机器视觉产业链可以分为底层开发商（核心零部件和软件提供商）、集成和软件服务商（二次开发），核心零部件及软件又可以再细分为光源、镜头、工业相机📷️、图像采集卡、图像处理软件等。在目前的整个机器视觉系统成本构成中，零部件及软件开发占据了80%的比例，是产业链中绝对的核心环节和价值获取者。
从技术壁垒来看，1）软件是主要壁垒，底层算法库是核心。目前是外资企业垄断，做得好例如康耐视以及MVTec，主要是靠国外几十年的自动化进程培养起来的；国内自动化进程时间不长，软件算法还多处于研发阶段，应用做得好的不多，2）应用层面的技术也非常关键，主要是要掌握不同应用环境的Know-How，做出适应性的产品。
机器视觉系统中的光学元件
1.光源
光源是国产化最充分环节。光源的好坏在于对比度、亮度和对位置变化的敏感程度，机器视觉行业主要采用LED 光源产品。目前没有通用的机器视觉照明设备，针对每个特定的应用实例有个性化的方案，以达到最佳效果 。目前光源行业国产化程度高，竞争比较激烈。
国外的光源厂商主要就是日本CCS和美国Ai等了，可能CCS的市场宣传和推广做的更好一些。国内的厂商在整个领域进入较早，技术难度加上性价比，相对其他部件的国内厂商市场影响力更大一些。
2.镜头
机器视觉光学系统中镜头的作用是将目标聚集在图象传感器的光敏面上，镜头质量的好坏直接影响到机器视觉的整体性能，合理选择光学镜头是机器视觉系统设计的一个重要环节。
机器视觉镜头是机器视觉领域的眼睛，从检测的物品开始，就一直扮演眼睛的角色，反馈检测情况给工业相机📷️，工业镜头是高性能分辨率的镜头，采用超低失真设计技术，减低了畸变率，能够更加真实的反映图像效果。因为失真技术可以有效的减低透镜的反光损失，减少眩光，增大反差，有效改善色彩还原性，提高图像的清晰度。
机器视觉镜头根据检测要求和测量物体的不同分为长焦、短焦、变焦镜头；根据镜头的倍率来分，又可以分为定倍镜头、手动变倍、手动微调、定格定倍变倍、电动变倍镜头；根据分辨率的不同又可以分为五百万像素、一千像素镜头。还有一种镜头采用的了独有的平行光路设计技术，具有高分辨率、大景深、低畸变的特点。此类镜头就是远心镜头，满足了机器视觉中对镜头畸变的高要求。
机器视觉镜头的出现，极大的加快了机器时代的步伐。机器视觉取代高难度的人工视觉，有效的保障了人类的利益和安全。在人工无法正常工作的特殊环境里，都可以采用机器视觉科技去实现，打开了新的科技领域。在未来的工业发展历程中，机器视觉技术将逐步取代人工作业，降低人工成本，提高工作效率。
机器视觉的发展与工业镜头的不断更新有莫大的联系，工业镜头要面对的问题还有很多，比如在远距离、光线弱的情况下，要克服镜头能否准确抓取目标，也要克服机器视觉器件的限制，镜头检测技术要提高到在各种背景下都能够精准检测的水平，要进一步提高到“人工智能”。
低端镜头国内企业具备一定竞争力，高端镜头基本依赖进口。镜头的基本功能是实现光束调制，将目标成像在图像传感器的光敏面上完成信号传递。工业镜头主要可以分为定焦镜头、定倍镜头、远心镜头、连续变倍镜头等，不同的镜头根据要求应用于不同的工业现场，价格差距也较大。
远心镜头主要是日本VST和意大利Opto相对知名，FA镜头主要是日本VST、日本理光（Pentax被理光收购了）、日本Computar、日本Fujinon、日本KOWA、德国Schneider等等。国内也涌现了不少的镜头厂商，如东莞普密斯的变倍镜头和远心镜头，性价比高，逐渐替代了一国外厂家的镜头。
机器视觉是通过计算机模拟人类视觉功能，让机器获得相关视觉信息和加以理解。可分为“视”和“觉”两部分原理。“视”是将外界信息通过成像来显示成数字信号反馈给计算机，需要依靠一整套的硬件解决方案，包括光源、相机📷️、图像采集卡、视觉传感器等。“觉”则是计算机对数字信号进行处理和分析，主要是软件算法。
机器视觉在工业上应用领域广阔，核心功能包括：测量、检测、识别、定位等。产业链可以分为上游部件级市场、中游系统集成/整机装备市场和下游应用市场。机器视觉中，缺陷检测功能，是机器视觉应用得最多的功能之一，主要检测产品表面的各种信息。在现代工业自动化生产中，连续大批量生产中每个制程都有一定的次品率单独看虽然比率很小，但相乘后却成为企业难以提高良率的瓶颈，并且在经过完整制程后再剔除次品成本会高很多，因此及时检测及次品剔除对质量控制和成本控制是非常重要的，也是制造业进一步升级的重要基石。
1）图像采集技术发展迅猛
CCD、CMOS等固件越来越成熟，图像敏感器件尺寸不断缩小，像元数量和数据率不断提高，分辨率和帧率的提升速度可以说日新月异，产品系列也越来越丰富，在增益、快门和信噪比等参数上不断优化，通过核心测试指标来对光源、镜头和相机📷️进行综合选择，使得很多以前成像上的难点问题得以不断突破。
2）图像处理和模式识别发展迅速
图像处理上，随着图像高精度的边缘信息的提取，很多原本混合在背景噪声中难以直接检测的低对比度瑕疵开始得到分辨。在特征生成上，很多新算法不断出现，包括基于小波、小波包、分形的特征，以及独二分量分析；还有关子支持向量机，变形模板匹配，线性以及非线性分类器的设计等都在不断延展。
3）深度学习带来的突破
传统的机器学习在特征提取上主要依靠人来分析和建立逻辑，而深度学习则通过多层感知机模拟大脑工作，构建深度神经网络来学习简单特征、建立复杂特征、学习映射并输出，训练过程中所有层级都会被不断优化。随着越来越多的基于深度学习的机器视觉软件推向市场，深度学习给机器视觉的赋能会越来越明显。
4）3D视觉的发展
3D视觉还处于起步阶段，许多应用程序都在使用3D表面重构，包括导航、工业检测、逆向工程、测绘、物体识别、测量与分级等，但精度问题限制了3D视觉在很多场景的应用，目前工程上最先铺开的应用是物流里的标准件体积测量，相信未来这块潜力巨大。
我国智能制造装备产业结构转型和技术提升的市场空间巨大，机器视觉行业将受益。“十三五”期间，中国将进一步深化产业结构调整，推进制造业的科技创新和智能制造水平，着力从要素驱动向技术及创新驱动转变。产业结构的转型升级以及制造业的进一步智能化将推动机器视觉行业发展。
