使用机器视觉和深度学习减少召回和返工成本医疗设备有很多复杂的形状、大小和表面，从反光的金属膝关节置换到支架的小织带。对于特定流程，增材制造进一步增加了几何形状的复杂程度。因为医疗设备是用在人体上或体内，所以零件的质量检测很关键。起搏器、导管、手术刀和其他医疗设备及手术设备可能会有对患者有害的微观表面缺陷、划痕、毛刺、凹陷或污染。

很多医疗设备制造商依赖人类检测员或规则式机器视觉系统确保零件和塑料组件符合质量和安全标准。依靠人工的质量检测不但成本高，而且有时候会难以发现某些缺陷。机器视觉系统擅长处理可控环境中的已知变量，但医疗设备形状和表面的多变性使得机器视觉无法独立完成某些检测。

在某些应用中，例如测量，规则式机器视觉仍然是有成本效益的方案。而对于涉及大量差异和不可预测缺陷的复杂检测，深度学习式工具是一种不错的选择。康耐视深度学习解决方案可以定位、分析和分类复杂的检测问题，防止有缺陷的产品进入供应链。深度学习将人类般的的检查能力与计算机系统的自动化和可重复性结合在一起。然后还可以使用机器人技术确保机器处理和视觉工具协同工作，检测连操作员都可能遗漏的复杂的异常情况。结果就是减少召回事件、降低返工成本，以及完整的图像获取和可追溯性。