人工智能技术正在快速的发展，各行各业都在人工智能的技术下革新。人工智能工程技术可以让机器具有仿人类的能力，还可以从事很多精密的系统计算工作。在人工智能技术当中，机器视觉是重要的一个方面。机器视觉就是利用机器代替人眼来做测量和判断。跟“听觉”方面的相关技术不同，机器视觉主要给工业机器安装一副灵敏的“眼睛”，让机器不仅可以“视”,还可以“觉”。

   机器视觉主要用于检测一些复杂的图形识别任务。现在越来越多的行业都需要用到这样的检测，例如纺织和纤维、铸造和注塑、汽车钢板表面、包装印刷等行业，这些领域都是机器视觉大有用途的地方。此外，随着物联网技术的持续发酵，机器视觉技术也得到了广阔的发展前景。在工业4.0的庞大体系中，工业机器视觉已经成为制造行业降低人力资源成本、提升效率与精确性的重要方式。

挑战：行业特性影响机器视觉在生产环境的部署

   近年来，部分企业开始了基于机器视觉识别技术的缺陷检测探索，然而在实际应用过程中，传统机器视觉识别虽然能够解放一部分生产力，但也存在着识别率低，复杂环境下无法取代人工检测等一系列难题，这也导致目前的质检市场仍然大量采用人工目检的方式，而机器视觉的覆盖率不足5%，未来AI机器视觉将取代人检填补工业质检的空白。

   工业机器视觉技术挑战首先体现在产品技术层面：受到工业摄像头的镜头畸变矫正、标定差异性、视觉范围、安装条件及场地，以及环境光束的类型、角度、明暗的影响，有可能造成不同的成像质量和效果，直接干扰检测算法的检测，可能造成产品的误判。此外，部分工业机器视觉系统采用的模式是将数据传输到云端再进行离线模型训练，然后再部署到终端的方式，云端模型参数的调整、优化不会产生大量的性能开销，造成负载压力，而且延迟较高，难以满足实时性较高的要求。

   每一个类型的制造企业对于机器视觉的传感器类型、性能负载、深度学习算法都有着不同的要求，而且涉及到的多学科技术的整合，难以找到普适性的机器视觉解决方案，机器视觉解决方案提供商需要根据客户的不同需求进行定制。此外，封闭的工业圈导致核心技术很难分享，也进一步提升了方案的整合难度。