使用機器視覺和深度學習減少召回和返工成本醫(yī)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(jié)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(yī)療設備是用在人體上或體內(nèi)，所以零件的質(zhì)量檢測很關鍵。起搏器、導管、手術刀和其他醫(yī)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(yī)療設備制造商依賴人類檢測員或規(guī)則式機器視覺系統(tǒng)確保零件和塑料組件符合質(zhì)量和安全標準。依靠人工的質(zhì)量檢測不但成本高，而且有時候會難以發(fā)現(xiàn)某些缺陷。機器視覺系統(tǒng)擅長處理可控環(huán)境中的已知變量，但醫(yī)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(guī)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。康耐視深度學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(chǎn)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(tǒng)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(xié)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。