伴隨著工業發展進程及工業4.0時代的到來，機器智能化也逐漸成為現實。特別是近期工業自動化中機器視覺技術的發展，視覺技術的不斷更新迭代，使得其在智能制造中的地位也是日漸突顯，也推動了工業自動化、人工智能、智能制造等行業的進步，為各個領域都帶來更強勁的發展動力。

機器視覺發展到今天已經有二十多年的歷史了，它實質上是計算機學科中一個重要的分支。在起初的20世紀50年代，研究的是簡單的二維圖像統計模式識別；到了60年代，則開始研究三維機器視覺；70年代中期到80年代初期，機器視覺開始在全球范圍內大范圍開啟研究，同時MIT人工智能實驗室開啟“機器視覺”課程，機器視覺在這個時期得到了蓬勃的發展。

其快速成長的優勢條件

首先在于其可實現可靠性更高的產品質量檢測及實時監控，有效的避免了人工檢測過程中的主觀性和個體差異；

檢測精度可達到亞微米級別，突破了人眼的物理限制，在全生命產品周期內對產品進行外形、標簽、完整度等方面的缺陷檢測；

數字圖像處理和計算機視覺算法不斷優化，在軟件系統層面上提供更廣泛及高效的檢測功能，補充機器視覺硬件系統的檢測能力；

避免檢測人員與被檢測物件直接接觸，防止物件被人為損壞，避免了檢測系統機械部件的消耗程度以及維護成本；防止物件免受污染；

使用機器視覺技術的機器人或者機械臂可以根據機器視覺系統提供的位置和方向信息，對工件進行智能抓取，廣泛應用于食品，醫療制藥和包裝等行業，拓展了生產制造的柔性；

在安全上減少人在現場操作的時間，有效的避免了操作人員的聽力損害、身體機能下降等情況，保證了操作人員人身。

目前技術所帶來的局限性

但就其目前的整體技術水平，還是存在一些問題，將來有望一一解決。首先其容易受到環境光源的約束：不同的光源將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；單一的視覺引導技術不能保證路徑中障礙物檢測的精度，決策控制層往往需要融合多種傳感器采集的信息。

受到硬件設備性能的限制：攝像頭的鏡頭畸變矯正、標定差異性、視角范圍有限；安裝條件及場地限制，對傳感器融合方案的要求；每個像素的暗電流不同，對光子響應不一致，會造成攝像機中空間及模式噪聲；CCD線陣相機的參數設置的局限性。

受到端上計算資源的限制：工業產品大規模復雜的模型架構需要依賴強大計算能力，當設備終端上內存難以滿足時需要采用模型云端離線訓練再部署到設備終端；圖像數據傳輸時仍需要對特定的任務目標進行模型的參數調整、優化，會產生額外的工程開銷，且實時性較差。

受到檢測對象多樣性的限制：物體表面缺陷種類繁多、缺陷產生機理不明、缺陷描述不充分；機器視覺系統難以從數據中提取特征。

受到成本和收益經濟性的限制：視覺傳感器等工業相機核心零部件和底層視覺軟件的開發需較大投入成本。