在工业检测领域，视觉技术的应用是提升检测效率与精度的关键。因此想要通过视觉检测来解决工业检测的问题，主要是有两种选择，一是传统图像算法，二是深度学习技术。

传统图像算法：其实传统图像算法发展已很成熟，但随着深度学习技术逐步完善，却还是有些不足，以缺陷检测场景为例子，传统图像算法的处理方式，是将拍摄到的缺陷图片进行像素值遍历，通过对比每个像素值之间的差异，判断表面是否平滑，还可以对差值过大的像素点进行个数统计和位置记录，从而得到缺陷的面积大小和位置。传统图像算法的处理手段比较简单，判定规则清晰，缺点主要在：一是依赖工程师的经验，方案难以复用；二是算法对颜色灰阶差值敏感，对光照有很高的要求；三是算法对空间位置没有关联性，需要固定区域来降低像素遍历的计算量、减少噪点干扰。

深度学习技术：随着技术的不断进步，深度学习利用多层神经网络，通过大量数据的训练与回归计算，实现对特征分布的精准分类与分界线拟合。但是深度学习也存在比较明显的缺点：其一，其特征提取网络结构与计算方式仍需依靠经验来构建；其二，深度学习依赖于大量的标注数据与学习样本，以确保模型的准确性；其三，深度学习算法的计算量较大，对设备的算力要求较高，可能不适用于对速度有严格要求的高速检测场景。

面对传统图像算法与深度学习技术各自的优缺点，我们应将二者融合互补，因为传统图像算法不会因为深度学习的发展而淘汰，深度学习也需要传统图像的算法的辅助。通过两者结合，取长补短才能构建高性能、高可用的工业视觉解决方案。