（1）深度学习技术 深度学习是机器学习的一个分支，指从有限样例中，通过算法总结出一般性 的规律，并可以应用到新的未知数据上。 目前的机器视觉技术主要采用的是传统方式。一般需要首先将数据表示为一 组特征，然后将这些特征进行分析，或输入到预测模型，并输出预测结果。采用 传统方式的机器视觉，在配置了正确的光学成像系统前提下，对结构化场景下定 量检测具有速度、准确性和可重复性上的优势，例如在一条生产线上，可以以每 分钟成千上万的速度快速检查人眼无法观测的极小的物体，并且具有高可靠性和 低错误率。但随着机器视觉在不同行业应用的扩展，尤其是在外观检测的应用中，存在 缺陷类型复杂化、细微化、背景噪声复杂等特点。传统算法处理这类应用时，呈 现通用性低、不易复制、对使用人员要求高等缺点。 人类具有独特的概念化和概括能力，能够通过少量样本结合先验知识、逻辑 推理、多任务处理能力等进行学习，擅长区分细微的外观和功能缺陷，并意识到 可能影响感知质量的外观变化。这使人的视觉成为在复杂、无结构的场景（尤其 是那些具有细微缺陷和不可预测缺陷的场景）下，进行定性判断的最佳选择。 深度学习是将原始的数据特征通过多步的特征转换得到一种更高层次、更抽 象的特征表示，并进一步输入到预测函数得到最终结果。理想状态下，基于深度 学习的机器视觉，可以将机器视觉的效率和鲁棒性与人类视觉的灵活性结合，从 而完成复杂环境下的检测，特别是涉及偏差和事先未能预测缺陷的情形。如此， 机器视觉的应用领域和市场空间将得到极大扩展。（2）3D 视觉技术 使用2D机器视觉技术可以获取二维图像，在三个自由度（x、y和旋转）上定 位被摄目标，并基于灰度或者彩色图像中对比度的特征提供处理分析结果。但2D 机器视觉技术存在无法提供物体高度、平面度、表面角度、体积等三维信息、易 受光照条件变化的影响、对物体运动敏感等局限性。 3D机器视觉技术相对与2D技术提供了更丰富的被摄目标信息，可以在六个 自由度（x、y、z、旋转、俯仰、横摆）上定位被摄目标，还原人眼视角的三维立 体世界。3D机器视觉技术与2D机器视觉技术，两者在不同的使用场景下有各自 的优势，并非完全取代的关系。但3D技术，提供了丰富的三维信息，使机器能够 感知物理环境的变化，并相应地进行调整，从而在应用中提高了灵活性和实用性， 扩大了机器视觉的应用场景。 3D机器视觉技术分为两个部分，即3D重构技术和3D数据分析算法，前者获 取3D信息、重构3D场景，后者对3D场景中的信息进行理解。 目前，3D重构的常用技术类型有：被动3D视觉技术（分为单目3D、双目3D 和多目3D，即分别使用一个、两个和两个以上相机组成立体视觉系统）、激光3D 扫描技术、结构光3D技术、TOF相机技术等。3D重构获得的表征数据，包括点 云、体素、网格图、深度图等，通过3D数据分析算法进行滤波、特征提取、分割、 语义理解，从而实现识别、测量、定位和检测等功能。 （3）高精度成像技术 高精度成像技术是机器视觉行业始终追求的技术发展目标。高精度成像需要 光源、镜头、相机等各部分的精密配合。在光源技术方面，技术的发展方向包括 新的光源类型、更全面的波长覆盖、创新的光源布局等；在镜头和相机方面，提 供更大靶面和更小像元的产品是行业持续的研发方向和目标。 （4）机器视觉互联互通技术 随着智能制造的不断深化和发展，需要将生产控制系统集成到上层的制造管 理系统，并最终接入企业管理系统，实现信息从生产现场到管理层的贯通，提高 智能制造装备效率和性能。机器视觉作为智能制造装备的“眼睛”和“大脑”， 是获取信息的重要手段。行业内的企业、行业协会、产业联盟在机器视觉互联互 通方面，正在不断合作和投入，制定数据接口、通讯协议等基础共性标准。如AIA 制定了GigE Vision、USB3 Vision相机标准通信协议；EMVA制定了GenICam相机 标准协议；VDMA、中国视觉产业联盟等视觉行业的行业组织，正联合OPC组织， 制定OPC-Vision协议，旨在打通视觉与各信息系统的信息通道，实现系统间的互 联互通。