从功能上来说，你这个应用非常适合采用深度学习，事实上，深度学习本质上就是用来做分类识别的，尤其是针对零件与零件之间，图像上差异比较小的时候(比如你需要自动分拣A,B,C三种零件，但其形状差别很小)，更加适合用深度学习。

不过深度学习也存在它的问题：

训练的样本要足够大，具体多大合适，要看你对图像区分度的要求。如果样本不是很充分的情况下，比如数千张或更少，其实也可以考虑用传统方式，比如SVM。我用传统方式做过宝马车标，安全帽等的识别，准确度相当高了，尤其是车标识别，接近100%准确，而我只用了不到100张做训练，而且无论算法还是模型库都不大，很适合做嵌入式，而且可以做到实时。

对深度学习而言，速度/性能是个很大的问题，不知道题主的机器性能如何，以及对应的图片分辨率，是否要实时处理？我估计题主应该是那种实时高清识别，而且有可能是嵌入式设备，我们姑且认为视频是直接从本机采集，不需要做解码，即便如此，基于深度学习的运算量也是很高的，尤其是resnet这种，一般而言，层数越多越精准，运算量也会越高。高清情况下(机器视觉应用一般会1080P或更高)，我个人认为单张图片的识别时间会超过1秒，很难做实时。有朋友在256核的TX1上测试过标清的FAST RCNN，单张处理时间为0.6秒左右，我本人测试过googlenet，在一台阿里云E5的机器上(无GPU)，识别一张720p的图片，估计约0.3 - 0.5秒左右(我的应用需要考虑网络传输的时间，没打log，只是通过返回结果大致估计)。无论哪种情况，离每秒25帧的实时要求都差得太远。

结论：

嵌入式设备，个人不建议用深度学习，除非你能将密集运算部分移植到FPGA上，否则性能会是个很大的问题。

高清和实时的应用，一般而言也不建议用深度学习，理由同上。

对于区分度要求很高(种类很多，很相近)，非实时的应用，基于后端或云端的业务，有足够的运算资源。特别适合用深度学习。

能解决问题才是王道，传统方式未必不可以。

强烈建议题主关注一下，深度学习领域芯片相关技术的进展，比如谷歌的TPU，国内的寒武纪，以及轻量级框架mxnet等。

举一个具体的实例：

深度学习应用于工业机械臂的控制，这也是 Industry 4.0 的发展方向。

将深度学习算法应用到工业机器人上，拿来做商品或者零件分拣，大概可以分为「分类」和「捡起」两步：

(1) 对商品或者零件进行「分类」

这个步骤非常适合使用深度学习，因为深度学习本质上就是用来做分类识别的。

(2) 将商品或者零件「成功捡起」

对于单个商品或者零件，要想将其成功捡起，关键是选择合适的把持位置，通俗的将，就是机器人夹零件的哪个地方，可以使零件不下滑，从而成功地被捡起来。比较典型的算法，一个是採用两阶段的深度学习算法，第一阶段通过小型的Neural Network，检测出数个可以把持的位置，第二阶段採用大型的Neural Network，对第一阶段得到的各个把持位置候选进行评估，选择最终的一个把持位置。这种算法的成功率大概能达到65%。

(上图显示了第一个阶段得到多个候选把持位置，第二阶段得到最终把持位置)

另一个是结合了深度学习和Heterogeneous Learning，将把持位置的信息(width, height, x, y, θ)以及把持该位置时成功捡起零件的成功率“Graspability”用来训练模型，模型如下：

下图表示的是把持位置的信息(width, height, x, y, θ)的定义，以及各把持位置对应的Graspability Label。

下图是Positive和Negetive教师信号的例子。

下图是得到的最终把持位置，可以达到85%左右的成功率。

对于多个商品和零件堆积在一起的情形，除了把持位置的选择，还需要选择合适的抓取顺序，即先抓取哪一个零件，后抓取哪一个零件，这时可以採用Reinforcement Learning算法，最终可以达到约90%的成功率，和熟练工人的水平相当。当然，要将这些成果大规模应用到工业流水线上，还需要考虑到正确率要求更高(一般是99.9%)，以及速度要求更快等，目前许多改进就是围绕满足这两点指标来进行的。