据ABI Research预计，到2025年，工业制造业中机器视觉系统的安装基数将接近1亿。

机器视觉系统是条形码读取、质量控制和库存管理等生产线的主要设备。而且，随着工业物联网（IIoT）的不断扩展，这些系统已经成为至关重要的数据采集设备。

通常这些解决方案的更换周期通常较长，不易中断。随着对自动化的需求不断增加，机器视觉正逐渐进入新的应用领域。例如，机器人学是机器视觉的一个新的增长领域：协作机器人依靠机器视觉进行导航和目标分类，而移动机器人则依靠机器视觉规避碰撞实现安全运行。

机器视觉是一项成熟的技术，在行业中已经一定的地位。然而，芯片组、软件和标准方面的重大进步正在将深度学习创新带入机器视觉领域。根据ABI Researchz近的分析，到2025年，机器视觉传感器和相机的总出货量将达到1690万台，在工业制造业创造9400万台机器视觉系统的安装基数，其中11%将是基于深度学习的。

与传统机器视觉技术不同的是，基于深度学习的机器视觉是数据驱动的，它利用了一种统计方法，当收集更多的数据用于训练和测试时，机器视觉模型可以得到改进。主要机器视觉供应商已经意识到基于深度学习的机器学习的潜力。例如，Cognex收购了SUALAB，这是一家的基于韩国的视觉软件开发公司，该公司将深度学习用于工业应用；Zebra Technologies收购了Cortexica vision Systems Ltd，这是一家总部位于伦敦、以企业对企业（B2B）人工智能为基础的计算机视觉解决方案开发公司。

同时，芯片组供应商正在推出新的芯片组和软件堆栈，以促进基于深度学习的机器视觉的实现。Xilinx是一家现场可编程门控阵列（FPGA）供应商，它与相机传感器制造商索尼（Sony）以及Framos和IDS Imaging等相机供应商密切合作，将其通用的ACAP片上系统（SoC）整合在一起。另一方面，英特尔为开发人员提供OpenVINO，让他们通过一个通用的API来部署预先训练好的基于深度学习的机器视觉模型，从而在各种计算架构上提供推理解决方案。另一家FPGA供应商莱迪思半导体（Lattice Semiconductor）通过其senseAI堆栈专注于低功耗人工智能（AI）嵌入式视觉，该堆栈提供硬件加速器、软件工具和参考设计。这些技术栈旨在缓解开发和部署挑战，并创建平台黏性。

现在的制造商需要知道，他们可以利用人工智能来增强他们当前的工作流程。基于深度学习的机器视觉在某些方面优于传统的机器视觉，例如复杂对象分类、装配验证、变形和可变特征定位以及OCR。深度学习算法可以发现意外的产品异常或缺陷，为制造商提供灵活性和有价值的见解，从而提高成本效率和生产效率。以深度学习为基础的机器视觉解决方案提供商起步的初创企业也开始在其平台上实现大数据处理、流程优化和收益分析。”

在标准方面，供应商正在将10GigE（千兆以太网）和25GigE摄像头引入工业应用。视频采集和压缩技术的不断升级也为基于深度学习的机器视觉模型带来了更好的图像和视频质量。这就保证了机器视觉系统的未来性。因此，在选择机器视觉系统时，z终实现者需要了解他们的机器视觉需求，考虑与其后端系统的集成，并确定合适的生态系统合作伙伴。随着机器视觉技术的不断发展和改进，部署灵活性、未来的可升级性和可扩展性将至关重要。

在采用基于深度学习的机器视觉方面，工业机器视觉厂商显然速度较慢。与消费者和汽车行业相比，工业机器视觉供应商相对落后。然而，消费者和汽车行业的大规模采用大大降低了采用的门槛，使工业机器视觉供应商能够相对轻松地建立自己的能力并调整技术以满足工业要求。