機器視覺發展方向
機器視覺必然朝著以下幾個方向發展：
1)高效能、低功耗、低成本的處理器:基於ARM的soc、DSP、FPGA，協處理器GPU等。
2)深度學習：通過學習和訓練實現演演算法，機器視覺的一次革命
3)硬體和軟體的模組化：攝像頭模組可以直接與嵌入式處理板連線，支援嵌入式平臺上影象處理庫。
對智慧製造的發展程序，提出了《OPC UA》規範，該規範是一套安全、可靠且獨立於製造商和平臺的、用於工業通訊的資料互動規範，使得不同作業系統和不同製造商的裝置之間可以進行資料互動。
「端到端」機器機器學習演演算法，指明瞭相較於傳統的機器視覺需要比較高的入門門檻，視覺檢測行業的從業人員需具備較為專業的理論知識，而基於深度學習的視覺檢測能夠將該門檻降低，非視覺學科專業的從業人員只需準備足夠的高品質樣本，運用深度學習工具即可將視覺檢測運用於實際的專案中。
深度的優勢
深度學習最大的優勢在於：
1）通過訓練樣本自動生成檢測模型
2）降低行業知識經驗的門檻，可以快速獲得較高的檢測效能
3）無需針對特定專案客製化檢測演演算法，大幅度減少開發時間
從應用便利性、檢測效能、檢測效率三個方面說明的深度學習的挑戰或者說侷限性：
1）應用便利性
檢測的效果和準確性取決於樣本的品質，並且樣本的數量級非常大
傳統視覺檢測操作時間短，並且可以即時反饋檢測效果
深度學習演演算法在訓練以及執行時，無法即時獲取報錯異常，難以追蹤問題點，只能通過不斷地調整樣本或者演演算法整體
2）檢測效能
基於深度學習的視覺檢測，