人工智能應用正在迅速的發展，各方面各個領域都在人工智能的技術下變革。人工智能工程技術能讓機器設備具備仿人類的功能，還能夠從事專業許多精密的系統運算工作。在人工智能應用當中，機器視覺系統是重要的一個方面。機器視覺系統就是用機器設備代替肉眼來做精確測量和分析判斷。跟“聽覺”等方面的應用技術不同，機器視覺系統主要給工業設備組裝一副敏銳的“眼睛”，讓機器設備不但可以“視”，還能夠“覺”。

　　機器視覺系統主要運用于檢測一些繁雜的圖形識別工作。現在有很多行業都需要使用這樣的檢測，比如紡織和纖維、精密鑄造和注塑加工、汽車鋼板表面、印刷包裝等行業，這些行業都是機器視覺系統大有用途的地方。此外，隨著物聯網應用的持續發酵，機器視覺系統也獲得了寬闊的發展前景。

　　近些年來，不少企業開始了基于機器視覺圖像識別技術的缺陷檢測研究，可是在實際應用情況下，傳統的機器設備視覺識別系統雖然能夠釋放一部分生產力，但也存有準確率低，復雜條件下無法完全取代人為檢測等一連串難題，這也使得目前的質檢市場仍大批量采用人為目檢的形式，而機器視覺系統的覆蓋率不足5%，未來AI機器視覺系統將取代人檢填補工業質檢的空白。

　　工業機器視覺系統挑戰首先反映在產品與技術層面：受到工業攝像頭的鏡頭畸變矯正、標定差異化、視角范圍、安裝條件及場所，以及自然環境光束的種類、角度、明暗度的影響，有可能導致不同的成像質量與效果，直接干擾識別算法的檢測，可能導致產品的錯判。此外，部分工業機器視覺系統所使用的模式是將數據存儲到云端然后再進行離線模型訓練，再部署到終端設備的形式，云端模型參數的調整、優化不會造成大批量的性能開銷，導致負載壓力，而且延遲較高，難以符合實時性相對較高的要求。

　　每一個種類的制造企業對于機器視覺系統的傳感器種類、性能負載、機器學習算法等都會有不同的要求，而且涉及到多學科交叉技術的整合，難以找到普遍性的機器視覺系統解決方案，機器視覺系統集成服務商需要根據企業的不同實際需求定制。此外，封閉式的工業圈導致核心關鍵技術很難分享，也進一步提高了方案的整合難度。