随着技术的进步和智能工厂的发展，机器视觉设备在过去的十年里发生了翻天覆地的变化。亚太地区将继续是世界上最大的市场，到2022年占收入的38.4%。机器视觉供应商在技术、灵活性、效率和准确性方面的高度创新将在发展中市场取得最大成功。
虽然全球经济的不确定性会对机器视觉行业产生影响，但行业协会和专家普遍认为不会造成严重损害。有了深度学习软件，嵌入式视觉等硬件平台有望蓬勃发展。工厂级的传统应用也将保持强劲增长。
1.嵌入式视觉将继续发展
由于其在越来越多的工业应用中的支持，嵌入式视觉在2019年将继续快速增长，如自动驾驶、生命科学、消费电子、边境监控和农业。处理能力大大增强，内存变得非常便宜。用户可以选择非常小的相机，使用不同来源的云数据。当你把这些因素和机器学习结合到一个单独的软件包中时，你就拥有了嵌入式视觉。
客户希望系统集成商为他们开发整个嵌入式视觉系统。嵌入式视觉将智能相机带到了它的初衷，即在一个非常小的外壳中，尽可能靠近图像传感器，进行图像处理和视频分析。为了应对嵌入式视觉市场，开发了从相机设计到FPGA编程的专业技术，以便在低成本、低功耗的平台上快速提供特定应用的解决方案，能够集成人工智能和深度学习功能。
为客户设计一个有吸引力的系统是嵌入式视觉最大的挑战。有了低成本、低功耗的设备，客户在机器视觉领域的所有功能都可以放到一个非常小的外形上，这是一个艰巨的研发挑战。友邦保险副总裁亚历克斯什卡尼(Alex Shikany)表示，向消费者推出完全不同的硬件解决方案并不容易，但最终的希望是，客户会对更方便用户、更小、最终在某种程度上成本更低的产品做出回应。
在许多用例中，传统的机器视觉无法与嵌入式视觉竞争。机器视觉数据不再局限于自身的孤岛，包括机器视觉的全自动系统，有很多传感器和运动部件，让我们可以收集数据，更好地了解系统中设备的运行效率。
2.深度学习的更多应用
机器视觉的深度学习一直处于主要颠覆性技术的前沿。2019年可能是技术趋于成熟，可以更广泛部署的一年。“如果你从事机器视觉行业，你可能已经看到了软件是如何与深度学习算法重叠的，以及它是如何快速产生结果的演示。”Shikany说，“这些系统可以运行数千种排列，在识别和其他应用历史以及机器视觉方面达到100%的准确率。”
深度学习将对传统的图像分析方法产生深远的影响。它不仅会改变我们生产的产品，还会改变我们与客户互动的方式。深度学习将在解决传统机器视觉无法解决的应用中发挥重要作用。例如，当在冻干小瓶中检查疫苗时，结果不时会有很大差异，这在很大程度上取决于它们的干燥方式。采用传统的检查过程是非常具有挑战性的，因为在一个例子中，一个粒子可能看起来非常像一个裂纹，而深度学习有助于区分这种细微的差异。
3.提高非可见光成像的有效性
虽然深度学习可能是从图像中收集信息的最新方法，但它不是唯一的选择。InGaAs短波红外(SWIR)相机和照明的进步提高了隐形成像的效率。在这些波长更高的环境中，您可以实现更多的应用，例如通过航空机翼的复合材料发现内部缺陷。我们现在将大功率SWIR发光二极管引入高速机器视觉应用市场。
机器视觉的挑战
智能传感器、智能相机和可配置的视觉系统在很大程度上消除了对机器视觉系统开发的需求。目前最常见的应用都是通过现成的即插即用技术完成的。近十年来，智能相机的功能越来越强大，照明公司提供的产品范围也越来越广。然而，随着软件越来越强大，价格下降，软件包的互连和标准化仍然存在问题。
不同的公司对同一件事使用不同的术语。即使是以太网等标准化通信，公司之间也有很大的差异，开放软件标准在视觉行业也没有真正的推广。
今天的视觉产品可以满足大多数应用的需求。随着技术的发展和客户的需求，系统集成商必须保持清醒。比如3D成像市场，硬件创新先于软件创新。虽然有很多三维传感器和相机可用，如激光三角测量、伪随机模式发生器的立体传感器等。为了实现快速的系统开发，在开发工具链上有很大的差距。"
例如，许多原始设备制造商目前使用开放标准的3D传感器，从头开始编程应用程序，或者使用“封闭”系统来配置工具，这通常是昂贵的。也许高速机载图像处理需要一个带现场可编程门阵列(FPGA)的三维传感器，这样非FPGA程序员就可以在一个软件包中部署三维图像处理算法。另一个挑战是从人工智能和深度学习中获取信息的能力。最大的挑战是区分炒作和实质。现实是“许多人工智能和深度学习算法有时过于繁琐。”
尽管机器视觉应用受益于深度学习算法，但这些算法不能解决所有问题。与传统编程相比，当人们比较达到99%以上准确率所需的努力时，这一点尤为明显。然而，这项技术肯定有其地位，并将在未来几年继续发挥重要作用。
负责编辑：YYX