機器視覺主要用于檢測一些復雜的圖形識別任務?，F在越來越多的行業(yè)都需要用到這樣的檢測，例如紡織和纖維、鑄造和注塑、汽車鋼板表面、包裝印刷等行業(yè)，這些領域都是機器視覺大有用途的地方。此外，隨著物聯(lián)網技術的持續(xù)發(fā)酵，機器視覺技術也得到了廣闊的發(fā)展前景。在工業(yè)4.0的龐大體系中，工業(yè)機器視覺已經成為制造行業(yè)降低人力資源成本、提升效率與精確性的重要方式。

　　近年來，部分企業(yè)開始了基于機器視覺識別技術的缺陷檢測探索，然而在實際應用過程中，傳統(tǒng)機器視覺識別雖然能夠解放一部分生產力，但也存在著識別率低，復雜環(huán)境下無法取代人工檢測等一系列難題，這也導致目前的質檢市場仍然大量采用人工目檢的方式，而機器視覺的覆蓋率不足5%，未來AI機器視覺將取代人檢*工業(yè)質檢的空白。

　　工業(yè)機器視覺技術挑戰(zhàn)首先體現在產品技術層面：受到工業(yè)攝像頭的鏡頭畸變矯正、標定差異性、視覺范圍、安裝條件及場地，以及環(huán)境光束的類型、角度、明暗的影響，有可能造成不同的成像質量和效果，直接干擾檢測算法的檢測，可能造成產品的誤判。此外，部分工業(yè)機器視覺系統(tǒng)采用的模式是將數據傳輸到云端再進行離線模型訓練，然后再部署到終端的方式，云端模型參數的調整、優(yōu)化不會產生大量的性能開銷，造成負載壓力，而且延遲較高，難以滿足實時性較高的要求。

　　每一個類型的制造企業(yè)對于機器視覺的傳感器類型、性能負載、深度學習算法都有著不同的要求，而且涉及到的多學科技術的整合，難以找到普適性的機器視覺解決方案，機器視覺解決方案提供商需要根據客戶的不同需求進行定制。此外，封閉的工業(yè)圈導致核心技術很難分享，也進一步提升了方案的整合難度。