传统的计算机视觉技术具有无法区分缺陷类型，灵活性差的局限性，而AI和深度学习技术能够提供高精度的检测结果来解决此问题。研华AIR－300凭借高性能，AI引擎扩展，高带宽和数据存储的优势，为客户提供灵活准确的
对于制造商而言，长期以来质量控制系统一直依靠外观检查。传统的机器视觉系统可能无法区分缺陷类型，而相似零件之间的差异很大。可以通过AI和深度学习技术的强大功能，提供高精度的检测结果来解决此问题。
与使用基于规则的视觉算法操作的计算机系统不同，由深度学习技术提供支持的机器视觉系统根据训练数据检测缺陷，使自动化的缺陷检查具有更大的灵活性和准确性，同时降低了维护成本。
客户为机器人视觉设备制造商，计划将其机械臂与AI功能结合起来，以检测诸如搪瓷涂层产品中的气泡和裂缝之类的缺陷。
传统的计算机视觉技术具有局限性：无法区分只有细微差别的产品零件上的不同缺陷类型。不够灵活，无法更新现有的缺陷检查规则以识别新的缺陷类型。
为了利用AI技术实时进行视觉缺陷检查，该系统需要在边缘具有强大的计算能力，并且需要大容量的存储容量来存储从多条生产线捕获的大量图像，以及足够的带宽来处理数据传输。
研华的边缘AI推理系统完美地满足了客户的要求。在机械臂准确地识别出杯子的位置并进行了360度摄影后，将捕获的图像发送到AIR－300进行实时推理，从而可以立即识别出有缺陷的产品。
关于I／O和数据存储量，AIR－300配备了4个GbE端口，4个RS－232／422／485，并通过4个2．5英寸SATA III硬盘支持高达20TB的数据容量，从而提供了强大的带宽和存储容量，满足应用程序需求。此外，AIR－300内置了850W电源，因此客户无需添加外部电源。
当需要更新缺陷检测系统以检查新产品时，AIR－300也可以作为本地服务器。内置的视觉系统将捕获的图像发送回AIR－300，以进行进一步的AI模型重新训练。
例如，杯子产品中发现的缺陷类型可能与纸袋产品中发现的缺陷类型不同。要将AI缺陷检测系统从检查杯子更改为检查纸袋，客户只需准备纸袋具有的缺陷类型的训练数据集，在AIR－300上重新训练新的AI模型，然后在AIR－300上部署经过训练的模型。借助AI再培训功能，更新缺陷检测系统不再需要昂贵的专业工程师的帮助。
