3)深度学习带来的突破
传统的机器学**要依靠人在特征提取中分析和构建逻辑，而深度学习通过多层感知器模拟大脑工作，构建深度神经网络(如卷积神经网络)学习简单特征，构建复杂特征，学习映射和输出，在训练过程中各个层次都会不断优化。在具体应用中，如自动分割ROI区域；标点定位(通过防伪视觉可以灵活检测未知瑕疵)；从强噪声图像中重新检测无法描述或量化的缺陷，如桔皮缺陷；辨别玻璃盖板检验中的真假缺陷。随着越来越多基于深度学习的机器视觉软件上市(包括瑞士的vidi、韩国的SUALAB、香港的ASTRI等)。)，深度学习对机器视觉的赋权会越来越明显。4)三维视觉的发展
三维视觉还处于起步阶段，很多应用都在使用三维曲面重建，包括导航、工业检测、逆向工程、测绘、物体识别、测量分类等。然而，精度问题限制了3D视觉在许多场景中的应用。目前，工程上的个应用是物流中的标准零件体积测量，这在未来有很大的潜力。
三
为了免费取代人工目视检查，机器视觉仍有许多困难需要克服：
1)光源和成像：高质量成像是机器视觉的步。由于不同材质物体表面的反射和折射问题会影响被测物体的特征提取，所以光源和成像可以说是机器视觉检测首先要克服的难点。比如现在的玻璃和反光面的划痕检测等等。问题往往卡在不同缺陷的综合成像上。
2)强噪声低对比度图像中的特征提取：在强噪声环境下，往往很难区分真假缺陷，这也是很多场景总是存在一定误检率的原因。然而，随着成像和边缘特征提取的快速发展，各种突破不断取得。
3)意外缺陷的识别：在应用中，往往会给出一些特定的缺陷模式，利用机器视觉来识别是否发生。但是经常会遇到很多明显的缺陷因为之前没有发生过，或者发生的方式过于多样而被遗漏。如果是人类，虽然没有要求他在操作流程文件中检测到这个缺陷，但他会注意到，从而有更大的机会去把握，机器视觉在这一点上的“智慧”仍然难以突破。
