El aprendizaje profundo basado en la cognición visual ha mejorado significativamente la precisión de la detección de defectos, reduciendo los tiempos de procesamiento y aumentando la producción de productos en una variedad de casos de uso en la fabricación. Sin embargo, existe una necesidad continua de procedimientos rigurosos para actualizar dinámicamente los métodos de detección basados en modelos que utilizan secuencias de transmisión durante la fase de entrenamiento. Este artículo revisa cómo se incorpora rigurosamente nueva información de procesos, entrenamiento o validación en tiempo real cuando surgen excepciones de detección durante la inspección. En particular, se considera cómo se añaden nuevas tareas, clases o rutas de decisión a modelos o conjuntos de datos existentes de manera controlada. Se presenta un análisis de estudios de la literatura de aprendizaje incremental, donde se hace hincapié en la mitigación de desafíos de complejidad del proceso como el olvido catastrófico. Además, se consideran problemas de implementación práctica que se sabe que afectan la complejidad de la arquitectura del modelo de aprendizaje profundo, incluida la asignación de memoria para datos secuenciales entrantes o la precisión del aprendizaje incremental. El artículo destaca resultados de estudios de caso y métodos que se han utilizado para mitigar con éxito tales desafíos de fabricación en tiempo real.