云端深度学习

5G数据网络的到来为自动驾驶汽车提供了执行基于云计算的机器视觉计算的能力。海量机器类型通信(mMTC)允许在云中处理大量数据，用于机器视觉应用程序。使用卷积神经网络分类器的深度学习算法可以快速进行图像分类、目标检测和分割。未来一年，这些新的人工智能和深度学习系统的开发将会增加。

热成像工业检测

热成像相机传统上用于国防、安全和公共安全，热成像技术广泛应用于探测。对于许多工业应用，例如汽车或电子工业的零部件生产，热数据是至关重要的。虽然机器视觉可以看到生产问题，但它不能检测热异常。热成像与机器视觉相结合是一个不断发展的领域，这使得制造商能够发现肉眼或标准相机系统无法看到的问题。热成像技术提供非接触式精密温度测量和无损检测，这是机器视觉和自动化控制领域的发展方向。

机器人

根据国际机器人联合会(International Federation of Robotics)的数据，2018年是机器人销量创纪录的一年，工业机器人销量增长了31%。人类协作机器人、简化使用和过程学习等趋势，帮助推动了机器人在工业自动化领域的使用。在未来，工业机器人将更容易和更快地使用直观的界面编程。人机协同将支持小批量、高复杂性的柔性生产。使用复杂性的降低使得机器人和视觉系统在中长期内得到广泛使用。

高光谱成像

下一代模块化高光谱成像系统提供了工业环境中的化学材料性能分析。化学色彩成像通过不同颜色的结果图像可视化材料的分子结构。这使得化学成分可以在标准的机器视觉软件中进行分析。典型应用包括肉类生产中的塑料检测、不同可回收材料的检测和泡丸检验质量控制。这类系统的主要障碍是处理所需的数据量和速度，但更快的处理、更好的算法和相机校准的发展，仍使其成为2019年的热门话题。

3D成像和Bin Picking

工业自动化正在推动工厂变得更加智能，并可以取代人工减少劳动力。机器视觉用于质量控制检查已经得到了广泛的应用，但是随着3D传感器和机械手拾取集成解决方案的出现，新的市场正在开拓。不管零件的位置和方向如何，机器人拾取系统都可以随机抓取物体。3D视觉系统可以大量识别随机放置的部件，如手提箱和零件盒。由于机器人的动态处理，可以在不同方向和堆栈中选择复杂的对象。将人工智能（AI）与拾取操作相结合可以实现零件自自主选择，提高生产率和循环时间，减少过程中人机交互的需要。

---