工业视觉检测发展的现状
点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达
机器视觉依据应用不同可GIDI-G(Guidance-导引)、I(Inspection-检测)、D（Dimension-尺寸测量）、I（ID-ID识别）。最近随着硬件的发展、市场的需求还有近年计算机视觉技术的火热，主要有几个趋势：
- 领域的拓展（不仅仅是工业，还有到民用）：自动化的检测代替人工检测是必然发展趋势，需求越来越多样原来只是生产线上，现在制造、医疗、电子、仓储等各个领域都有各种各样的应用。比如国内某知名电商，使用三维来进行包裹尺寸的检测，与总量参数匹配进行内部追踪。
-2D到3D：工业界基本都是三维的部件，而且二维成像毕竟是三维空间的实际情况的一种病态数据采集，所以目前围绕3D的各种检测、测量、机器人导引等项目层出不穷，这与计算机视觉的情况有异曲同工之处，什么结构光、ToF、双目等等技术各家公司也多如牛毛。
-系统实施受各种因素制约大：如果你问我做一个机器视觉检测的项目最重要的是什么，我肯定会说能得到一张高质量的图片，而就为了得到这么一个图片那需要考虑太多太多，光源、镜头选择、传感器选型、节拍考虑、安装布置、自动化集成、环境因素考量、工件状态变化等等，哪一个部分出了问题都会影响你的图像质量，而如果你没有足够好的图片，那么再厉害的算法也没有用，而且因为生产线都有良品率和节拍要求，整个视觉检测系统不够快速可靠的话那你的误检率会非常之高，而这又是无数厂家需要面对的问题。举个例子，我需要检测一种铝制外壳的某个区域有几个孔，当你的供应商给你的一个批次和另外的一个批次外表面颜色有不同或者不均匀是，那等着你的必然是要停机从新设置参数，从新验证产品，而这几乎是无法避免百分百会发生的现实。
-算法不如硬件发展快：这是我的感觉，而且我觉得这是目前很重大的瓶颈。硬件从系统方面来说就是往可移动的嵌入式方向发展，而软件目前的智能还远远不够，在计算机视觉领域大热的深度学习神经网络目前在机器视觉领域的成功应用少之又少，ViDi是一个，Fanuc/Preferred Networks和Google的机器人抓取是一个，这还是相对简单的，当目标对象多变、特征复杂、样本数不够的时候，你想用深度学习根本没机会，还是要回到传统的老路上来，再考虑实时性的严格要求，机器视觉特别需要一种新的智能的普遍使用大部分应用领域的方法出来，或是创新、或是改良、或是综合。
-要具体问题具体看待：机器视觉还是与具体的应用领域深切关联的，每一个应用都需要选择与之配套的专用硬件和软件，都需要专门的设计，所以没有一种解决方案能适用于所有的情况。
-公司：国内做集成做代理的很多很多，真正有领先技术的太少，看看凌云、大恒，你就知道什么情况，最近还有视频监控的老大海康威视，也做机器视觉了。国外的你可以研究一下Cognex和Keyence。还有就是，没有公司会做一个机器视觉系统所有的东西，核心就是算法还有整个硬件的集成，有专门的公司做镜头、有专门的公司做光源，专门的公司做支架，没有一个公司会全部自己做。
最后我要说一下机器视觉（machine vision）和计算机视觉（computer vision），虽然都是对图像数据进行处理，但是两者区别极大，一个是更偏整个系统级应用导向的，一个是专注于算法的半理论半应用结合的。但也不是没有联系，比如工业制造中AR的应用，你也说不清是要分类到哪种技术了。
来源于网络，文章仅代表作者个人见解，仅供参考
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~