همان گونه که یک بازرس کیفی پس از مشاهده یک محصول از نظر ظاهری و اندازه گیری های ابعادی خاص بر روی آن پی به کیفیت محصول می برد، توسط تصویربرداری دیجیتال از آن محصول و اجرای الگوریتم هایی خاص بر روی دیتای تصویر نیز می توان ویژگی هایی از تصویر را استخراج کرد که سبب درک و بازیابی اطلاعات کیفی و کمی محصول شده و این امر خود سبب افزایش سرعت و بهره وری تولید می شود. این فرآیند نیازمند فناوری پردازش تصویر و یادگیری ماشین است. هر تصویر پیش از پردازش نیازمند بهبود کیفیت در راستای پردازش مورد نظر است. بطور مثال برای پردازش تصویر یک مهره بمنظور استخراج ابعاد و یا عیب یابی، میزان کنتراست قطعه با روشنایی صفحه زیرین آن از اهمیت خاصی برخوردار است. فیلترها، الگوریتمها و تکنیک های بسیاری در پردازش تصاویر استفاده می شوند که در صورت ترکیب آنها با توالی مناسب، می توان قابلیت درک تصاویر را برای ماشین بیشتر کرده و اطلاعات دقیق تری از آنها بدست آورد. برخی از این تکنیک ها عبارتند از :
تعیین دقیق مرزهای مورد نظر از سایر قسمتهای تصویر
تقسیم نواحی مورد نظر به قطعه های قابل فهم تر
انتقال از حوزه مکان به حوزه فرکانس و فیلتر فرکانس های نویز یا بی اهمیت
اما در سطوح بالاتر، در مواردی که به دلیل پیچیدگی پردازش لزوما الگوریتم مشخصی را نمی توان برای تعیین ویژگی و استخراج نتایج از تصویر به کار بست، پای الگوهای یادگیری ماشین به میان می آید که می توان در بسیاری از کاربردهای صنعتی از این امر بهره برد. در این موارد پردازش تصویر بخشی از راه نیل به هدف خواهد بود تا تصویر برای آموزش به ماشین آماده شود.
و …
برخی از موارد کاربرد یادگیری ماشین در حوزه بینایی ماشین هستند.
