工业视觉发展历程解析

工业视觉发展历程解析

引言

工业视觉，作为自动化和智能制造领域的重要组成部分，随着技术的不断进步，已成为提升生产效率和质量的关键技术之一。本文将回顾工业视觉从早期的简单应用到现在的智能处理的演变过程。

工业视觉的起源与初期发展

1.1 定义与最初应用

工业视觉系统指利用摄像机和其他光学元件捕获图像，再通过计算机视觉算法来处理和分析这些图像，从而实现对物体的检测、识别、测量和排序等功能。最早的工业视觉系统可以追溯到20世纪70年代，当时主要用于产品的质量控制，如焊点检测、零件的存在与否检查等。这些系统通常设定有固定的阈值，通过简单的光学元件和模拟信号处理技术对产品进行简单分类。

早期工业视觉系统虽然功能有限，但其在自动化生产线上的应用表明了视觉技术在工业自动化进程中的潜在价值。随着计算机科学的发展，以及数字图像处理技术的进步，工业视觉系统开始逐步能处理更复杂的任务，如精确度量、复杂缺陷检测等。

这一阶段的工业视觉系统大多是基于固定算法，缺乏灵活性和适应不同工况的能力。尽管如此，它们在提高生产效率、保证产品质量以及减少人工的需求方面，已经展示出不可忽视的作用。随着技术的发展，这些系统逐渐演进成为今天高度复杂且功能丰富的工业视觉系统。

1.2 早期的视觉检测技术

早期的视觉检测技术主要依赖于模拟视频信号处理，这一时期的技术通过拍摄被检测物体的二维图像后，利用简单的光学和电子组件来进行简单的图像处理。这些处理包括对比度增强、边缘检测、阈值分割等基本操作。这些操作大致可以归类为以下几点：

1. 对比度增强：通过调整图像的亮度和对比度来改善图像的清晰度，使得缺陷或物体边缘更加明显易识别。

2. 边缘检测：通过检测图像亮度的突变来辨认物体的轮廓，这对于后续的尺寸测量或缺陷识别尤为关键。

3. 阈值分割：将图像转换为黑白二值图像，以便进一步分析。这一步是区分目标物体与背景的基本手段。

4. 特征匹配：在处理后的二值图像中寻找特定的模式或形状，以此来识别出特定的产品或部件，这在装配线的正确性检测中特别常见。

这些视觉检测技术在当时是非常革命性的，但它们也存在局限性。其中最大的问题在于灵活性差和鲁棒性不足，系统往往只能在设置条件不变的情况下运行稳定。另外，这些技术对环境光线变化敏感，光源的变动可能会影响检测的准确性。

尽管如此，早期的视觉检测技术奠定了工业自动化的基础，并为后来的技术进步与创新提供了跳板。随后，随着半导体技术和计算能力的提升，数字图像处理技术开始崭露头角，为工业视觉检测带来了新的生机。

1.3 计算机视觉的引入和应用

1.3 计算机视觉的引入和应用

计算机视觉的引入是工业视觉发展史上的一个重要里程碑，标志着工业视觉从简单的硬件驱动转变为更智能化的软件驱动。计算机视觉技术的引入使得工业视觉系统不仅能够捕捉图像，更重要的是能够分析和理解图像内容，从而实现更复杂的自动化工作。

1. 图像捕获：早期的模拟信号逐步转化为数字信号，通过数字化的摄像头捕获图像，使得图像信息容易在计算机系统中存储和处理。

2. 特征提取：利用计算机视觉算法来提取图像中的有用信息，例如形状、纹理、颜色分布等，用来辨识不同的物体或其状态。

3. 模式识别：计算机视觉系统通过学习一系列的样本，能够辨识和分析未知图像中不同的模式或对象。

4. 机器学习的运用：早期的机器学习技术也开始应用于工业视觉领域，例如通过神经网络进行图像分类。

5. 实时处理：计算机视觉的引入使得视觉系统能够以非常快的速度进行图像处理和决策制定，满足生产线上的实时性需求。

计算机视觉的应用极大地拓展了工业视觉的可能性，使其能够处理复杂的视觉任务，并应用于更广泛的场景。例如，在电子组件制造领域中，计算机视觉系统可以准确地检测印刷电路板上微小的缺陷；在汽车行业，它能够用于检查喷漆工艺的质量等。

