随着技术的进步和智能工厂的发展，过去十年中机器视觉设备发生了翻天覆地的变化。亚太地区将继续成为全球最大的市场，到2022年将占收入的38.4％。在技术、灵活性、效率和准确性方面表现出高度创新的机器视觉供应商，将在不断发展的市场中取得最大的成功。
虽然全球经济的不确定性将对机器视觉行业产生影响，但行业协会和专家普遍认为不会造成严重损害。伴随着深度学习软件，嵌入式视觉等硬件平台有望蓬勃发展。工厂层面上的传统应用也将保持强劲增长。
1.嵌入式视觉将继续增长
得益于在越来越多的行业应用中获得支持，嵌入式视觉将在2019年持续高速增长，例如自动驾驶、生命科学、消费电子、边境监视和农业等。处理能力大幅增强，内存变得非常便宜，用户可以选择一个非常小的摄像头，并利用来自不同来源的云端数据。当您将这些因素与机器学习结合到一个单独的软件包中时，您就有了嵌入的视觉。
客户希望系统集成商为其开发整个嵌入式视觉系统。嵌入式视觉将智能相机带向其初衷，即在一个非常小的外壳内，尽可能靠近图像传感器，进行图像处理视频分析。为了应对嵌入式视觉市场，开发了从相机设计到FPGA编程的专业知识，以便在低成本、低功耗的平台中快速提供特定于应用程序的解决方案，该平台可以集成人工智能和深度学习功能。
设计一个对客户有吸引力的系统是嵌入式视觉的最大挑战。通过低成本、低功耗设备，能够将客户在机器视觉领域中的所有功能放到非常小的外形尺寸中，这是一项任务艰巨的研发挑战。AIA副总裁Alex Shikany说，向消费者介绍完全不同的硬件解决方案并不件容易的事情，但最终的希望是，客户将以某种方式对更用户友好、更小、最终成本更低的产品做出响应。
在许多使用案例中，传统机器视觉都无法与嵌入式视觉竞争。机器视觉数据不再局限于自己的孤岛中，包括机器视觉的全自动系统有许多传感器和运动组件，使我们能够收集数据，以便更好地了解系统内设备的运行效率。
2.深度学习的更多应用
机器视觉的深度学习一直处于主要颠覆性技术的前沿。2019年可能会是该技术趋于成熟的一年，可以进行更广泛的部署。“如果你投身于机器视觉行业，你可能已经看到了软件如何与深度学习算法叠加，以及它如何能够快速地产生结果的演示。”Shikany说，“这些系统可以运行成千上万的排列，并且在识别和其他应用程序历史与机器视觉方面达到100％的准确性。”
深度学习将对传统的图像分析方法产生深远的影响。它不仅会改变我们生产的产品，还会改变我们与客户互动的方式。深度学习将在解决传统机器视觉无法解决的应用方面发挥重要作用。例如，在冷冻干燥的小瓶中检查疫苗，每次结果都有很大差异，这很大程度上取决于它们的干燥方式。进采用传统检查过程非常具有挑战性，因为在一个实例中可能是一个粒子看起来非常类似于裂缝，而深度学习则有助于区分这种细微差异。
3. 提升非可见光成像的有效性
虽然深度学习可能是从图像中收集信息的最新方式，但它并不是唯一的选择。 InGaAs短波红外（SWIR）相机和照明的进步提高了非可见成像的有效性。 在这些更高波长的环境中，你可以实现更多应用，比如透过一块航空公司机翼的复合材料来查找其内部缺陷。我们现在正在把高功率的SWIR LED引入市场，用于高速机器视觉应用。
机器视觉的挑战
智能传感器、智能摄像头和可配置视觉系统在很大程度上消除了对机器视觉系统开发的需求，目前最常见的应用程序是通过现成的即插即用技术完成的。过去十年来，智能相机的功能越来越强大，照明公司提供的产品范围也越来越广。然而，随着软件变得越来越强大，价格不断下降，软件包的互连和标准化仍存在问题。
不同的公司对相同的事情使用不同的术语。即使是像以太网这样的标准化通信，在公司之间也存在巨大的差异，而且在视觉行业也没有真正推动开放的软件标准。
今天的视觉产品可以满足大多数应用程序的需求，随着技术和客户需求的发展，系统集成商必须保持清醒。例如，在3D成像市场，硬件创新先于软件创新。尽管有许多3D传感器和摄像头可用，例如激光三角测量、伪随机图形发生器的立体传感器等，但要想实现快速的系统开发，在开发工具链中存在很大的空白。”
例如，很多OEM厂商目前使用开放式标准3D传感器，从头开始编程应用程序，或使用“封闭式”系统来进行工具的配置，这些工具通常成本高昂。也许需要一个具有现场可编程门阵列（FPGA）的3D传感器，用于高速机载图像处理，使非FPGA程序员能够在一个软件包中部署3D图像处理算法。另一个挑战是从人工智能和深度学习中获取信息的能力。最大的挑战是将炒作与实质区分开来。而现实是，“很多人工智能和深度学习算法有时过于繁琐。”
虽然机器视觉应用程序受益于深度学习算法，但这些算法无法解决所有问题。与传统编程相比，当人们比较试图达到99%以上的精度所需的努力时，这一点尤其明显。尽管如此，这项技术肯定有它的地位，并将在未来几年继续发挥重要作用。