在检测职业，与人类视觉比较，机器视觉优势显着

        1、精确度高：人类视觉是64灰度级，且对微小方针分辨力弱；机器视觉可显着提高灰度级，一起可观测微米级的方针；

        2、速度快：人类是无法看清快速运动的方针的，机器快门时间则可达微秒级别；

        3、稳定性高：机器视觉解决了人类一个十分严峻的问题，不稳定，人工目检是劳动十分单调和辛苦的职业，无论你规划怎样的奖惩制度，都会发作比较高的漏检率。可是机器视觉检测设备则没有疲惫问题，没有情绪波动，只要是你在算法中写好的东西，每一次都会认真执行。在质控中大大提高效果可控性。

        4、信息的集成与留存：机器视觉取得的信息量是全面且可追溯的，相关信息能够很便利的集成和留存。

        机器视觉技能近年开展迅速

        1、图画采集技能开展迅猛

        CCD、CMOS等固件越来越成熟，图画敏感器材尺度不断缩小，像元数量和数据率不断提高，分辨率和帧率的提高速度能够说日新月异，产品系列也越来越丰富，在增益、快门和信噪比等参数上不断优化，经过中心测验目标(MTF、畸变、信噪比、光源亮度、均匀性、色温、系统成像能力归纳评价等)来对光源、镜头和相机进行归纳挑选，使得许多曾经成像上的难点问题得以不断打破。

        2、图画处理和形式辨认开展迅速

        图画处理上，跟着图画高精度的边际信息的提取，许多本来混合在背景噪声中难以直接检测的低对比度瑕疵开始得到分辨。

        形式辨认上，自身能够看作一个符号进程，在必定量度或观测的根底上，把待识形式划分到各自的形式中去。图画辨认中运用得较多的主要是决议计划理论和结构办法。决议计划理论办法的根底是决议计划函数，使用它对形式向量进行分类辨认，是以守时描绘(如计算纹理)为根底的；结构办法的中心是将物体分解成了形式或形式基元，而不同的物体结构有不同的基元串(或称字符串)，经过对未知物体使用给定的形式基元求出编码边界，得到字符串，再根据字符串判断它的属类。在特征生成上，许多新算法不断出现，包含根据小波、小波包、分形的特征，以及独二分量分析；还有关子支持向量机，变形模板匹配，线性以及非线性分类器的规划等都在不断延展。

        3、深度学习带来的打破

        传统的机器学习在特征提取上主要依托人来分析和树立逻辑，而深度学习则经过多层感知机模仿大脑工作，构建深度神经网络(如卷积神经网络等)来学习简单特征、树立复杂特征、学习映射并输出，训练进程中一切层级都会被不断优化。在详细的使用上，例如主动ROI区域切割；标点定位(经过防真视觉可灵敏检测未知瑕疵)；从重噪声图画重检测无法描绘或量化的瑕疵如橘皮瑕疵；分辨玻璃盖板检测中的真假瑕疵等。跟着越来越多的根据深度学习的机器视觉软件推向市场，深度学习给机器视觉的赋能会越来越显着。

        4、3d视觉的开展

        3D视觉还处于起步阶段，许多使用程序都在使用3D表面重构，包含导航、工业检测、逆向工程、测绘、物体辨认、测量与分级等，但精度问题限制了3D视觉在许多场景的使用，现在工程上最早铺开的使用是物流里的标准件体积测量，相信未来这块潜力巨大。

        要全免替代人工目检，机器视觉还有诸多难点有待攻破：

        1、光源与成像：机器视觉中优质的成像是第一步，由于不同材料物体表面反光、折射等问题都会影响被测物体特征的提取，因而光源与成像能够说是机器视觉检测要霸占的第一个难关。比方现在玻璃、反光表面的划痕检测等，许多时分问题都卡在不同缺点的集成成像上。

        2、重噪音中低对比度图画中的特征提取：在重噪音环境下，真假瑕疵的鉴别许多时分较难，这也是许多场景一直存在必定误检率的原因，但这块经过成像和边际特征提取的快速开展，已经在不断取得各种打破。

        3、对非预期缺点的辨认：在使用中，往往是给定一些详细的缺点形式，使用机器视觉来辨认它们到底有没有发作。但常常遇到的情况是，许多显着的缺点，因为之前没有发作过，或者发作的形式过火多样，而被漏检。如果换做是人，虽然在操作流程文件中没让他去检测这个缺点，可是他会注意到，然后有较大几率抓住它，而机器视觉在这点上的“才智”现在还较难打破。