计算机视觉的引入提供了更高的灵活性和更好的性能，为后续更先进技术的运用奠定了基础，包括利用深度学习技术处理更复杂的图像和场景，更好地满足工业自动化和智能制造的需求。

光学与影像处理技术的进步

2.1 光学技术的演进

工业视觉系统的核心之一是光学技术，其发展为图像捕获的质量和效果提供了重要保证。光学技术的演进可概述为以下几个阶段：

1. 早期光学技术：最初，工业视觉系统使用的光学元件相对简单，主要是固定焦距的镜头和手动调节的光圈。图像的清晰度和精确度受到了硬件的限制。

2. 自动化光学元件：随后，自动对焦和自动光圈调节技术的引入，使得工业视觉系统能够适应生产环境中光照强度和被检测物体的变化，提高了系统的可靠性和灵活性。

3. 高分辨率与高速传输：为了适应复杂的检测需求，图像传感器（如CCD和CMOS）的分辨率不断提高，同时传输技术也在向着更高速度和更低延迟的方向发展，例如GigE Vision和USB3 Vision等标准的出现。

4. 多光谱与高动态范围成像：为了获取更丰富的物体信息，多光谱成像技术被开发出来，通过不同波长的光线检测材料的独特特性。高动态范围成像技术也使得系统在极端光照条件下（太暗或太亮）都能够捕捉到高质量的图像。

5. 光源技术进步：配合传感器的高速和高分辨率特性，照明技术同样发生了变革。LED技术不仅提供了更稳定、更均匀的光线，而且能够精确控制光源的开启和关闭，对于高速运动的物体捕获非常关键。

光学技术的这些进步极大地拓宽了工业视觉系统的应用领域和检测能力，为提供更高精度的视觉检测结果提供了重要支持。随着新材料、新技术的不断涌现，光学技术仍在不断地刷新其性能和应用的边界。

2.2 影像处理算法的发展

影像处理算法是工业视觉系统的大脑，它负责解读图像数据，提取有意义的信息并作出决策。这些算法的发展经历了从简单的图像处理到复杂的图像理解的演化过程。

1. 基础图像处理：最早期的影像处理算法包括灰度转换、二值化、噪声滤除、边缘检测等基本方法，这些技术能够帮助改善图像质量，并提取出图像的基本特征等信息。

2. 几何变换与配准：随着算法的发展，几何变换（如旋转、缩放和平移）和图像配准技术被用来纠正拍摄角度的偏差，或将多个图像对齐，以便于后续分析。

3. 模板匹配与对象识别：模板匹配技术允许系统通过比对存储的标准图案与实际图像，来鉴别物体或检测缺陷。物体识别算法进一步发展，可以更高效地从图像中分辨出不同的物体。

4. 特征提取与描述子：为了使得对象识别更为准确和鲁棒，特征提取算法被设计出来，它们可以识别并描述图像中的关键点，如SIFT、SURF等描述子，在图像分析中广泛应用。

5. 统计方法与机器学习：统计方法如主成分分析（PCA）和支持向量机（SVM）被集成到影像处理算法中，为图像的分类和识别提供了新的工具。

6. 深度学习革命：近年来，深度学习技术，特别是卷积神经网络（CNN），在影像处理领域引发了革命。CNN能够自动从数据中学习复杂的特征，并展现出在许多视觉任务上超人的性能。

