機器視覺在生產制造中主要用在視覺引導，尺寸測量，產品檢測，物體識別等幾個領域。在這幾個領域中，一個最基本的算法就是產品識別和定位，比如視覺引導機器人，要在圖像中識別出要抓取的產品，并定位出坐標，才引導機器人到指定的產品位置。尺寸測量，產品檢測等也是一樣的，在測量和檢測之前，首先要知道有沒有產品，產品的位置在哪里，才可以應用后續的各種分析工具。因此，產品識別和定位是一個基本問題。

如果要設計一個可行的產品識別和定位的算法，需要克服幾方面的困難：

快速的指定產品：工業產品千差萬別。因此，對于每一個具體的應用，需要從幾張，甚至一張圖像上，快速指定需要查找的產品，比如當前產線需要定位鉚釘的位置，拍一張照片并進行相應的學習，就可以在后續的圖像中進行搜索定位

快速的搜索產品：對于一張200萬像素的圖片，通常要求在幾十毫秒的時間可以識別和定位出產品的位置

高精度的定位：工業生產對精度和公差有嚴格的要求，因此產品的定位就要力求準確。現在普遍要求識別定位算法可以達到一個像素級別的定位精度，甚至可以達到亞像素級別。

可以適應產品缺失，遮擋，臟污等的影響：如果一個產品被遮擋，導致產品在圖像中缺失一定比列，需要依然可以識別定位到物體。反之，如果產品表面發生臟污，導致表面的特征發生變化，需要依然可以識別定位

可以適應光照亮度不均勻的影響：如果產品的亮度發生變化，比如一半亮一半暗，需要依然可以識別定位

可以識別旋轉的產品：產品通常可能在360度范圍內旋轉

可以識別多個產品：一張圖像中可能有多個產品，需要分別識別定位

可以準確識別接近對稱的物體：接近對稱的物體很容易別識別成錯誤的方向，需要進行相應的設計

可以應對物體的極性翻轉：比如學習的產品是白底黑字，但是實際上產品圖像有可能是黑底白字，需要可以識別

深度學習可以解決這個問題嗎？深度學習中目標檢測算法（one-stage和two-stages的各種算法），在這個應用中有幾方面的難點

數據量：如何在只有一張圖像的情況下，學習到需要識別定位的物體？

速度：如何在一般配置的PC上達到ms級別的識別定位速度？傳統算法在幾千元的工控機上就可以發揮速度優勢，然而深度學習需要配置昂貴的GPU，或者在2019年會有一些垂直細分領域的ASIC芯片開發出來

定位精度：考慮到深度學習輸入的圖像本身都是進行了縮放的圖像，那么在原圖上很難達到像素精度的匹配

識別準確性：在數據量很少的情況下，怎么提升識別的準確性？

考慮到此類問題面臨的困難，一般還是用傳統的機器視覺方法來實現。