機器視覺主要用于檢測一些復雜的圖形識別任務。現在越來越多的行業都需要用到這樣的檢測，例如紡織和纖維、鑄造和注塑、汽車鋼板表面、包裝印刷等行業，這些領域都是機器視覺大有用途的地方。此外，隨著物聯網技術的持續發酵，機器視覺技術也得到了廣闊的發展前景。在工業4.0的龐大體系中，工業機器視覺已經成為制造行業降低人力資源成本、提升效率與精確性的重要方式。

　　近年來，部分企業開始了基于機器視覺識別技術的缺陷檢測探索，然而在實際應用過程中，傳統機器視覺識別雖然能夠解放一部分生產力，但也存在著識別率低，復雜環境下無法取代人工檢測等一系列難題，這也導致目前的質檢市場仍然大量采用人工目檢的方式，而機器視覺的覆蓋率不足5%，未來AI機器視覺將取代人檢*工業質檢的空白。

　　工業機器視覺技術挑戰首先體現在產品技術層面：受到工業攝像頭的鏡頭畸變矯正、標定差異性、視覺范圍、安裝條件及場地，以及環境光束的類型、角度、明暗的影響，有可能造成不同的成像質量和效果，直接干擾檢測算法的檢測，可能造成產品的誤判。此外，部分工業機器視覺系統采用的模式是將數據傳輸到云端再進行離線模型訓練，然后再部署到終端的方式，云端模型參數的調整、優化不會產生大量的性能開銷，造成負載壓力，而且延遲較高，難以滿足實時性較高的要求。

　　每一個類型的制造企業對于機器視覺的傳感器類型、性能負載、深度學習算法都有著不同的要求，而且涉及到的多學科技術的整合，難以找到普適性的機器視覺解決方案，機器視覺解決方案提供商需要根據客戶的不同需求進行定制。此外，封閉的工業圈導致核心技術很難分享，也進一步提升了方案的整合難度。