机器视觉技术功能和业内水平
机器视觉属于技术驱动型行业，所要求的技术精准度较高，核心技术壁垒不仅体现在光源等设备的研发上，未来更多将体现在软件上的机器视觉算法上。如在3D视觉技术方面，领军企业识别算法所需识别错误率能够达到小于万亿分之一左右。
底层算法等技术需要深厚的技术积累与研发投入，并经历较长研发周期、在实际数据中的反复训练才能更好应用。
| 技术类别 | 技术名称 | 技术功能 | 业内水平 |
| 图像分析算法 | 2D视觉算法 | 实现图像增强、定位、测量、检测、分类识别等功能，具有较强的通用性，可以用于识别、测量、定位和检测等机器视觉应用的各个方面 | 业内一流水平，例如，找边+几何测量精度可达1pixel、图像检测精度达1pixel、二维码识别的每模块最小像素达到1.68pixel |
| 3D视觉算法技术 | 多种3D重构算法以及3D数据信息的分析、检测、测量算法
提供丰富的三维信息，在应用中提高灵活性 |
通过稳定的平面拟合和点云滤波算法，提高测量精度，精度可达视野的0.83%；在3D测量方面，激光三角3D点云扫描精度可达视野的0.1%、结构光3D点云扫描精度可达视野的0.083% | |
| 深度学习算法 | 基于深度学习的缺陷检测、基于深度学习的目标定位与识别，基于深度学习的图像分类、基于深度学习的字符识别 | 具备较高的鲁棒性和抗干扰性；具备在复杂背景下对目标定位与分类保持高速度和高精度的优势
目前各大机器视觉处理分析 |
|
| 智能视觉软件技术 | TBB多线程、指 令集、异构并行 计算加速技术 |
充分利用硬件性能提升图像的分析效率。GPU异构计算，一方面可以减轻CPU的负载，另一方面使算法性能得到全面的提升 | 通过TBB多线程、指令集、异构并行计算加速技术，可大幅提升图像分析算法的运算速度，减少运算时间 |
| 图形化编程技术 | 通过拖拉式的程序配置，所见即所得，简化应用实现方式，大幅缩减实现时间，极大降低对实施人员的要求 | ||
| 多线程技术 | 满足当前智能制造装备多工位并行作业的需求，从而节省了硬件成本，也使多工位间作业协调和数据交互更加方便高效 | ||
| 成像技术 | 高精度成像技术 | 成像技术 | 将各组件精密配合，提供更大靶面和更小像元的产品 |
| 互联互通技术 | 机器视觉互联互通技术 | – | 打通视觉与各信息系统，实现信息从生产现场到管理层的互联互通 |
注意：来自网络整理
