智能制造業(yè)中涉及大量檢測環(huán)節(jié)，如缺陷檢測、形變檢測、紋理檢測、尺寸檢測等。

計(jì)算機(jī)視覺技術(shù)作為檢測領(lǐng)域目前最有效的方法之一，必然會在工業(yè)檢測的應(yīng)用中掀起一場革命性的制造模式大轉(zhuǎn)變。它能再一次解放勞動力，大幅度提高制造業(yè)的生產(chǎn)效率，降低生產(chǎn)成本，減少生產(chǎn)環(huán)節(jié)，促使生產(chǎn)線全自動化的形成。

但目前計(jì)算機(jī)視覺在智能制造工業(yè)檢測領(lǐng)域的實(shí)際應(yīng)用存在諸多瓶頸問題尚未解決，其中3個(gè)關(guān)鍵的瓶頸問題值得研究討論。

1) 實(shí)際智能制造業(yè)環(huán)境復(fù)雜、光源簡單，容易造成光照不均勻，難以解決圖像質(zhì)量受光照影響大的問題。在檢測領(lǐng)域的實(shí)際應(yīng)用中，由于工業(yè)場地環(huán)境變化的不確定性，會使計(jì)算機(jī)視覺的圖像采集環(huán)節(jié)受到影響。在工業(yè)檢測中，檢測的通常都是流水線上一致性很高的產(chǎn)品，需要檢測的缺陷通常也是相對微小的，因此對圖像的要求較高。除了保證相機(jī)的各參數(shù)一致以外，還需要控制環(huán)境因素的影響，這是工業(yè)檢測中特有的控制因素之一。由于環(huán)境變化隨機(jī)性大，使得控制光照成為智能制造檢測領(lǐng)域的計(jì)算機(jī)視覺關(guān)鍵瓶頸問題。

2) 實(shí)際智能制造業(yè)中獲取萬級以上的平衡樣本數(shù)據(jù)代價(jià)較大，難以解決樣本數(shù)據(jù)不是以支持基于深度學(xué)習(xí)的計(jì)算機(jī)視覺檢測任務(wù)的問題。在所有學(xué)習(xí)方法中，樣本數(shù)據(jù)是最重要的因素之一。尤其是深度學(xué)習(xí)，往往需要非常大量的樣本才能達(dá)到比較優(yōu)異的檢測效果。在一定數(shù)量級(欠學(xué)習(xí))之內(nèi)，樣本和檢測效果甚至成正比關(guān)系。而在智能制造業(yè)，樣本數(shù)據(jù)的采集卻是一大問題。因?yàn)槠髽I(yè)追求利益，無法像做研究一樣順利進(jìn)行樣本數(shù)據(jù)采集，甚至有些產(chǎn)品的總產(chǎn)量都達(dá)不到深度學(xué)習(xí)所需的樣本數(shù)據(jù)規(guī)模。

3) 智能制造業(yè)中，計(jì)算機(jī)判定難以達(dá)到專業(yè)判定的水準(zhǔn)，如何在算法中加入先驗(yàn)知識以提高演化算法的效果是一大難題。如何有效利用先驗(yàn)知識，降低深度學(xué)習(xí)對大規(guī)模標(biāo)注數(shù)據(jù)的依賴，成為目前業(yè)內(nèi)的主攻方向之一。由于先驗(yàn)知識的形式多變，如何與深度學(xué)習(xí)有效結(jié)合是一大難點(diǎn)。具體到工業(yè)檢測領(lǐng)域，問題更加嚴(yán)峻，在需要解決上述問題的同時(shí)，還需要考慮如下難點(diǎn)：如何將比普通先驗(yàn)知識更復(fù)雜的工業(yè)檢測專業(yè)知識轉(zhuǎn)化為知識圖譜等形式融入算法；如何建立工業(yè)檢測先驗(yàn)知識的規(guī)范化、標(biāo)準(zhǔn)化和統(tǒng)一化；如何通過已有產(chǎn)品的先驗(yàn)知識推測知識庫未收錄的其他類似產(chǎn)品的先驗(yàn)知識。