Systém strojového vidění se spoléhá na digitální senzor obrazu umístěný v průmyslové kameře s objektivem vybraným podle požadavků úlohy. Senzor snímá obrazy, které jsou následně přenášeny do počítače. Specializovaný software obrazy zpracovává, analyzuje a počítá různé charakteristiky potřebné pro přijímání rozhodnutí. Systémy strojového vidění s rozhodováním založeným na pravidlech pracují spolehlivě s konzistentními, shodně vyrobenými díly. Využívají postupné filtrování a jejich rozhodovací algoritmy mají pevně daná pravidla.
Ve výrobní lince může systém strojového vidění s tímto rozhodovacím algoritmem vysoce přesně kontrolovat stovky až tisíce dílů za minutu. Ve srovnání s lidskou kontrolou je systém strojového vidění cenově úspornější. Při řešení úloh rozhodování je třeba pro analýzu obrazu určit a do aplikace naprogramovat pevně daná a jednoznačná pravidla.
V podnikové praxi je tradiční strojové vidění s vyhodnocením založeným na pravidlech ideální pro: navádění (určení pozice, orientace...), identifikaci (čárové kódy, data-matrix kódy, značky, písmena a číslice...), měření (srovnání rozměrů se specifickými jmenovitými hodnotami...) nebo kontrolu (trhliny a jiné problémy, jako jsou chybějící bezpečnostní těsnění, zlomené díly...).
Strojové vidění s rozhodováním založeným na pravidlech je skvělé, je-li k dispozici známá množina proměnných: je díl přítomen nebo ne? jak daleko je přesně jeden předmět od druhého? kde má robot uchopit tento díl? Tyto úlohy je snadné vyřešit na montážních linkách v kontrolovaném prostředí. Co se však stane v případě, že věci nejsou tak jednoznačné?
To je právě oblast, kde se do hry může zapojit hluboké učení:
• řešení úloh strojového vidění v případech, kdy by jejich naprogramování podle pravidel bylo příliš složité,
• řešení úloh, kde je třeba vypořádat se s rušivým pozadím nebo odchylkami ve vzhledu dílů,
• údržba aplikací v provozu a trénování s novými obrazovými daty,
• přizpůsobení novým příkladům bez nutnosti znovu programovat neuronovou síť v jádru aplikace.
Typickým příkladem z průmyslu je vyhledávání škrábanců na obrazovkách elektronických zařízení. Tyto defekty mohou mít různou velikost, vzhled a umístění a mohou se vyskytovat na displejích s různým pozadím. S ohledem na tuto různorodost je to právě hluboké učení, které dokáže určit rozdíl mezi vyhovujícím a nevyhovujícím dílem. A navíc, natrénovat neuronovou síť na nový cíl (např. na nový typ displeje) je jednoduché – stačí jen mít trénovací množinu nových referenčních obrazů.