在玻璃缺陷检测领域，基于卷积神经网络(Convolutional Neural Network, CNN) 的目标检测算法对玻璃缺陷检测应用少见，赛拓信息自主研发的玻璃缺陷检测设备基于深度学习（基于CNN的目标检测算法）的玻璃缺陷在线检测方法为行业带来技术性、革命性的突破。
从玻璃工业化至今生产技术已经完全成熟，对于玻璃缺陷的检测技术也在逐步迈向成熟。传统的人工抽检手段正在被淘汰，取而代之的是利用基于机器视觉的玻璃缺陷检测设备来进行玻璃缺陷检测。
基于机器视觉的玻璃缺陷检测方法主要分为基于传统图像处理的检测方法和基于深度学习的检测方法。基于传统图像处理的检测方法：一是通过人工指定缺陷类型，然后采集缺陷图像进行灰度二值化，利用阈值分割来提取缺陷；二是图像信号分解为由原始小波位移和缩放之后的一组小波，利用小波变换来提取缺陷的纹理达到检测目的。这些方法在一些情况下效果很明显，但受限于环境的变化，随着检测环境的变化检测效果变化很大。基于深度学习的检测方法：会大大降低环境的限制，因为深度学习检测方法在检测之前收集各种环境下的缺陷样本制成数据集，这就避免了当环境变化，机器的参数也会随之改变，导致检测标准发生改变的情况发生。
赛拓信息玻璃缺陷检测设备采用智能视觉检测技术和AI技术（基于CNN的目标检测算法）相结合的方式，结合先进的光学方案，实现对玻璃表面缺陷进行在线自动检测。
在玻璃缺陷检测领域，基于卷积神经网络(Convolutional Neural Network, CNN) 的目标检测算法对玻璃缺陷检测应用少见，赛拓信息自主研发的玻璃缺陷检测设备基于深度学习（基于CNN的目标检测算法）的玻璃缺陷在线检测为行业带来技术性、革命性的突破。使用Yolo系列算法构建系统的算法模型，Yolo系列算法可以对小目标玻璃缺陷进行特征提取，实现多尺度、多类别的玻璃缺陷分类，更能对玻璃图像的全局缺陷进行快速实时检测。
目前玻璃缺陷检测设备已实现检测精度0.1mm-0.5mm，检测速度8m/min，缺陷品检出率99.9%，支持检测的缺陷类型包括点状缺陷（气泡、脱膜、针孔、结石、锡点等）、现状缺陷（划伤、划痕、夹杂物、裂纹等）、崩边检测。