7. 实时图像处理：随着算法效率的提高和计算资源变得更加可获取，实时图像处理成为可能，这对于需要即时反馈的工业应用至关重要。

影像处理算法的发展不仅提高了工业视觉系统的性能，而且扩展了它们的应用范围，从简单任务如检查部件是否存在到复杂任务如导航自动化机器人，算法的每一次革新都带来了工业视觉新的应用场景。随着研究的深入和技术的不断进步，影像处理算法未来将更加精准、快速和智能。

2.3 早期系统的局限性

虽然早期的工业视觉系统在一定程度上促进了自动化的进程，但它们也存在多方面的局限性，这些局限性在一定程度上限制了工业视觉技术的应用范围和效率。

1. 硬件限制：早期的工业视觉系统往往使用较低分辨率的图像传感器，这导致捕获图像的细节受限，影响了检测的准确性。同时，光学元件的质量和性能也限制了图像的清晰度和对比度。

2. 处理能力不足：早期的处理单元缺乏足够的计算能力来执行复杂的图像处理算法，这意味着算法必须尽可能简单，而这会牺牲检测的精确度和鲁棒性。

3. 算法局限：算法通常是基于特定的假设和简化的模型设计的，不具备很好的通用性。对于多变的实际工业环境，这些算法往往不能很好地适应，特别是在不同的产品线或生产条件下。

4. 光照依赖性：早期的视觉系统对环境光照条件非常敏感，若光照发生变化，系统的检测效果往往会大幅降低，导致检测失败或错误率升高。

5. 交互与集成问题：早期系统在与其他工业自动化组件的交互上存在限制，并且难以集成到更复杂的生产线上。这限制了它们的灵活性和可扩展性。

6. 缺乏自我学习能力：初期的工业视觉系统没有学习和自适应的能力，一旦遇到先前未见过的情况，系统往往无法正确处理，导致必须进行人工干预。

尽管这些局限性存在，早期的工业视觉系统为日后技术的发展提供了重要基础。随着硬件性能的提升、算法的革新以及机器学习等技术的应用，这些局限性正在不断被克服，工业视觉系统正日趋强大和智能化。

工业视觉系统的技术突破

3.1 智能相机的兴起

智能相机的出现代表了工业视觉系统的一个重要转型阶段，它不只是传感器的角色，而是集成了图像捕获、处理和分析功能于一体的智能设备。

1. 集成式设计：智能相机将传感器、图像处理硬件以及软件算法集成在一个紧凑的外壳中。这种设计简化了系统架构，因为它减少了对外部处理单元的依赖。

2. 现场可编程门阵列（FPGA）与微处理器：这些智能相机内部往往搭载有FPGA或高性能微处理器，它们能够快速处理复杂的图像分析算法，提供实时反馈。

3. 更高的计算能力：与传统工业相机相比，智能相机拥有更强大的计算能力，甚至能够执行深度学习等先进算法，用于诸如缺陷检测、物体识别等更为复杂的任务。

4. 易于集成和使用：大多数智能相机都提供了友好的用户界面和配置工具，使得工程师可以方便地进行程序的编写和调试，也降低了非专业人员的使用门槛。

5. 网络能力：许多智能相机支持工业以太网连接，能够轻松集成到工业物联网中，实现设备间的通信和高级数据分析。

6. 自适应与学习能力：现代智能相机通常配备有自学习的功能，这意味着它们可以根据新的数据样本自动调整检测或分类的参数，持续提高性能和精确度。

智能相机的兴起使得工业视觉系统能够更加紧凑、更加智能，操作也更为简便，极大地拓展了其在自动化产线上的应用范围。随着这些设备的进一步普及，可以预期工业视觉系统将继续在智能制造的发展中扮演越来越重要的角色。

3.2 三维视觉技术的应用

三维视觉技术是工业视觉领域的一次质的飞跃，使系统能够获取物体的三维结构信息，从而执行更为复杂和高级的检测和分析任务。这些技术的应用表现在以下几个方面：

1. 立体视觉（Stereo Vision）：通过使用两个或多个摄像机从不同的角度捕获同一物体的图像，使用类似于人眼的原理，通过计算两个图像间的差异来重建物体的三维形状。

