当前制造业产品外表检查主要有人工质检和机器视觉质检两种方式，其中人工占90%，机器只占10%，而两者都面临许多挑战。人工质检成本高、误操作多、生产数据无法有效留存，机器视觉质检虽然不存在这些问题，但受传统特征工程技术限制，模型升级及本地化服务难度较大。
人工和AI，两种方式达成的效果极其相似，但比较两者的成本，却相距甚远。在引入AI质检员之后，无论是时间还是人力成本都有着巨大的下降。AI质检适用于众多业务场景，包括但不限于LED芯片检测，液晶屏幕检测，光伏EL检测，汽车零件检测等。
聂磊，曾就职于三星电子中国研究院，从事相似图像检索、商品检索等大规模图像检索工作。现就职于百度，主要负责推动工业、遥感、气象等多个垂直领域计算机视觉商业化应用。
据聂磊介绍，工业领域数据来源有限，建立数据闭环不仅可以收集海量数据，还能启动整个工业大数据链条。其中会涉及无监督学习、缺陷合成等技术，最终产出全自动系统完成产品质检，并将质检后的数据放入数据库中组建闭环。
对于产线发生的缺陷场景，溯源完全缺陷并发现具体原因需要三套部署方式：私有化部署、公有云部署和端云一体部署。工业上很多敏感数据无法全部提供，对此私有化部署相当于提供了训练一体机，搭载质检的整体软件，从标注、训练、预测整体的端到端解决方案。公有云提供SaaS服务，配合端云一体部署在私有化端上的模型训练和更新进行边缘计算。数据闭环后把更新的模型推送到私有化端上完成更新，这就是智能检测的整体技术架构。
关注安卓绿色联盟公众号，回复关键字“17”，获取百度AI智能检测完整技术方案。