首先，機器視覺和計算機視覺是兩個不同的概念，機器視覺側重工程的應用，強調實時性、高精度和高速度；而計算機視覺cv側重理論演算法的研究，強調理論，由於理論的研究發展速度往往快於實踐應用，因此計算機視覺的很多技術目前還難以應用到機器視覺上，二者有交集有融合，但在具體應用方面還是有些許不同。

回到機器視覺檢測的案例上來說，在工業應用領域，通常需要對待檢測物料的檢測精度、檢測速度、檢測場景的複雜性等有諸多要求。

一套機器視覺的檢測系統通常需要包括影象採集系統，進料系統，檢測系統，控制系統，分揀系統、光源等幾大類：

影象採集系統一般指包含CCD、CMOS等工業相機的影象採集硬體、驅動軟體以及採集後的影象進行儲存、傳輸給上位機的軟體系統。

進料系統主要是將待檢測的物料供給給影象採集系統的一個傳輸裝置，通常需要和下位機的控制程式進行對接，以合適的速率供給到影象採集系統。

檢測系統在合適的光源配合下，通常在一個密閉的裝置內（以減少環境光的干擾），以傳統的影象檢測演算法（一般包括測量、檢測、識別、定位等）對物料進行測量計算。近些年來，隨著人工智慧、機器學習和深度學習的不斷髮展，可以構建深度神經網路(如卷積神經網路等)來學習簡單特徵、建立複雜特徵、學習對映並輸出，訓練過程中所有層級都會被不斷最佳化。在具體的應用上，例如自動ROI區域分割；標點定位，透過YOLO、SSD等定位方法，可以快速定位目標物件，大大提升檢測系統的魯棒性。

控制系統則負責整個系統的銜接，是整個機器視覺系統的傳輸控制中樞紐帶。拿檢測物料瑕疵為例，經過了檢測系統的檢測判定，控制系統會根據判定結果傳送對應的指令給分揀系統。

分揀系統會根據控制系統的指令，驅動電機控制相關觸動裝置（如機械臂）去分揀物料。

這樣整個視覺系統從進料到分揀系統出料，就形成了整套流程的一次處理。

根據早些年從業經驗，業界藉助於NI公司的Machine Vision Builder，Machine vision assistant可以很好的構建整個機器視覺檢測系統，串聯整個pipeline，大大減少人工檢測/分揀的成本，近年來隨著人工智慧深度學習技術的發展，可大大提升檢測質量和檢測效能效率。

未來機器視覺系統的發展和進化，一方面是從硬體產品更新迭代，另一方面從軟體技術、演算法發展協同進步才能獲得巨大提升空間。