随着工业自动化和智能化的发展及持续推进和变革，机器视觉技术日益成熟，被广泛应用在工业制造领域。机器视觉技术将成为关键的驱动力。与人类视觉相比，机器视觉优势明显，应用于工业机器视觉领域的图像传感器必须要具备“三高”要求，即“高精度”、“高准确度”和“高效率”。

在工业制造过程中，有些产品精密度较高，达到0.01~0.02mm甚至到u级。人类视觉是64灰度级，对微小目标分辨力弱，而机器视觉可显著提高灰度级，可观测微米级的目标，对一些产品质量要求较高的行业领域，可以完成人眼无法看到的待检测物的精准检测。同时由于相机的快门时间可达到微秒级别，也可以分辨人眼无法看清的快速运动目标。

人眼有物理条件的限制，也可能会受到主观及身体精力等因素的影响，准确度无法得到保证。而机器视觉可适应不同场景检测需求，灵活度较高，适应范围广，不受主观控制；通过机器参数设置，可以以更高的准确度对检测物进行检查，并提供基于图像的自动检测和分析，进而根据判别的结果来控制现场的设备动作。在质控中大大提升效果可控性。

总体来说，工业机器视觉是软硬件一体化的集成系统，它的目的是代替人眼对被测物进行观察和判断。从组成上，机器视觉系统硬件设备主要包括光源、镜头、相机等，软件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。系统工作时首先依靠硬件系统将外界图像捕捉并转换成数字信号反馈给计算机，然后依靠软件算法对数字图像信号进行处理。机器视觉可实现外观检测、识别验证、尺寸量测、引导定位等功能。其功能主要分为四大类，从技术实现难度上来说，识别验证、引导定位、尺寸测量、外观检测的难度是递增的，而基于四大基础功能延伸出的多种细分功能，在实现难度上也有差异。

根据元件的不同，图像传感器通常可分为两大类：CCD（电荷耦合器件 Charge-Coupled Device）CMOS（互补性金属氧化物半导体元件 Complementary Metal-Oxide  Semiconductor）无论是CCD还是CMOS，都是用光电二极管来感光，但CCD传感器的像素单元，没有独立的读出端，光照射每个像素产生电荷，并累积。由于CCD只有一个读出端口，因此需要串行的将每个像素的电荷在像素之间进行转移到输出端口。将电荷转换为电压，进行放大和AD转换得到图像。就像是接力，将整列的电荷全部传输给读出端，整列的电荷，全部转换为电压。

而CMOS的传输简单，每个像素都有自己的电荷电压转换器，每个像素，单独完成电荷转换成电压。因此造成了很多独特的优缺点。也就是说CCD的像素信号，是电子包，而COMS的信号，是电压。CCD和CMOS本质上讲，都是光电二极管感光，主要差别主要在周边电路上。

在工业视觉传感器领域，无论是传统的CMOS图像传感器，还是开始被广泛应用的激光雷达，都开始朝着高精度、高速率的方向发展。而高速率这块的技术路线我们基本都已经知晓了，比如CMOS图像传感器追求全局快门，固态和机械激光雷达都开始追求更快的扫描速度。为了实现更高的精度，图像传感器和激光雷达也在不断推出芯片，从设计上寻求创新。

在A、晶圆检测以及太阳能面板光伏检测中，都需要在固定的单位时间内尽可能检测更大面积的线路板，从而提高生产制造的效率。这些要求转换到图像传感器上，就成了更大的分辨率。

显示面板随着8K时代和、Mini等技术的出现，对用于面板检测的图像传感器也提出了更高的精度要求，将像素与像素之间的发光强度和色彩均匀度全部检测出来。过去检测LED面板的1颗像素，对应需要图像传感器上的9颗像素（3x3），而OLED面板则需要16颗（4x4）乃至25颗（5x5）像素，所以像素要求也就越来越高，从过去的3000万像素，提高到现在上亿的像素。

还有的工业相机需要在高速流水线上完成抓拍，快速读取数据传输给，同时也要预留一定的时间给软件去分析和判断，所以要求短曝光和高帧率，这也就是全局快门的图像传感器在工业领域中越来越常见的原因。

同时，不少工业检测已经不再局限在可见光波段，越来越多的工业图像传感器开始专为近（NIR）波段进行优化，比如在成分分析以及运动轨迹的抓拍中，都有这个需求，因此不少传感器厂商都相继推出了加强NIR波段下量子效率的。

从产品本身看，机器视觉会越来越趋于依靠PC技术，并且与数据采集等其他控制和测量的集成会更紧密。且基于嵌入式的产品将逐渐取代板卡式产品，这是一个不断增长的趋势。主要原因是随着计算机技术和微电子技术的迅速发展，嵌入式系统应用领域越来越广泛，尤其是其具备低功耗技术的特点得到人们的重视。另外，嵌入式操作系统绝大部分是以C语言为基础的，因此使用C高级语言进行嵌入式系统开发是一项带有基础性的工作，使用高级语言的优点是可以提高工作效率，缩短开发周期，更主要的是开发出的产品可靠性高、可维护性好、便于不断完善和升级换代等。因此，嵌入式产品将会取代板卡式产品。

