传统机器视觉与深度学习机器视觉的区别就是传统机器视觉算法成熟、透明，且为性能和能效进行过优化，而深度学习虽然能提供更好的准确率和通用性，但消耗的计算资源也更大。选择两者之一还是融合使用，通常取决于当下的应用类型和应用特性，以及处理的数据量和处理能力。深度学习机器视觉融合之后，针对深度学习的检测结果，再通过传统机器视觉技术进行精确检测和定位，就可以大大提高AI技术的效率和精度。

许多应用还受益于将基于规则的传统方法与深度学习的相互结合，例如“传统机器视觉+深度学习”的融合可以应用在OCR、数量检测，传统视觉准确这些板块。具体的工作顺序就是：传统机器视觉将准确确定感兴趣区域并进行深度学习检查该区域的最佳选择，然后将基于深度学习的检查结果传递回传统视觉，以对缺陷的大小和形状进行准确地测量，降低实现的难度并提高准确度。

在采用下一代工厂自动化工具时，基于规则的传统机器视觉和基于深度学习的图像分析是互补的，而不是非此即彼的选择。相信随着深度学习技术的不断发展，会促进机器视觉产业走向成熟，也会诞生更多的工业视觉场景应用，为中国制造企业提供全要素、全价值链、全产业链的数据赋能。