در این مقاله، ما یک رویکرد نوآورانه را برای تخمین نفوذ مس در نوارهای لبه ای با استفاده از شبکه های عصبی عمیق کانولوشنال (CNN) پیشنهاد نمودیم. ابتدا برای تولید داده های آموزش با حفظ برچسب افزایش داده ها از جمله چرخش و تغییر مقیاس برای ایجاد بیش از 2457600 داده انجام شده است. یک معماری U-net براساس شبکه عصبی CNN پیشنهاد گردید و بر اساس مجموعه داده های تقویت شده طراحی و آموزش داده شده است. میزان دقت مجموعه تست نهایی مدل CNN پیشنهادی 90.83% است. با این حال، محدودیت سخت افزاری و افزایش حجم محاسبات در شبکه‌های با عمق بیشتر وجود دارد. اجرای CNN آموزش دیده برای هر عکس تست بیش از 23 میلی ثانیه طول می کشد، که برای کنترل بلادرنگ ربات مناسب است.