2. 结构光扫描（Structured Light Scanning）：这种方法通过投射已知模式的光（如条纹）到物体表面，根据光模式的变形来计算物体的三维表面形状。

3. 激光扫描（Laser Scanning）：激光扫描技术通过投射一束或多束激光到物体上，并测量激光点在物体表面上的位置来获得高精度的三维信息。

4. 时间飞行（Time-of-Flight, ToF）：ToF相机通过发送脉冲光并测量光从相机到物体表面再反射回来所需的时间来计算出每个像素点的距离信息。

5. 光场成像：通过记录光的方向信息以及强度，可以在事后重新聚焦并计算出场景的深度信息。

三维视觉技术的应用，极大地拓宽了工业视觉的边界，它不再限于平面图像分析。这些技术使得工业视觉系统能够执行诸如物体定位、体积测量、质量控制和机器人导航等更高级的任务，甚至可以处理随机堆叠的物件，使自动化应用更加多样和灵活。随着三维视觉技术的不断发展和成本的降低，可以预见其将在自动化制造业、物流、汽车等多个行业得到更广泛的应用。

3.3 深度学习在工业视觉中的运用

深度学习在工业视觉中的运用开启了智能检测和分析的新篇章，尤其是卷积神经网络（Convolutional Neural Networks, CNNs）在图像识别和处理中的突出表现，为工业视觉系统带来了前所未有的性能提升。

1. 缺陷检测：深度学习算法能够在复杂背景中准确地识别大小不一、形状多变的制造缺陷，大大提高了自动化视觉检测系统的准确性和可靠性。

2. 物体分类和识别：基于深度学习的模型可以从海量的数据中学习到丰富的特征表示，使得机器具备了与甚至超越人的识别能力，它们能够准确地对产品进行分类和识别。

3. 姿态估计：深度学习方法可以估计物体的三维姿态，这对于诸如机器人抓取等需要精确操作的应用场合至关重要。

4. 数据增强和迁移学习：深度学习领域的数据增强和迁移学习技术使得模型能够更好地泛化到新环境，即使是在数据有限的情况下也能保持较高性能。

5. 实时处理：随着深度学习框架和专用硬件（如GPU和TPU）的进步，深度学习模型在运行时的速度得以显著提升，满足工业视觉系统对实时处理的需求。

6. 异常检测：深度学习可以用于训练模型识别正常制造过程中从未见过的异常情况，实现早期预警和故障诊断。

深度学习技术使得工业视觉系统不再仅仅局限于特定的规则或算法，而是可以通过大量的数据学习，自主地提取特征和模式，更加精准和智能地应对复杂多变的生产环境。随着更多的研究和开发，深度学习在工业视觉中的应用将继续带来创新和改进，为智能制造领域带来更深层次的变革。

工业4.0与工业视觉的融合

4.1 工业自动化与数据交互

工业自动化的核心之一是数据的实时处理与交互，并且随着工业物联网（IIoT）的发展，数据交互已经变得比以往更加重要和复杂。以下是工业自动化与数据交互在工业视觉系统中的体现：

1. 传感器融合：在自动化生产线上，工业视觉系统通常与其他传感器（如触觉、声纳、温度传感器等）集成，以实现更全面的数据监测和分析。

2. 标准化通信协议：为了实现不同设备和系统之间的无缝数据交互，采用了一系列工业通信标准和协议，如OPC Unified Architecture（OPC UA）、Modbus、EtherCAT等。

