视觉系统如何根据其检测到的内容做出决策？
尽管基于规则的机器视觉仍是普遍应用的技术，但各类 AI 驱动的机器学习已具备足够能力和灵活性，可以在许多应用中取代前者的工作。
通常，基于规则和 AI 驱动的机器学习相结合的方式可以提供最高效的解决方案。
基于规则的系统
基于规则的传统机器视觉使用特定的“如果……，那么……”规则来对图像做出决策。“如果瓶子至少被装到这个高度，那么该瓶子可以通过。” 规则由视觉工程师进行编程，且工程师在达到理想输出的最佳技术组合方面具有深厚知识。
规则用于创建处理特定作业的程序，例如检测浅色和深色区域之间的边缘或测量两点之间的距离。
随后，这些规则可用于一个接一个的连续图像，这种过程被称为“工具链”，用来执行各种复杂的任务。在对可预测及保持一致的产品或部件进行高速、高准确度的检测时，这些规则也表现出色。
深度学习
深度学习使用 AI 为机器视觉系统提供支持，其方法是使用示例和���记过的图像来训练软件，直到软件可以自己进行区分。
该训练过程模仿人类的学习方式，帮助系统学习如何做出准确的决策，而不至于因为无关紧要的变化遭到淘汰。
操作员使用数百张标记过的图像对深度学习系统进行训练，例如制造部件中存在的各种潜在缺陷图像，或需要分类的几种不同组件图像。
与基于规则的系统相比，深度学习系统的一个重大改进是能够将各种实际缺陷与单纯的表面变化区分开，且不需要对所有可能的结果进行展示，如果使用基于规则的编程，将很耗时甚至难以实现。
与基于规则的系统不同，深度学习系统无需资深的机器视觉编程人员或专业知识即可对其进行设置。但深度学习系统需要对检测产品充分了解的人员提供数百张展示缺陷和合格组件的图像。
深度学习在装配验证、缺陷探测以及对容易发生不可预测变化的复杂部件分类等方面表现出色。即使零件容易反光或出现图像失真，该系统也可以提供准确的结果。
边缘学习
边缘学习是另一种经过优化的 AI 类型，旨在满足工业自动化需求。边缘学习经过预先训练，可以解决工业自动化通常面临的问题类型。
经预先训练后，边缘学习系统可以在仅有五张图像的基础上，针对特定工业检测问题进行训练，比深度学习系统更容易且更快完成部署。
边缘学习使生产线工程师可以在其生产线上快速实施经过优化的分类或缺陷检测功能，无需专门训练。边缘学习无需复杂的处理器，因此可以在所需领域快速部署。
边缘学习的优势在于其速度、对计算资源的较低依赖性、灵活性以及用户友好性。