使用機器視覺和深度學習減少召回和返工成本醫療設備有很多復雜的形狀、大小和表面，從反光的金屬膝關節置換到支架的小織帶。對于特定流程，增材制造進一步增加了幾何形狀的復雜程度。因為醫療設備是用在人體上或體內，所以零件的質量檢測很關鍵。起搏器、導管、手術刀和其他醫療設備及手術設備可能會有對患者有害的微觀表面缺陷、劃痕、毛刺、凹陷或污染。

很多醫療設備制造商依賴人類檢測員或規則式機器視覺系統確保零件和塑料組件符合質量和安全標準。依靠人工的質量檢測不但成本高，而且有時候會難以發現某些缺陷。機器視覺系統擅長處理可控環境中的已知變量，但醫療設備形狀和表面的多變性使得機器視覺無法獨立完成某些檢測。

在某些應用中，例如測量，規則式機器視覺仍然是有成本效益的方案。而對于涉及大量差異和不可預測缺陷的復雜檢測，深度學習式工具是一種不錯的選擇?？的鸵暽疃葘W習解決方案可以定位、分析和分類復雜的檢測問題，防止有缺陷的產品進入供應鏈。深度學習將人類般的的檢查能力與計算機系統的自動化和可重復性結合在一起。然后還可以使用機器人技術確保機器處理和視覺工具協同工作，檢測連操作員都可能遺漏的復雜的異常情況。結果就是減少召回事件、降低返工成本，以及完整的圖像獲取和可追溯性。