工业机器视觉的发展挑战

随着工业机器视觉应用越来越广泛，被检测对象越来越复杂，机器视觉应用从传统工业视觉向基于深度学习的AI工业视觉过渡

传统工业视觉系统的应用实现，是在经过给定背景、光源、采集光学器材参数的特定环境下，实现对目标感知区域拍摄的数字图像进行指定要求的处理，并提取特定的信息数据，并输出给指定设备作为动作依据，所依赖的是预先明确的固定特征，由视觉工程师基于视觉任务的特定需求，进行目标特征的定义以及数值判断的阀值定义的实现，这种逻辑简单的局限性，无法适用于随机性强、特征复杂的工作任务，如随机出现的复杂外观缺陷检测。因此，目前业界越来越多的使用到能解决此类复杂特征问题的深度学习。

深度学习算法在目前的行业普遍技术水平已经能够达到95% 以上的判定准确率。通过平衡漏判率和误判率，更加严格地控制漏判，可以让漏判率降到100PPM 以下，而误判率降到5% 以下。虽然基于深度学习的AI 工业视觉可以解决更复杂的问题，应用越来越广泛，但仍存在几个瓶颈，比如：

通用性、智能性和同类应用快速复制性欠佳

机器视觉在通用性方面存在不足，在一些集成应用中无法搭载，一台设备可能只适用于一家厂商或一种行业，导致开发成本过高。而在智能性方面，当库存量单位较高时，或者移动速度较快时，工业视觉在识别准确率上就难以达到要求。例如在分拣领域，工业视觉已经能够很好地适应小规模和品类较少的固定分拣，但对于复杂堆叠物体的识别和分拣，依然有90% 以上通过人工方式完成；

实际应用中视觉检测准确率较低，不可自学习，动态优化

尽管从一些算法的测试结果来看，工业视觉的图像识别准确率已经能够达到极高的水平，但要实现工业上的应用，还需要保证能够快速完成批量化检测，同时能够适应多样的环境（包括物体表面材质、工厂环境、工作距离等等）。只有在实际应用中能够达到极小的误检率，工业视觉才能实现其应用预期，从而满足客户的标准而得以推广；

单点系统维护成本过高

固定工位单机的部署方式，使得每次对设备进行调试、软件更新维护、监控分析都需要在本地完成，在机器视觉被工厂大规模使用的情况下，这种维护方式成本极其高昂；

注意：来自网络整理