一场人工智能的风靡自然少不了深度学习，深度学习已然成了网络热词， 而且深度学习技术的应用也正在以极快的速度向各行各业渗透，从工业生产 制造到自动驾驶汽车以及农产品生产加工，一时间，深度学习仿佛无数不能。

来自市场研究机构Research and Markets 公司最近的 一份报告显示，预计2020 年，全球智能制造市场将达到 2147 亿美元，到2025 年将达到3848 亿美元，期间的复 合年增长率将达到12.4%。

“变革的浪潮正涌入我们的街道和城市，”市场研究 公司Yole Développement（Yole）的成像业务总分析师 Pierre Cambou 说道：“移动出行定义了人类长久以来组织 社会的方式，如今我们的世界正围绕着新一代机器人车辆 得以被重塑。两年前，当我们发布这一主题的首份报告时， 它们似乎还无足轻重，而今却即将改变我们所熟知的这个 世界。”

传统上，混合型卷烟中使用的烟 草必须凭借着视觉、物理外观和感官 特征等标准进行手动检测，这个过程 很容易受到人为错误的影响，并且相 关人工成本也比较高昂。为了降低检 测过程中的主观性，并且简化质量分 级过程，美国Altria 公司的科学家在 其烟梗加工设备上，开发了一种高光 谱成像系统，以验证烟草的不同配方 等级

随着深度学习与视觉传感功能的结合，对数据计算处理 的要求骤增。Hailo-8处理器专为深度学习应用而设计， 旨在开启AI计算的新时代。

基于使用单光子雪崩二极管的新一代图像传感器，开发出了 第一台百万像素的光子计数相机。该相机能以前所未有的速 度探测到单光子，将推动需要快速获取3D图像的应用。

当为视觉系统选择相机时，首先需要考虑的决策之一就 是镜头接口。选择适合自身应用的镜头接口，将为后续 应用带来极大便利。

在机器视觉中，分辨率作为衡量镜头和相机的重要参数， 已被大家广为熟知。在实际组合应用中，要有效地匹配镜 头分辨率和相机分辨率，才不会浪费某一方的性能。

不存在适用于机器视觉应用的“万能”平台。选择CPU、 GPU或FPGA，或者是这三者的某种组合，受到许多变量 的影响。

本文介绍了ISRA VISION / GP SOLAR的CELL-Q系统 在太阳能电池质量分类检测以及工业4.0中的应用案例 和解决方案。

在汽车制造中，很多零件需要涂胶进行粘合操作。若 涂胶位置不准确，将导致资源浪费甚至是产品损耗， 在线视觉检测系统为准确涂胶保驾护航。

利用高光谱成像和机器学习技术，能够更好地区分马铃 薯的干物质含量，确保马铃薯被最佳利用，并为消费者 提供正确选择，减少浪费。

开源架构、专业库以及完整的深度学习产品，为机器视 觉应用打开了一扇崭新的大门。