中國機器視覺起步于80年代的技術引進，隨著910年半導體工廠的整線引進，也帶入機器視覺體系，06年往常國產機器視覺產品首要集中在外資制造企業，規模都較小，06年開始，工業機器視覺應用的用戶群開始擴大到印刷、食品等檢查領域，2011年市場開始高速增長，隨著人工成本的增加和制造業的升級需求，加上計算機視覺技術的快速進展，越來越多機器視覺方案滲透到各領域，到2016年我國機器視覺市場規模已達近70億元。
機器視覺中，缺陷檢查作用，是機器視覺應用得最多的作用之一，首要檢查產品表面的不同信息內容。在現代工業自動化成產中，連續批量成產中每顆制程都有所次品率，獨自看盡管比率很小，但相乘后卻成為企業難以提升良率的瓶頸，同時在通過完整制程后再剔除次品成本會高眾多（例如，要是錫膏印刷工序存在定位偏差，且該咨詢題直到芯片貼裝后的在線測試才被發覺，所以返修的成本將會是原成本的100倍之上），因而即時檢查及次品剔除對質量操控和成本操控是特別重要的，也是制造業進一步升級的重要基石。
1、在檢查行業，與人類視覺相比，機器視覺優勢比較明顯
1）精確度高：
人類視覺是64灰度級，且對微小目標分辨力弱；機器視覺可顯著提升灰度級，同時可觀測微米級的目標；
2）速度快：人類是沒法看清快速運動的目標的，機器快門時刻則可達微秒級不；
3）平穩性高：機器視覺解決了人類一顆特別嚴重的咨詢題，不平穩，人工目檢是勞動特別枯燥和辛苦的行業，不管你設計怎么樣的獎懲制度，都會出現較為高的漏檢率。但是機器視覺檢查裝備則沒有疲勞咨詢題，沒有情緒波動，只假如你在算法中寫好的東西，每一次都會認真執行。在質控中大大提高效果可控性。
4）信息內容的集成與留存：機器視覺獲得的信息內容量是全面且可追溯的，相關信息內容可以很便利的集成和留存。
2、機器視覺技術近年進展迅速
1）圖象采集技術進展迅猛
CCD、CMOS等固件越來越成熟，圖象敏感器件外形尺寸不斷縮小，像元數量和數據率不斷提升，分辨率和幀率的提高速度可以講日新月異，產品系列也越來越多樣化，在增益、快門和信噪比等參數上不斷優化，通過關鍵測試指標（MTF、畸變、信噪比、燈源亮度、勻稱性、色溫、體系成像能力綜合評估等）來對燈源、鏡頭和照相機展開綜合選用，使得眾多往常成像上的難點咨詢題得以不斷突破。
2）圖象處理和方式識不進展迅速
圖象處理上，隨著圖象高周密度的邊緣信息內容的提取，眾多原本混合在背景噪聲中難以直截了當檢查的低對比度瑕疵開始得到分辨。
方式識不上，本身可以看作一顆標記過程，在一定量度或觀測的基礎上，把待識方式劃分到各自的方式中去。圖象識不中運用得較多的首要是決策理論和構造方法。決策理論方法的基礎是決策函數，利用它對方式向量展開分類識不，是以定時描述（如統計紋理）為基礎的；構造方法的關鍵是將物體分解成了方式或方式基元，而不一樣的物體構造有不一樣的基元串（或稱字符串），通過對未知物體利用給定的方式基元求出編碼邊界，得到字符串，再依據字符串推斷它的屬類。在特征生成上，眾多新算法不斷呈現，包括基于小波、小波包、分形的特征，及其獨二重量分析；還有關子支持向量機，變形模板匹配，線性及其非線性分類器的設計等都在不斷延展。
3）深度學習帶來的突破
傳統的機器學習在特征提取上首要依靠人來分析和建立邏輯，而深度學習則通過多層感知機模擬大腦工作，構建深度神經網絡（如卷積神經網絡等）來學習簡易特征、建立復雜特征、學習折射并輸出，訓練過程中全部層級都會被不斷優化。在具體的應用上，例如自動ROI區域分割；標點定位（通過防真視覺可靈活檢查未知瑕疵）；從重噪聲圖象重檢查沒法描述或量化的瑕疵如橘皮瑕疵；分辨玻璃蓋板檢查中的真假瑕疵等。隨著越來越多的基于深度學習的機器視覺軟件推向市場，深度學習給機器視覺的賦能會越來越比較明顯。
4）3d視覺的進展
3D視覺還處于起步時期，眾多應用程序都在安裝3D表面重構，包括導航、工業檢查、逆向工程、測繪、物體識不、測量與分級等，但周密度咨詢題限制了3D視覺在眾多場景的應用，目前工程上最先鋪開的應用是物流里的標準件體積測量，相信未來這塊潛力巨大。