3. 边缘计算：为了减少延迟和网络负荷，越来越多的数据处理正在从云端转移到设备侧即边缘层进行，这对于实时监控和控制特别重要。

4. 实时监控和分析：工业视觉系统能够提供实时视频流和图像数据，通过高速网络传输至控制中心，用于生产监控和决策支持。

5. 数据可视化：将复杂的数据处理结果以图形或图表的形式呈现给操作员或工程师，这利于快速理解和响应潜在的生产问题。

6. 预测维护：通过分析从工业视觉系统获得的数据，可以预测机械设备的故障和维护需求，减少停机时间。

7. 云计算与大数据：云平台提供了几乎无限的计算资源和存储空间，工业视觉系统产生的大量图像和视频数据可以上传到云端进行更深入的分析，如利用大数据分析技术挖掘生产过程中的潜在模式和趋势。

通过这些高级的数据交互技术，工业自动化系统能够更智能地响应各种生产情况，实现更高效、更精准的生产过程。数据交互不仅提高了工业视觉系统的功能和灵活性，还为整个制造业的数字化转型开辟了新的可能性。随着相关技术的不断进步，未来的工业自动化将更加依赖于数据交互的智能化和集成化。

4.2 工业视觉在智能制造中的角色

工业视觉系统在智能制造中扮演着愈发重要的角色。它不仅提高了生产效率和质量，还是实现自动化和智能化工厂的核心技术之一。

1. 质量控制：工业视觉系统可以进行无接触的产品质量检查，从尺寸精度、颜色一致性到外观缺陷等各个方面，确保产品质量满足严格的标准。

2. 自动导引和定位：在自动化装配和物料搬运过程中，工业视觉系统向机器人提供必要的信息，实现精确的部件定位和快速导航。

3. 自适应生产：结合机器学习和人工智能算法，工业视觉系统可以根据实时检测结果调整生产过程，实现对产品微小变化的自适应。

4. 增强现实（AR）辅助：在某些复杂任务中，工业视觉系统与增强现实相结合，为操作员提供直观的图像引导，减少错误并提高效率。

5. 数据驱动决策：分析工业视觉系统收集的数据可以用于流程优化、设备维护、能耗管理等决策支持，推动生产过程的优化。

6. 追溯性和合规性：记录和分析生产过程中的各种数据，不仅可以跟踪产品的制造流程，还能确保符合行业规范和安全标准。

7. 人机交互：工业视觉系统可以理解人类的手势和行为，实现人与机器之间更自然，更高效的交互。

工业视觉的这些应用，已经使得智能制造迈入了新的高度。随着技术的不断进步，工业视觉系统将更加完善，变得更加智能、高效和自主，对智能制造产业的推动作用也将更为显著。未来的智能制造将在很大程度上依赖于工业视觉技术的创新和应用。

4.3 互联网和物联网技术的整合

互联网和物联网（IoT）技术的整合是推动智能制造及工业视觉系统发展的关键驱动力。这种整合使得设备间的互通和数据交换更加高效，并且为全面优化生产过程提供了可能。

1. 互联网通信协议：通过标准化的互联网通信协议，如MQTT或AMQP，允许工业视觉系统与全球网络连接，实现远程监控和控制。

2. 网络化设备管理：工业视觉系统的设备可以通过网络进行集中管理，便于实时更新、维护和优化系统性能。

3. 数据云存储与分析：利用云计算平台，可以存储大量由工业视觉系统生成的图像和视频数据，并进行复杂的数据分析，发现生产流程中的潜在问题。

4. 实时数据流处理：通过物联网平台，可以实现工业视觉系统产生的数据流的实时处理，进行即时决策和响应。

5. 智能边缘设备：将工业视觉系统作为智能边缘设备，可以在源头进行数据预处理，减少网络传输的负担，并提高响应速度。

6. 数字孪生技术：结合工业视觉系统，数字孪生模型可以反映出物理设备的实时状态，为模拟和分析提供准确数据，优化生产和维护计划。

7. 智能服务和开放平台：整合互联网技术意味着制造商可以提供基于工业视觉系统的智能服务，并促进开放平台的数据共享，增强整个生产生态系统的价值。

整合互联网和物联网技术后，工厂数字化和智能化水平显著提升，生产线可以变得更加智能和自适应，而工业视觉系统则是实现这一进步的中心环节之一。随着技术的不断发展，未来的制造业将变得更加连通、透明和高效。