机器视觉伴随制造业的转型升级和对品控要求的不断加强，逐步实现核心技术的突破和下游应用场景的拓展。

在国外应用场景层面上，从80年代开始，由汽车、半导体等高端制造业的发展而开始发展；后续快速发展的消费电子 成为机器视觉最为重要的应用场景；各行各业对于生产制造的要求逐步提升也推动机器视觉在各行各业中逐步渗透。技术能力层面上，从早期基于模式匹配的2D逐步向以深度学习和3D视觉检测为代表的新技术发展。

相对于国外，国内应用场景层面与我国制造业发展相匹配，最早应用在食品、印刷包装等场景中应用，后续快速发展的3C电子成为最为重要的应用场景，近年来随我国制造业的转型升级如半导体、汽车以及新兴产业的兴起如新能源逐步渗透更多的应用场景。技术层面上，从早期依赖海外的技术到逐步实现核心技术的自研，目前在部分领域中已经达到全球 领先水平。

从机器视觉行业整体市场竞争来看，CMOS图像传感器行业目前是由国外厂商主导，如索尼、安森美、Teleydne e2v占据行业领先地位，国内传感器公司紧跟市场行情和需求迎头赶上的局面，如豪威，思特威等。

欧美是工业软件的起源地，也是工业软件应用的巨大市场，由于工业软件在需求、知识、应用、数据等方面依赖于工业体系，工业软件巨头很多来自于制造业强国。但作为制造行业中的软实力，在机器视觉行业的发展初期，国内的机器视觉行业的重点在于解决硬件的问题，从而忽略了软件的开发，造成了当前在软件行业的落后局面。由于我国还未全面实现工业自动化进程，相关企业缺乏经验和人才积累，使得我国工业软件市场长期被国外厂商产品所占据。

另外，由于机器视觉是自动化的一部分，没有自动化就不会有机器视觉，机器视觉软硬件产品正逐渐成为协作生产制造过程中不同阶段的核心系统，无论是用户还是硬件供应商都将机器视觉产品作为生产线上信息收集的工具，这就要求机器视觉产品大量采用“标准化技术”，直观的说就是要随着自动化的开放而逐渐开放，可以根据用户的需求进行二次开发。当今，自动化企业正在倡导软硬一体化解决方案，机器视觉的厂商在未来5-6年内也应该不单纯是只提供产品的供应商，而是逐渐向一体化解决方案的系统集成商迈进。

在未来的几年内，随着AI技术的逐渐成熟，对于机器视觉的需求也逐渐增多；工业成像、计算机视觉和深度学习等新技术的更新迭代，基于人工智能技术的工业质检得到了大幅发展。尤其是深度学习技术，因其在处理复杂工业图像时展现出卓越的性能优势，逐渐取代传统技术，在工业质检中占据主导地位，成为主流的解决方案。未来也会大量运用在工业场景中，图像传感器作为机器之眼，更是推动发展的一个元素。如今，AI已用于60％以上的应用程序中，而AI在制造应用程序中的增长已超过50％年复合增长率。用于成像的AI决策已从云过渡到边缘，再迁移到与成像系统本身相邻或并入其中的计算机系统。”

而且图像传感器并不需要参与AI计算的全部过程，训练环节依然可以保留在或者云端，而图像传感器只需要负责一些决策相关的预处理，比如在传感器上集成用于图像识别的卷积层。不过AI运算本身需要大量的图像数据，所以安森美的工作就是在维持采集图像质量稳定的同时，尽可能去减少噪声，并在传感器中集成更多的优化算法方便使用者开发。

在AI质检中，当缺陷模式已知，且有充足的标注数据时，一般采用监督学习（Supervised Learning）方法，这一方法也已在许多视觉任务上取得了较为成熟的发展与应用。

在无监督学习中，模型从未标记的数据中自动学习模式和结构，无需明确的监督信号或人工标签。与监督学习不同，无监督学习仅需要易于获取的正例样本用于模型训练，而不需要使用真实的缺陷样本。它不仅能解决监督学习方法无法发现未知缺陷的问题，而且拥有比传统方法更强的对图像特征的表达能力。

目前，无监督学习方法在工业AI质检中已取得令人振奋的进展。在背景较为简单或固定的产品上，相关方法已达到了较高的性能。虽然在复杂背景的数据上，依然无法达到监督学习方法的精度，但它的优点在于对未知缺陷的检测能力，和无需像素级精确标注。

与各类传统人工方法相比,得益于AI技术在海量图像、数据分析和处理上的优势，AI工业机器视觉方案在执行效率、精度和一致性等方面都更具优势，以缺陷检测为例，其可为制造企业的质量控制流程带来显著优势。

由高清设备与AI工业机器视觉技术构成的图像采集、分析能力，可以为工业产线带来高精度和高效率的作业模式，使产品检测质量获得有效提升,并实现检测质量一致性。

AI工业机器视觉方案可借助5G网络、边缘计算等前沿技术,在现有产线侧进行灵活升级部署,并基于云边协同的架构来解决复杂的工业任务。

事实上，随着设备成本的降低、图像识别精度的提高以及算力算法的突飞猛进，近年来，AI 工业视觉方案在制造企业中获得越来越多的应用与部署。一项市场预测报告显示，从2022年到2030 年全球机器视觉市场的复合年增长率预期将达 7.7%并将最终达到 259.2亿美元的市场规模。

