雖然深度學習能夠在監督下訓練出表現優異以及具備一定泛化能力的模型，但是在工業領域中，隨著感知環境和應用場景的變化，模型的訓練會存在以下問題：eC5機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　· 數據量不足。深度學習需要大量的數據進行訓練，但受到設備、工藝等多因素的影響，能夠獲取到的數據量往往不足，從而影響深度學習效果。eC5機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　· 模型通用性不佳。不同的設備、工藝之間存在差異，用一個模型去預測所有設備和工藝的狀態往往效果不佳，因此需要針對不同的設備和工藝開發不同模型，大幅增加開發成本和難度。eC5機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　· 模型實時性較弱。一旦出現故障，可能會帶來嚴重后果，所以對模型實時性要求高。但現有的深度學習模型往往需要大量的計算資源和時間來訓練和預測，難以滿足實時性的要求。eC5機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　· 模型難以解釋。深度學習模型往往是一個黑盒，其決策和行為往往難以解釋。工業領域的決策往往需要考慮到安全、質量等多方面因素，如果模型行為不可解釋，則很難讓人信服。eC5機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