在運用機器視覺對工業生產線產品檢測的過程中，也有可能遇到許多問題，如果生產具有反射材質的產品，將對3D成像提出極大地挑戰。同時，在生產環境中，粉塵、環境光等因素也將客觀存在，這些因素都會對機器視覺檢測造成許多影響。

如何面對帶有漫反射及高光反射的產品進行檢測，何偉認為：“現有的3D視覺方案對於漫反射材質的物體能夠實現良好的資料獲取，對於如透明或者高反光的物體表現不佳，在這一塊知微傳感在研的一款新產品可以很好的解決高反物體在不同角度下（無序堆放時物體傾斜角度會千差萬別）的資料獲取，它將採用多目+動態結構光的方案，同時產品也將繼承RGB攝像頭，可以使用RGB資訊通過深度學習的方法實現複雜物品的分割，更好適應產線的自動化。”

高光反射物體讓3D視覺在檢測時，運用結構光很容易產生偏差，但通過多目及動態結構光方案，同時結合RGB攝像頭，能夠從多方位對產品進行檢測，最大限度的排除由於光反射所造成的偏差。

針對工業生產環境中的複雜性，馮良炳認為：“應用多種方法增強了3D資訊獲取時的環境適應性。工業場景的大部分情況下，環境光、震動、煙塵等干擾視覺系統對3D資訊獲取的因素都不同程度的存在；很多情況下，這些干擾因素還是比較嚴重的。針對這些問題，深圳辰視智慧科技在產品研發中做出了大量的優化和創新工作，確保3D資訊獲取的穩定有效。例如：在環境光的變化方法，我們在產品中加入自動感知，讓系統可以即時感知環境光的強弱變化，從而對應調整相機與投影，確保3D點雲的生成。”

在生產環境中，複雜的環境因素是不可避免的，尤其是煙霧、粉塵、震動等因素，導致機器視覺很難獲取準確的3D資訊。而通過對環境的感知，及時動態調整相機及投影方式，能夠在一定程度上對3D資訊進行矯正，減少對3D資料的丟失。

廠商選擇在生產線中配置機器視覺3D檢測功能時，希望在檢測過程中能夠保證準確率，同時不希望該項檢測系統影響自己的生產效率。而3D視覺準確率的保障通常依賴於3D資訊的採集，3D資訊採集越多，則準確性越高，但成本也會更高。

雖然3D資訊接收的越多可以保證檢測的準確率，但廠商往往會對3D資訊進行過量收集，從而造成成本浪費，馮良炳表示：“應用多種組合實現3D信息量的獲取正好適合於應用的需求。3D資訊獲取量越大需要的資源就越多，所用的時間成本就會越高。因此，工業應用需要正好合適的3D信息量，如果太少的信息量就不能實現工業的識別、檢測等需求；如果太多的信息量就會造成工業設備成本的上升，影響企業的利潤。”

為此，馮良炳也給出了相應的解決方案：“深圳辰視智慧科技的3D視覺感應器，根據工業應用場景的不同採用2-6個不同選擇的多相機組合系統，同時多解析度的相機系統也可根據場景進行自由配合；正弦光的投影也採用多類型、多亮度的可選擇系統。這樣可以保證工業應用獲取最合適的3D信息量，為用戶降低成本。”

根據實際應用場景來對相機進行自由組合搭配，通過調試可以讓結構光投影達到最佳的觀察效果，不僅能説明廠商用最少的設備來達到更高的檢測率，還能廠商購買提高3D視覺的性價比。

當然，目前而言3D資料的採集及處理都還在完善當中，何偉表示：“目前工業領域高精度的3D資料獲取很多方案還需要借助高性能的PC進行計算，隨著柔性化生產要求越來越高，視覺集成需要更高的自由度，這就需要嵌入式的視覺方案，我們目前提供的3D相機是繼承了片上計算，實現不佔用客戶的計算資源直接輸出三維點雲資料，集成度上已經大幅提升，成本也隨之更低。產業的成熟，深度學習是一個重要的技術手段，不過仍需要獲取基礎的3D資料，這方面也已經有很多公司在嘗試，基本上還是在某些特定的應用場景下，工業行業大範圍應用還需時日。”

有機器視覺業內人士分析，機器視覺在工業領域中的發展趨勢主要可以分為三個階段，一是成長階段，以3D視覺為主；第二為創建階段，以嵌入式視覺為主；第三為成熟階段，以深度學習為主。顯然從如今來看，仍處於收集產品3D資訊的階段。

編者認為，當前機器視覺應用在工業生產檢測中主要有幾個難點，一是需要對檢測物體進行3D成像；二是成像過程中需要準確收集被測物體的3D資訊，避免3D視覺系統漏檢；三是在收集完被測物體的3D資訊後，通過人工智慧深度學習的方式來辨別被測物體是否具有缺陷。而今這些問題已經逐漸被廠商所破解，但一些方法還不適用於普遍生產環境，只局限在實驗室當中，大範圍應用還需一定時間。