现有的公共可用数据集，如COCO，都是从头开始构建的通用数据集，因此缺乏领域特异性。当此类公共数据集用于训练工业用例和应用程序的深度学习模型时，例如检测电子元件，它们通常会导致性能低于标准，这是由工业环境中常见的对象与公共数据集中的数据之间的差异造成的。这种差异需要在像素级监控（注释）中付出巨大努力，其中每帧的每个像素都必须手动注释，以弥补训练数据中的差异，从而提高模型性能该解决方案是一种基于深度学习的技术，用于工业环境中的分割，旨在减少从像素级到视频级注释的工作成本。使用实例分割，目标不仅是检测和定位场景中的对象，还可以确定不同的类和实例数（或将更多相同类型的对象识别为不同的对象）。这有助于场景理解，生成的模型可用于生产力测量或流程改进。增量学习用于确保只更改需要使用新数据更新的模型部分，从而减少重新训练和模型更新所需的时间。