当前挑战与未来趋势

5.1 技术上的挑战与解决方案

尽管工业视觉系统在智能制造和自动化方面取得了巨大进展，仍面临一系列技术挑战，同时行业也在积极寻找解决方案。

1. 光照条件影响：工业环境中光照条件复杂且多变，对视觉系统的影响较大。为解决这一问题，可以通过使用高动态范围（HDR）摄像头和先进的照明控制技术，确保在不同光照环境下都能获取高质量的图像。

2. 多样化对象处理：在生产线上，面对各种形状、大小和材质的物品时，单一算法难以应对所有情况。利用深度学习策略，特别是迁移学习和自适应学习，可以大大提高系统处理不同对象的能力。

3. 数据处理效率：处理大量图像数据需要巨大的计算资源。通过优化算法和采用边缘计算架构，在保证实时性的同时降低了对中心处理器的负担。

4. 系统集成复杂性：工业环境通常需要将视觉系统与其他自动化设备集成，但不同厂商的接口和协议标准不一。采用通用或模块化的集成框架，以及支持多协议交互的中间件，可以简化集成的复杂性。

5. 环境适应性：工业场景下存在的灰尘、温度变化、振动等环境因素对视觉系统稳定性是挑战。通过提高硬件的防护等级和使用更加鲁棒的系统设计来提升系统的环境适应性。

6. 精准度和重复性问题：高精度和高重复性是工业视觉系统的追求。通过提升传感器精度、优化算法和定期系统校准来确保持续的精准度。

7. 设备成本和可维护性：高成本的设备可能会阻碍技术的推广应用。不断开发成本效益更高的传感器和组件，并且设计易于维护的系统，有助于减轻这一挑战。

这些技术挑战需要行业内外的合作和不断的技术创新来解决。随着相关科学的发展以及工业实践的不断推进，这些问题正逐步被克服，推动工业视觉应用向更广阔的未来发展。

5.2 工业视觉未来的发展方向

工业视觉的未来发展将围绕智能化、精准化和系统集成等关键方向展开：

1. 智能化升级：未来工业视觉系统将更加智能，能够自学习和自适应生产环境变化，通过深度学习算法实现更精准的图像理解和决策。

2. 算法优化与模型轻量化：为了适应实时和边缘计算的需求，算法和模型将变得更加高效和轻量化，同时为硬件提供更好的兼容性。

3. 传感器技术革新：有望出现新的传感器技术，例如高性能的三维传感器、多光谱传感器和超高速摄像机，提供更全面和精细的环境信息捕获。

4. 增强现实（AR）与虚拟现实（VR）集成：工业视觉系统与AR/VR的结合，将提供更直观的数据可视化和操作界面，增强用户体验和操作准确性。

5. 系统融合：工业视觉系统将与其他工业自动化系统（如PLC、SCADA）和物联网平台更紧密地集成，共同构建高效的智能制造环境。

6. 预测性维护与故障诊断：将工业视觉系统与机器学习结合，用于设备的预测性维护、故障检测与诊断，减少停机时间，并提高生产效率。

7. 柔性生产线适应性：随着个性化和定制化生产的需求增长，工业视觉系统需要能够快速适应不同产品和生产线的变化。

8. 数据安全与隐私保护：因为工业视觉系统可能涉及敏感数据，因此数据安全和隐私保护将成为重点关注的领域之一。

9. 生态系统构建和标准化：建立跨行业的合作生态系统，统一技术标准，分享数据和最佳实践，推动行业共同成长。

随着技术进步和市场需求的变化，未来的工业视觉系统必将更加专业化、模块化和智能化，以满足智能制造的更高要求。这将是一个不断追求创新与卓越的过程，而工业视觉系统的持续进步将不可避免地影响工业自动化和智能制造的未来格局。

