大概是從09年或者10年開始，隨著普通用工成本提高、蘋果產(chǎn)品的大賣以及帶來的硬件成本的降低，機器視覺似乎從應用層面上得到了大的發(fā)展。在這一片“繁榮”的景象背后其實還有很多被忽略或者忽視的問題：

1．人才的稀缺。

目前真正意義上的從業(yè)人員缺少科班出身，缺少對圖像處理的底層理論認知和理解。機器視覺中圖像處理是極為重要的一環(huán)，而目前大多數(shù)從業(yè)人員是本科或者大專畢業(yè)，或者是電氣工程師新入行，基本都比較缺乏圖像處理的基本理論，很多理論還停留在對“視覺嘛，就是對比嘛”“視覺嘛，就是二值化”等認知上。

待遇。雖然相對于普通的自動化從業(yè)者而言，機器視覺工程師待遇還是不錯的，但是卻難以吸引到碩士或者博士進行過專門圖像處理學術訓練的人加入，因為隨便加入那個互聯(lián)網(wǎng)大公司做圖像相關工作，待遇都能把自動化從業(yè)的工程師甩出幾條大街。

另外，機器視覺更多的應用是屬于自動化設備這一塊。而自動化屬于比較交叉的學科，涉及到機器視覺，需要了解的東西包括、電氣、運動控制、機械、光學、軟件編程等。這些學科了解一些基本的東西不難，但是研究的比較透徹并能高效率的綜合運用就比較難了。

2．圖像處理的不確定性。

在我的理解機器視覺僅僅算是計算機視覺的一個微小分支，所以機器視覺主要還是指工業(yè)方面的應用。目前的工業(yè)應用主要需求有：測量、外觀檢測、條碼、字符識別、定位。而這幾個方面機器視覺還沒有一個能真正意義上實現(xiàn)批量化檢測的同時保證極高的準確率，極小的誤檢率和杜絕漏檢。這個目標不能實現(xiàn)，降低了機器視覺的應用預期。因為機器視覺設備不能完全解決，還是需要人復查，除非客戶的標準沒有那么高。

另外，幾個應用類型目前存在的問題：

（1）測量。目前無法給出一個明確的測量的精度要求或者指標。比如測量尺寸，使用千分尺、游標卡尺可以給出標準的測量精度是0．001mm或者0．01mm，但是視覺呢？只能給到有參考意義的0．01mm／pixl。多了個／pixl，就多了很大的差別，因為不同的外部光照環(huán)境、產(chǎn)品輪廓或者邊界、不同的軟件算法結果都可能帶來重復測量結果的差異。另外，隨著產(chǎn)品尺寸的擴大，均勻光照、鏡頭畸變、單位像素尺寸大小都大大降低了精度范圍。

（2）外觀檢測。外觀檢測目前是最迫切的需求，也是最難實現(xiàn)并推廣的應用領域。因為產(chǎn)品的外觀缺陷是千差萬別，受到影響的可能性非常大。比如弧面、劃痕的深淺和方向、材料的反光、不同材質表面對不同光的反射不同等等。總而言之就是是受到千差萬別的缺陷類型和無法控制的約束條件限制。因為上了視覺系統(tǒng)，很少人期望只檢測某一種類型。

（3）條碼。目前條碼使用標準條碼槍還是最多的。

（4）字符識別。標準印刷體還比較好實現(xiàn)，如果是一些金屬蝕刻、雕刻等字體的識別比較難。

（5）定位應用的還算是不錯，比較穩(wěn)定可靠。本身應用特點和技術瓶頸限制了行業(yè)發(fā)展。