随着特征尺寸、复杂性和吞吐量方面的挑战越来越严峻，自动光学检测（AOI）成为确保对每个项目进行充分检测的唯一实用方法。但造成的后果往往是会有比较高的误报，还需要在炉前或者炉后安排复判员，对AOI设备报出的NG点位，进行二次复判。
尽管AOI在复杂性、吞吐量存在，或两者兼而有之的情况下已经超过了人工检测，但是传统的图像处理系统和算法仍存在一些缺点，这些缺点在系统和软件开发以及在工厂车间进行设备安装时非常明显。
人工智能（AI）可以在一定程度上模仿人类将学到的经验应用到图像识别，从而能够应对无限变化带来的挑战。在AI总体概念下涵盖的各种计算结构中，卷积神经网络（CNN）通常用于图像识别。这些包括相互连接的人工神经元，并排列成层。它们通常是深度神经网络，在输入和输出层之间包含多个内部或隐藏层。隐藏层对从前一层接收到的数据执行特定、严格定义的采样（pooling）和卷积计算。结果被发送到下一层，最终到达输出层，可表明是否已识别出所寻找的对象。
生产线上的啊AI智能AOI能够以和生产线匹配的速度运行，并且已经在支持各行各业的制造商提高质量保证，保证生产率，并不断改进生产流程。在AI基础上的进一步提升是AOI的未来发展方向，为光学检测应用而训练的算法能够带来提高决策能力的额外好处，可减少操作员的参与，简化编程，并可提供更强大的性能，从而能够提高缺陷检测的确定性，同时减少误报。达到省人目的；提升产线直通率，提升质量稳定性。降低产品的漏失率，提升产品的品质。
