机器视觉发展到现在已经有10-20年的历史了，但是在最初很少使用。随着近年来相机、光源等硬件成本的不断降低和计算机处理能力的提高，人工智能技术逐渐越来越广泛地进入工业领域。

　　软件和智能技术的发展使得机器视觉的应用明显增加。在电子制造设备行业，机器视觉几乎已经成为标准，但在具体应用中，传统的机器视觉算法经常被使用，而加入AI的机器视觉算法仍然很少被使用，因此机器视觉人工智能领域仍有非常大的市场空间。

　　利用人工智能机器视觉进行机器识别有着明显的优势，最直接的体现就是可以大大增加制造的灵活性。

　　柔性制造往往表明，机器人等工业设备可以对不同的位置、光线和复杂的环境表现出更好的适应性。比如对于物体的颜色检测，如果用传统的机器视觉，对不同颜色的细微识别其实并不高。如果某一种颜色如浓淡、偏色等有细微差别，传统的机器识别容易出错，而人工智能机器视觉的方法可以更准确地提高检测率和准确率。利用AI的机器视觉进行检测，也可以方便人机交互，提高检测的便捷性。过去，为了准确检测点、线、面的指定位置，人们往往需要点击鼠标，告诉视觉该检测哪个圆、哪条线。但现在，随着AI的加入，当电路板放在生产线上时，可以通过强化学习的方式自动识别出原始问题的各个方面，从而完成智能视觉标定、智能尺寸测量和实时位置判断，大大提高了人机交互的效率和智能性。目前，德国和日本在传统机器算法、视觉算法和人工智能算法相结合的基础上，在电路板纹理缺陷和手机摄像头模组表面缺陷检测方面实现了产业化应用，主要用于金属损伤和尺寸偏差的检测。如果未来能够采用深度学习的方法，机器视觉人工智能的检测率将会进一步提高。

　　然而，准确性一直是制约人工智能应用发展的瓶颈。目前大部分人工智能算法的准确率往往达不到很高的精度，错误率在15%左右，这意味着在落地工业时，还需要经过一些人的复检，产业化成本较高。如果未来准确率能达到95%以上，人工智能视觉的工业应用将不再是问题。