近年來，隨著硬件的發(fā)展、市場需求和計算機視覺技術的普及，主要有以下趨勢：

   拓展領域(不只是工業(yè)，還有民用)：自動檢測取代人工檢測是必然的發(fā)展趨勢。需求越來越多樣化。原來只是生產(chǎn)線。現(xiàn)在，制造、醫(yī)療、電子、倉儲等各個領域都有各種各樣的應用。比如國內(nèi)某知名電商公司使用3D檢測包裹尺寸，內(nèi)部跟蹤與總參數(shù)相匹配。

   2D到3D：行業(yè)基本都是3D部件，二維成像畢竟是三維空間實際情況下的病態(tài)數(shù)據(jù)采集。因此，3D周圍的各種檢測、測量、機器人引導等項目層出不窮，類似于計算機視覺的情況，什么結(jié)構(gòu)光，ToF、雙目等技術各公司也多如牛毛。

   系統(tǒng)的實施受到各種因素的極大限制:如果你問我做一個工業(yè)視覺檢測項目重要的是什么，我肯定會說我可以得到一張高質(zhì)量的圖片，但是為了得到這樣的圖片，我們需要考慮太多，比如光源、鏡頭選擇、傳感器選擇、節(jié)拍考慮、安裝布局、自動化集成、環(huán)境因素考慮、工件狀態(tài)變化等。如果有任何問題，都會影響你的圖像質(zhì)量。如果你沒有足夠好的圖片，那么無論算法有多強大，而且因為生產(chǎn)線有良好的產(chǎn)品率和節(jié)拍要求，整個工業(yè)視覺檢測系統(tǒng)都不夠快。

   算法沒有硬件發(fā)展快:這是我的感覺，我覺得這是目前很大的瓶頸。從系統(tǒng)的角度來看，硬件正在向可移動的嵌入式方向發(fā)展，但目前軟件的智能遠遠不夠。目前，在計算機視覺領域，深度學習神經(jīng)網(wǎng)絡在機器視覺領域的成功應用很少，ViDi就是其中之一。Fanuc/PreferredNetworks和Google的機器人抓取是一種比較簡單的方法，當目標對象多變，特征復雜，樣本數(shù)量不足時，你想用深度學習根本沒有機會，或者回到傳統(tǒng)的老路上，再考慮實時嚴格的要求，機器視覺特別需要一種新的智能方法，廣泛應用于大多數(shù)應用領域，要么創(chuàng)新，要么改進，要么全面。

   具體問題要具體看:機器視覺與具體應用領域密切相關。每個應用程序都需要選擇與之匹配的特殊硬件和軟件，都需要特殊的設計，所以沒有一個解決方案可以適用于所有情況。

   公司:國內(nèi)做集成代理的人很多，真正有領先技術的人太少了。看看凌云和大恒，你就會知道發(fā)生了什么。最近有視頻監(jiān)控的大海康威視，也做機器視覺。在國外，你可以研究一下Cognex和Keyence。還有，沒有一家公司會做一個機器視覺系統(tǒng)的所有東西，核心是算法和整個硬件的整合。有專門的公司做鏡頭，有專門的公司做光源，有專門的公司做支架，沒有一家公司會自己做。

   最終，我想談談工業(yè)視覺檢測以及計算機視覺，雖然它們都處理圖像數(shù)據(jù)，但它們之間有很大的不同。一個是整個系統(tǒng)級別的應用導向，一個是半理論半應用的結(jié)合，專注于算法。但也不是沒有聯(lián)系。比如AR在工業(yè)制造中的應用，你分不清是哪種技術。