Neuronale Netze sind Computersysteme, die von den biologischen neuronalen Netzen des menschlichen Gehirns inspiriert sind. Convolutional Neural Networks (CNN) sind eine Klasse tiefer, vorwärtsgerichteter künstlicher neuronaler Netze, die am häufigsten zur Analyse von Bildern eingesetzt werden. Deep Learning nutzt große CNNs, um komplexe Probleme zu lösen, die mit sogenannten herkömmlichen Computervisionsalgorithmen nur schwer oder gar nicht zu lösen sind. Deep-Learning-Algorithmen sind möglicherweise einfacher zu verwenden, da sie in der Regel anhand von Beispielen lernen. Der Benutzer muss nicht herausfinden, wie Teile klassifiziert oder während der Inspektion geprüft werden sollen. Stattdessen lernen sie in einer ersten Trainingsphase, indem ihnen einfach viele Bilder der zu inspizierenden Teile gezeigt werden. Nach erfolgreichem Training können sie zur Klassifizierung von Teilen oder zur Erkennung und Segmentierung von Fehlern verwendet werden.

Open eVision enthält die kostenlose Anwendung Deep Learning Studio. Diese Anwendung unterstützt den Benutzer bei der Erstellung des Datensatzes sowie beim Training und Testen des Deep-Learning-Tools. Für EasySegment integriert Deep Learning Studio ein Annotationstool und kann Vorhersagen in Ground-Truth-Annotationen umwandeln. Außerdem ermöglicht es die grafische Konfiguration des Tools, um es an die Leistungsanforderungen anzupassen. Nach dem Training kann man beispielsweise zwischen einer besseren Fehlererkennungsrate und einer besseren Guterkennungsrate wählen.

Deep Learning erfordert in der Regel eine erhebliche Rechenleistung, insbesondere während der Lernphase. Deep Learning Bundle unterstützt Standard-CPUs und erkennt automatisch Nvidia CUDA-kompatible GPUs im PC. Die Verwendung einer einzigen GPU beschleunigt die Lern- und Verarbeitungsphasen in der Regel um den Faktor 100.