嵌入式系统技术是以计算机技术为基础，适应应用系统对功能、可靠性、成本、体积、功耗等要求严格的专用计算机系统。嵌入式系统由硬件和软件组成，软件内容包括软件运行环境及其操作系统，硬件内容包括嵌入式处理器、存储器、通信模块等。

嵌入式系统技术在机器视觉中的应用不断拓展，形成以智能相机为代表的智能化机器视觉设备。相比于基于上位机的视觉技术，嵌入式系统技术将用于实现图像处理和深度学习算法的 AI 模块集成至工业相机，实现边缘智能，能够同时胜任图像采集与数据处理工作。

②逐步将上位机的图像处理能力移至图像采集卡或图像处理板卡

随着技术的发展，工业生产过程中的高精度化、高自动化对机器视觉检测系统的信息数据的存储和传输都提出了更高的要求，传输过程中的大容量数据、高分辨率图像给上位机的算法处理带来了严峻的考验。

采集卡主要作用为将相机输出的图像信号采集到图像处理和存储设备中。图像处理板卡主要作用为利用其硬件完成对图像的各种复杂处理，应用在数据量大或实时性高的应用场合。为解决大容量数据的处理问题，以德国 Basler 为代表的采集卡厂商，推出带预处理功能的数字图像采集卡，该卡利用 FPGA+软件平台，预先完成一部分图像处理工作，简化了上位机的算法处理压力。发行人采用将图像信息在经过嵌入式 FPGA 图像处理板卡上进行解码、目标识别、特征提取后，将信息结果直接传输给上位机，上位机只需做缺陷信息的显示和人机交互。

随着 FPGA 技术和并行处理技术等多种底层技术的发展，图像采集卡的预处理能力和图像处理板卡处理能力未来将日益强化，大数据量复杂运算的实时处理都变为可能，上位机将成为简单的信息交互界面。

③深度学习技术逐步融入机器视觉系统

作为神经网络的高阶发展产物，深度学习通过大脑仿生使得计算机从经验中学习知识，根据层次化概念体系理解环境，进而去拟人化地解决难以形式化描述的任务。深度学习的常用模型主要包括循环神经网络、卷积神经网络和稀疏编码等，主要应用于图像处理、数据分析、语音识别等领域。

基于深度学习的缺陷视觉检测，借助特征可视化手段对深度学习模型提取到的特征进行可视化分析来检测产品瑕疵，提升分级模型训练的准确度，实现产品缺陷的高效准确分级，解决工业生产过程中外观检测的痛点和难点。

相比于传统检测手段，基于深度学习的视觉检测在产品缺陷检测中应用具有更高效及自动的提取特征能力、突出的抽象和表达能力。然而，复杂的工业生产环境、多种多样的生产工艺等因素，造成外观缺陷种类和特征各不相同。