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。

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

但目前計算機視覺在智能制造工業(yè)檢測領域的實際應用存在諸多瓶頸問題尚未解決，其中3個關鍵的瓶頸問題值得研究討論。

1) 實際智能制造業(yè)環(huán)境復雜、光源簡單，容易造成光照不均勻，難以解決圖像質量受光照影響大的問題。在檢測領域的實際應用中，由于工業(yè)場地環(huán)境變化的不確定性，會使計算機視覺的圖像采集環(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)境變化隨機性大，使得控制光照成為智能制造檢測領域的計算機視覺關鍵瓶頸問題。

2) 實際智能制造業(yè)中獲取萬級以上的平衡樣本數(shù)據(jù)代價較大，難以解決樣本數(shù)據(jù)不是以支持基于深度學習的計算機視覺檢測任務的問題。在所有學習方法中，樣本數(shù)據(jù)是最重要的因素之一。尤其是深度學習，往往需要非常大量的樣本才能達到比較優(yōu)異的檢測效果。在一定數(shù)量級(欠學習)之內，樣本和檢測效果甚至成正比關系。而在智能制造業(yè)，樣本數(shù)據(jù)的采集卻是一大問題。因為企業(yè)追求利益，無法像做研究一樣順利進行樣本數(shù)據(jù)采集，甚至有些產品的總產量都達不到深度學習所需的樣本數(shù)據(jù)規(guī)模。

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