在目前的制造业环境中，机器视觉可谓是其中重中之重，但是行业的高速发展，出现一些制约视觉技术突破的技术瓶颈，目前我们遇到的瓶颈可以分成以下三个方面：计算能力不足，认知理论不够，及准确识别与模糊特征之间的矛盾。

      我们可以看到的是，机器视觉目前研究对象主要是图像，当然了也有视频的部分，这里不做赘述，图片具有信息量大，信息冗余，特征空间维度高等特点，而且检测目标也具有多样性，单一的算法很难满足项目通用性需求，如计算颜色，方向等等，我们在搭建所需通用算法时，必然会带来巨大计算量，这将为项目成本带来巨大的提升。

      让设备认识世界，虽然这是我们最初的设想，但是目前依然没有得到完整的解决方案，而人工智能的发展也带来了符号学派、行为主义学派和连接主义学派等体系，依然未找到合适的答案，目前的想法时，我们可以从模拟人脑信息功能处理上手，制作一个智能的机器视觉检测系统，但是神经学的制约我们只能模拟大脑的一分部分！

      最后便是我们头疼的准确性，以我们耳熟能详的人脸识别来说，虽然好的算法层出不穷，但是现实中识别的精度依然差强人意，当然了这个问题出现也并非偶然，因为检测东西越复杂，信息量越大，就越可能带来不确定性，我们之所以现在能识别人脸，其实也是有一定缺陷的，机器视觉一方面需要从庞大的信息流进行学习，另一方面却要克服庞大信息流带来的准确性不足！