随着全球制造业格局的不断调整，传统制造业与新一代技术深度融合。机器视觉技术助力制造产业不断升级、转型，一定程度上推动着智能制造的发展。

一、机器视觉的基本功能及主要应用行业

首先工业机器视觉可以实现以下四种基本功能，即识别、测量、定位和检测：

A.识别。主要完成甄别目标物体的物理特征，包括外形、颜色、字符、条码等表面特征。衡量识别精度的主要指标是准确度和速识度。主要应用于物料、工序与工位等的溯源，方法是读取零部件上的字母、数字、字符（如条形码、二维码等）；

B.测量。是通过以获取的图像像素信息标定为度量单位，精确计算出目标物体的几何尺寸，主要应用于高精度及复杂形态测量；

C.定位。是指获取目标物体的空间位置信息，有二维或三维信息之别，主要是完成辅助操作，常用于元件对立，辅助机器人完成装配、拾取等；

D.检测。是对目标物体的表面状态进行检测，从而判断产品是否存在质量缺陷，如零部件外观缺陷、污染物附着、功能性瑕疵等。

其次工业机器视觉主要应用在以下几个行业：

A.消费电子行业。该行业的应用主要体现在主板、零部件组装、整机组装这三大生产环节。随随着消费电子产品越来越精密化，在元器件尺寸越来越小的同时，质量标准也在同步提高。因此，对于工业机器视觉的需求不断放大。以5G智能手机为例，产品升级与技术升级，相应地需要机器视觉工具进行升级。在主板和零部件组装上，仍以2D视觉为主，3D视觉为辅。在整机组装上，仍以人力为主。机器视觉主要做外观检测，最多的是做玻璃检测。在缺陷检测上，是机器视觉应用最广的地方。其高精度、高速度的检测能力，可很好完成对划痕、破损、斑点、色差等的检测。

B.半导体行业。半导体行业是工业机器视觉应用最早，且较为成熟的领域，这也和半导体行业迭代升级快速有关，其高端是市场基本被海外厂商占据。从另一方面说，这也和半导体精度非常高，人工检测已不能发挥应有作用有关。如半导体的外观缺陷、尺寸、数量、平整度、距离、定位、校准、焊点质量、弯曲度等检测，尤其芯片制作中的检测、定位、切割和封装都需要工业机器视觉来主导。以切割为例，要求定位迅速准确。如果定位出错，整个芯片就会报废。整个切割过程也需要机器视觉系统进行全程定位引导。切割完成后则由机器视觉识别出非缺陷产品进入贴片流程。

C.汽车行业。如今的汽车行业已经实现高度自动化，工业机器视觉发挥着生产高效、质量保障、安全可靠的巨大作用。机器视觉已经贯穿整个汽车制造过程，包括从初始原料质检到汽车零部件100%在线测量，再对焊接、涂胶、冲孔等工艺过程进行把控，最后对车身总成、整车质量进行把关。另外，视觉引导技术则引导机器人进行最佳匹配安装、精确制孔、焊缝引导及跟踪、喷涂引导、风挡玻璃装载引导等。这是汽车行业的主要应用领域，也是目前国内公司创新的主要领域。随着新能源和智能汽车的电子零部件占比提升，工业机器视觉的作用越来越重要。

二、机器视觉发展趋势

数据显示，2018年工业机器视觉技术市场规模已达44.4亿美元，预计2023年将达122.9亿美元，年复合增长率高达21%。目前，机器视觉正由传统工业视觉向深度学习工业视觉转变，未来工业机器视觉的应用领域越来越宽广。基于此，可将工业机器视觉看做AI的重要分支。未来的工业机器视觉与AI相结合，解决图像视频场景多样、物体种类繁多，以及非受控条件下，目标物受光照、姿态、遮挡等多变量影响等问题，要独立面对数据量巨大、特征复杂、部分应用需实时自主处理等深度场景。

从现状来看，仍然存在以下制约因素：一是端侧算力成本越来越高；二是单点系统维护成本过高；三是数据孤岛；四是通用性、智能性欠佳等等。

三、机器视觉人才培养存在的问题

通过调查分析，当前机器视觉人才培养主要有一下几个问题:

A.机器视觉作为一门交叉学科，学生仅仅掌握本课程相关知识，对机器视觉系统的整体理解不够；

B.课程教学与实际应用分离，课堂所学的知识仅停留在理论层面，这一方面会造成对理论知识的不理解，不消化，另一方面不能有效解决实际问题；

C.课堂教学相对过时，课堂所传授的相关算法是最为基础的，但随着神经网络、深度学习等的快速发展，机器视觉向更智能化、多维化、柔性化的方向发展，因此也要求培养学生具有一定的人工智能思维，并与机器视觉技术相结合。

基于以上存在的三个问题，学校不断鼓励学生参与技能实习和工作岗位，才能促使学生加深对课堂知识的理解和对专业技能的掌握。