1943年，在芝加哥大学，沃伦·麦卡洛克和沃尔特·皮茨发表了《神经活动中即将发生的思想的逻辑演算》，为神经网络概念和现代人工智能（AI）奠定了基础性工作。随着人工智能越来越边缘化，计算机视觉正成为关键工具。计算机视觉系统利用机器学习和深度学习对数据进行可视化和分析，用于智能制造中的缺陷检测和预测性维护。
缺陷检测
在制造业中使用计算机视觉使制造商在检测产品缺陷时更加一致、高效和准确。无论是在整个制造过程中使用计算机视觉，多台摄像头准备完成，还是作为最终产品评审，摄像头都能识别缺失的零件、组装缺陷和外观瑕疵，从而减少产品召回的程度。
预测性维护
与缺陷检测类似，预测性维护实时分析摄像头和传感器的数据。然而，预测性维护不仅仅是产品本身，而是帮助制造机器人和机器保持在线并随时可用。结合机器学习，这些系统可以提醒员工机器运动、振动、温度、磨损等异常，减少停机时间和生产成本。
计算机视觉系统利用数据：
分类图像——在评估图像时，系统会寻找其已知正确与当前可视化数据之间的异常 检测物体——显示缺陷所在并突出问题区域 片段图像——显示异常的区域被隔离到像素 训练模型
计算机视觉的一个主要挑战是训练学习模型。模型需要训练以识别特定的缺陷、产品/零件以及物理环境，如光线。光照的变化，包括亮度、阴影和眩光，在系统将学到的图像与当前评估图像进行比较时，可能会引发问题。
人工智能坚持不断向边缘发展，计算机视觉的发展将是这一发展轨迹的必要组成部分。随着技术的发展，越来越多的行业采用计算机视觉以降低成本并提升产品性能。