5.3 新兴技术与工业视觉的结合

工业视觉领域正积极探索和融合各种新兴技术，以提升系统的能力和拓宽应用场景。以下是一些结合新兴技术与工业视觉的潜在发展方向：

1. 人工智能（AI）与机器学习：通过更先进的神经网络，例如卷积神经网络（CNN）和循环神经网络（RNN），可以实现复杂图像的深层特征学习和模式识别。

2. 边缘计算：加强工业视觉设备的边缘计算能力，通过在设备端进行更多的数据处理，减少数据传输需求，并提升响应速度。

3. 量子计算：尽管目前仍处于研究初期，量子计算有潜力在未来解决计算效率和处理大规模视觉数据方面的挑战。

4. 5G通信：利用5G网络的高带宽和低延迟特性，工业视觉系统可以更快地传输高质量图像及实现更高效的远程监控和控制。

5. 区块链：整合区块链技术可以保证工业视觉系统数据的安全性和可追溯性，特别是在分布式制造环境中。

6. 自适应光学与新材料：新型光学系统和材料，如液晶透镜和变焦光学组件，将使工业相机更加精确和可调，以适应不同的视觉检测需求。

7. 数字孪生技术：数字孪生的概念除了为实物设备创建虚拟模型外，还可以融入工业视觉数据，以提供更为深入的监测和仿真能力。

8. 云计算和物联网（IoT）：通过云服务和物联网技术，工业视觉系统可以实现更大规模的数据分析和存储，同时更好地集成到工业4.0架构中。

9. 增强现实（AR）和虚拟现实（VR）：AR和VR技术将工业视觉系统的输出以直观的方式展现给用户，从而提高操作精度和效率。

随着这些新兴技术的融合和应用，工业视觉将迎来更加宽广的发展前景，有助于推动自动化和智能制造的变革，提高生产效率和质量控制水平，同时为最终用户带来更深层次的洞见和价值。

结语

技术的不断迭代更新，使得工业视觉系统愈发强大和智能化。工业视觉的未来发展必将进一步促进工业自动化和智能化制造的深入推进。

---

参考资料:

1. Malamas, E. N., Petrakis, E. G. M., Zervakis, M., Petit, L., & Legat, J.-D. (2003). A survey on industrial vision systems,
   applications and tools. Image and Vision Computing, 21(2), 171-188.
   Link

2. Batchelor, B. G., & Whelan, P. F. (2012). Intelligent vision systems for industry.
   Link

3. Martínez, S. S., Ortega, J. G., García, J. G., García, A. S., & Barrera, J. (2013). An industrial vision system for surface quality
   inspection of transparent parts. The International Journal of
   Advanced Manufacturing Technology, 67(5-8), 1257-1271.
   Link

4. Perkins, W. A. (1978). A model-based vision system for industrial parts. IEEE Transactions on Computers, C-27(2), 126-143.
   Link

5. Golnabi, H., & Asadpour, A. (2007). Design and application of industrial machine vision systems. Robotics and Computer-Integrated
   Manufacturing, 23(6), 630-637.
   Link

6. Semeniuta, O., Dransfeld, S., Martinsen, K., & Falkman, P. (2018). Towards increased intelligence and automatic improvement in industrial
   vision systems. Procedia CIRP, 72, 526-530.
   Link

7. Bien, Z., & Oh, S. R. (1990). Development of a well-structured industrial vision system. Proceedings of IEEE Industrial Electronics
   Society IECON’90, 636-641.
   Link

8. Magee, M., & Seida, S. (1995). An industrial model based computer vision system. Journal of Manufacturing Systems, 14(1), 45-58.
   Link

9. Di Leo, G., Liguori, C., Pietrosanto, A., & Sommella, P. (2017). A vision system for the online quality monitoring of industrial
   manufacturing. Optics and Lasers in Engineering, 92, 64-72.
   Link

10. Yachida, M., & Tsuji, S. (1977). A versatile machine vision system for complex industrial parts. IEEE Transactions on Computers,
    C-26(9), 882-894.
    Link