在基礎水平上，機器視覺系統依賴于工業相機內受保護的數字傳感器以及用于拍攝圖像的專用光學元件。然后這些圖像被傳送到計算機以使用專業軟件處理、分析和測量各種特征以便做出決定。

但是在工廠自動化環境中，這些系統的應用范圍非常嚴格且狹窄。傳統的機器視覺系統在處理一致且制造精良的部件時能夠可靠地運行。其逐步篩選并使用規則算法，這比人工檢測更有成本效益。

在一條生產線上，基于規則的機器視覺系統每分鐘可以檢測成百甚至上千個零件。但是此類視覺數據的輸出仍然是按照程序化、基于規則的方式解決檢測問題，因此此類機器視覺適合：

引導：定位零件的位置和方向，然后將其與規定的公差進行對比，并確保它位于正確的角度以便準確地驗證裝配?？蔀槠渌麢C器視覺工具定位零件的重要特征。

識別：讀取條碼（1維）、數據矩陣代碼（2維）、直接部件標識 (DPM) 和零件、標簽與包裝上印刷的字符。另外可以根據顏色、形狀或大小識別物品。

測量：計算測量對象上兩個或更多個點或幾何位置之間的距離以確定這些測量是否符合規格。

檢驗：查找產品缺陷或異常，例如標簽粘貼是否正確，或是否有安全密封、蓋等。

深度學習使用基于示例的方式而不是基于規則的方式來解決某些工廠自動化挑戰。例如，深度學習利用神經網絡根據一組標記的示例讓計算機學習什么是好的圖像后，即可分析缺陷、定位和分類物體、以及讀取印刷的標記。

在實際應用中，這意味著公司可以在電子設備屏幕上查找劃痕、碎片或其他缺陷。這些缺陷大小、范圍、位置均不相同，也可能在屏幕上呈現不同的背景。深度學習可以在考慮這些預期差異的同時分辨合格零件和缺陷零件之間的差異。另外，訓練網絡學習新目標時，例如另一種屏幕，也與拍攝一組新參照圖片一樣簡單。 

因此深度學習特別適合：

§解決使用規則算法難以編程的視覺應用問題

§處理容易混淆的背景和零件外觀上的差異

§維護應用并在工廠車間重新培訓學習新圖像

§無需重新編程核心網絡即可適應新示例

深度學習現在已被用于以往一般需手動執行的檢查中，例如最終裝配檢查。這些任務曾經被認為難以自動化。借助深度學習這樣的工具，現在可以直接在生產線上使用視覺系統更加一致、更加可靠、且更快地完成這些任務。

人類擅長分類不同但相似的東西。我們幾秒內就能理解某一組物體間的差異。在這個意義上，深度學習將人類進化的智能和基于規則的傳統機器視覺的一致性、可重復性和可擴展性這兩種優勢結合在一起。

企業要開始工廠自動化之旅，就必須先理解這些差異。因為理解這些差異是判斷在工廠自動化應用中應如何選擇彼此的關鍵。

雖然傳統的機器視覺系統在處理一致且制造精良的部件時能夠可靠地運行，但隨著例外和缺陷庫的增大，算法也會變得越來越有挑戰性。換句話說，到了特定的時候，工廠自動化中需要的某些應用將無法再依靠基于規則的機器視覺。

復雜的表面紋理和零件外觀上的差異都會給檢測帶來高難度挑戰?；谝巹t的機器視覺系統難以鑒別視覺上相似的部件之間的差異和偏差。影響部件用途的“功能”異常會導致廢件，但外觀異?？赡懿粫?，這取決于制造商的需要和偏好。最大的問題是，傳統的機器視覺系統難以區分這些缺陷。

某些傳統的機器視覺檢測，例如缺陷探測，因為有許多不易被機器識別的變量，所以編程較困難，例如：照明、顏色變化、曲面、或視野。

雖然我們都知道深度學習正在改變工廠自動化，但它仍然只是操作員完成工作的另一種工具而已。傳統的基于規則的機器視覺對于特定工作類型非常有效。但對于既需要人類視覺也需要計算機的速度與可靠性的復雜情況來說，深度學習將被證明是真正改變游戲規則的選項。