而要想实现AI计算的集成，自然就离不开堆栈这一工艺技术。手机图像传感器由于出货量大且利润率高等原因，常常成为各大CMOS厂商先进技术的试验田，比如堆栈、片上HDR等等，如今工业图像传感器也不例外。但伴随着图像传感器的用途不再是感知这么简单，如今不少处理与计算也要在传感器内部完成，所以才需要用到多层堆叠的堆栈技术。

    世界领先工业半导体厂商安森美（onsemi）提供丰富多样的图像传感器选择，从VGA到4500万像素，满足客户各种机器视觉镜头需求。2023年3月16日，安森美宣布推出一款创新的图像传感器--。该器件的嵌入式高动态范围（eHDRTM）功能和优化的近红外（NIR）响应对于照明条件恶劣的应用至关重要，如安防监控、随身摄像机、门铃摄像头和机器人。

安森美在车载图像传感器行业占据压倒性地位得益于安森美的三次战略收购。通过三次收购安森美在图像传感器方面积累超过2000项的成像专利、多类传感器产品和拥有了完整的产业链。在高像素 CIS 领域，安森美于 2017 年推出首颗 800万像素CIS, 借助在800万像素高阶市场的先发优势，以及产品研发上的创新能力，安森美稳坐CIS头把交椅。

安森美图像传感产品和技术在过去的几年一直发展很迅速从Hyperlux LP系列图像传感器，配置Wake on Motion低功耗技术，其在这个核心领域投入很大的投入。随着机器视觉在汽车、工业监控、AR/VR/XR头戴设备、机器视觉和视频会议等领域的应用越来越广泛，预计到2030年底，相关市场将继续快速增长。安森美的核心制胜主要推动力，一个是智能感知方面的图像传感器技术；在智能感知方面，安森美的图像传感器在全球汽车和工业市场排名全球前列。这方面的优势表现，一是卓越的技术，适用于所有用户场景的技术，包括全局快门、卷帘快门、图像信号处理技术，具备完整的产业生态。

中国一直是安森美的重点市场，将持续顺应中国的大趋势下，发展智能电源和智能感知技术，推动2倍市场增长，持续聚焦汽车应用和工业市场，为客户提供业务和技术支持。与战略客户的联合实验室和长期供应协议，都是发挥安森美价值的举措。

在新基建和中国制造2025的各个领域中，图像处理都发挥着越来越重要的作用，并带来广泛的机遇和挑战。如何实现高性能、高灵活度、深入定制化的图像设计，对产品的系统架构及性能都提出了更高的要求，成为相关企业脱颖而出的关键。在这些领域中。作为行业的领导者，AMD自适应与嵌入式器件凭借其全可编程架构、高性能、低功耗和灵活性等优势，成为各领域智能制造应用的理想解决方案之一。

全球顶级半导体应用厂商Intel也对机器视觉提供完整的解决方案，套件包括视觉处理器、交钥匙模块、摄像头、SDK 和计算机视觉库。在机器人、3D扫描、无人机及测量领域发挥着重要作用，除了数字图像采集和分析之外，机器视觉 (MV) 还搭配使用高速摄像头和计算机来执行复杂的检查任务。您可以将得到的数据用于模式识别、对象排序、机械臂控制等。FPGA 适用于 MV 摄像头，使设计能够适应各种图像传感器以及 MV 特定接口。FPGA 还可在边缘计算平台中用作视觉处理加速器，以利用人工智能深度学习的能力来分析 MV 数据。 MV应用包括：缺陷检测、计量、导航、零件跟踪和识别、光学字符识别和验证 (OCR/OCV)、模式识别及封装、产品、表面和网络检测，得益于AI, AD与计算机视觉在工业制造领域的积极作用，Al工业机器视觉技术正帮助更多制造企业提升产线效率，并在企业加速数字化、智能化转型的过程中发挥重要作用。

针对各类AI方案在运行效率、部署便捷性、可扩展性以及数据安全性等方面遇到的挑战，制造企业仍期望获得更为高效、可在边缘部署、且能将不同算法进行灵活部署与协同的AI工业机器视觉解决方案，来自英特尔的端边云AI机器视觉解决方案可以提供坚实而灵活的平台。

不仅如此，英特尔还在AI工业机器视觉生态的建设上，与ISV、SI、OEM、ODM 等伙伴开展强化合作，以边缘平台为抓手,不断为客户提供持续优化的方案与端到端的技术优势，助力 AI 工业机器视觉方案在更多场景落地，释放边缘数据潜能,让工业制造领域的智能化转型变得更具效率。

在 AI、计算机图像以及工业自动化等创新技术的推动下，更多制造企业正通过不同方式，将 AI工业机器视觉方案运用到缺陷检测、机器人、预测性维护等场景之中,为传统制造产线注入更多智能化元素，从而达到提升产能与质量、降低成本的效果。