深度學習與機器視覺和人工檢測的相互比較
深度學習既靈活且穩健
數十載以來，機器視覺系統已經教會電腦執行檢測來偵測已製造產品中的缺陷，雜質，功能缺失及其他不規則處。不過，若需要從實例學習，並鑒別與控制之間可接受的誤差時，人類視覺檢測絕對佔上風。相形之下，機器視覺提供電腦化系統能做到的速度與穩健度。
機器視覺具備速度，準確度及再現性，在量化測量架構化場景方面勝出。以正確攝影機解析度與光學件配置建置的機器視覺系統，能輕鬆檢測小到人眼無法看到的物件細節，而且檢測的可靠性较高，錯誤率更低。在生產線上，機器視覺系統每分鐘能可靠且重複地檢測數百個，甚至數千個零件，遠勝於人工的檢測能力。
和傳統機器視覺不同，人類善於分辨細微的外觀和功能缺失，還能鑒別零件外觀上可能會影響品質感受的變化。雖然人類可以處理訊息的速率比較受限，但人類在概念化與歸納能力上是獨一無二的。人類善於從實例學習，能在零件之間出現微小異常時分辨出何為真正重要的。在許多情況下，這點讓人類視覺理想適合定性解釋複雜，非架構化的場景，尤其是有微小缺陷和難以預知的缺失時。
深度學習技術利用神經網路，模仿人類的智慧來分辨異常，零件和字元，同時容許複雜圖案的自然變化。如此一來，深度學習結合人類視覺檢測的靈活度，還具備電腦化系統的速度與穩健可靠。
