Der RadarImager erzeugt 3D-Radarbildstapel, die durch nicht-leitfähige Materialien dringen und Informationen über innere Produktstrukturen liefern. Da diese Daten für Menschen schwer intuitiv interpretierbar sind, dient Deep Learning als Brücke, um komplexe Zusammenhänge über mehrere Tiefenebenen hinweg zu analysieren. Während Klassifikationsmodelle bekannte Fehler wie fehlende Komponenten oder Fremdkörper identifizieren, ermöglicht die Anomalieerkennung das Aufspüren unbekannter Fehler durch den Vergleich mit dem fehlerfreien Zustand. Durch die Nutzung von 2,5D- und 3D-Deep-Learning-Modellen werden vollständige Datensätze intelligent ausgewertet, um die Qualitätskontrolle über das rein Optische hinaus zu erweitern und verborgene Informationen nutzbar zu machen.