工业机器视觉系统构架主要分为硬件设备和软件算法两部分，其中硬件设备主要包括光源系统、镜头、摄像机、图像采集卡和视觉处理器；软件包中核心算法主要包括传统的数字图像处理算法和基于深度学习的图像处理算法。

　　2017年全球机器视觉市场规模达到40亿美元，2017～2025年复合增长率预计达到8.5%左右。机器视觉系统提供方主要集中于欧美地区，龙头企业主要包括：康耐视、基恩士、ISRA等。但随着食品、包装、工业、消费电子等制造产业逐步在中国制造，中国境内对机器视觉系统的需求量日益增长，未来5年年复合增长率将达到10.4%。

　　1. 可实现可靠性更高的产品质量检测及实时监控，有效的避免了人工检测过程中的主观性和个体差异；

　　2. 检测精度可达到亚微米级别，突破了人眼的物理限制，在全生命产品周期内对产品进行外形、标签、完整度等方面的缺陷检测；

　　3. 数字图像处理和计算机视觉算法不断优化，在软件系统层面上提供更广泛及高效的检测功能，补充机器视觉硬件系统的检测能星空体育官网登录力；

　　4. 避免检测人员与被检测物件直接接触，防止物件被人为损坏，避免了检测系统机械部件的消耗程度以及维护成本；防止物件免受污染；

　　5. 使用机器视觉技术的机器人或者机械臂可以根据机器视觉系统提供的位置和方向信息，对工件进行智能抓取，广泛应用于食品，医疗制药和包装等行业，拓展了生产制造的柔性；

　　6. 减少人在现场操作的时间，有效的避免了操作人员的听力损害、身体机能下降等情况，保证了操作人员人身。

　　1.受到环境光源的约束：不同的光源将造成不同的成像质量和效果，直接干扰检测算法的检测，可能造成产品的误判；单一的视觉引导技术不能保证路径中障碍物检测的精度，决策控制层往往需要融合多种传感器采集的信息。

　　2. 受到硬件设备性能的限制：摄像头的镜头畸变矫正、标定差异性、视角范围有限；安装条件及场地限制，对传感器融合方案的要求；每个像素的暗电流不同，对光子响应不一致，会造成摄像机中空间及模式噪声；CCD线阵相机的参数设置的局限性。

　　3. 受到端上计算资源的限制：工业产品大规模复杂的模型架构需要依赖强大计算能力，当设备终端上内存难以满足时需要采用模型云端离线训练再部署到设备终端；图像数据传输时仍需要对特定的任务目标进行模型的参数调整、优化，会产生额外的工程开销，且实时性较差。

　　4. 受到检测对象多样性的限制：物体表面缺陷种类繁多、缺陷产生机理不明、缺陷描述不充分；机器视觉系统难以从数据中提取特征。

　　5. 受到成本和收益经济性的限制：视觉传感器等工业相机核心零部件和底层视觉软件的开发需较大投入成本。