檢測設(shè)備_CCD視覺檢測_外觀缺陷檢測系統(tǒng)_精質(zhì)視覺

　　· 模型難以解釋。深度學習模型往往是一個黑盒，其決策和行為往往難以解釋。工業(yè)領(lǐng)域的決策往往需要考慮到安全、質(zhì)量等多方面因素，如果模型行為不可解釋，則很難讓人信服。eC5機器視覺檢測設(shè)備_CCD視覺檢測_外觀缺陷檢測系統(tǒng)_精質(zhì)視覺