高精度视觉识别与定位系统需要关注哪些因素？

机器视觉在生产制造中主要用在视觉引导，尺寸测量，产品检测，物体识别等几个领域。在这几个领域中，一个最基本的算法就是产品识别和对位，比如视觉引导机器人，要在图像中识别出要抓取的产品，并对位出坐标，才引导机器人到指定的产品位置。尺寸测量，产品检测等也是一样的，在测量和检测之前，首先要知道有没有产品，产品的位置在哪里，才可以应用后续的各种分析工具。因此，产品识别和对位是一个基本问题。

如果要设计一个可行的产品识别和对位的算法，需要克服几方面的困难：

快速的指定产品：工业产品千差万别。因此，对于每一个具体的应用，需要从几张，甚至一张图像上，快速指定需要查找的产品，比如当前产线需要对位铆钉的位置，拍一张照片并进行相应的学习，就可以在后续的图像中进行搜索对位。

快速的搜索产品：对于一张200万像素的图片，通常要求在几十毫秒的时间可以识别和对位出产品的位置。

高精度的对位：工业生产对精度和公差有严格的要求，因此产品的对位就要力求准确。现在普遍要求识别对位算法可以达到一个像素级别的对位精度，甚至可以达到亚像素级别。

可以适应产品缺失，遮挡，脏污等的影响：如果一个产品被遮挡，导致产品在图像中缺失一定比列，需要依然可以识别对位到物体。反之，如果产品表面发生脏污，导致表面的特征发生变化，需要依然可以识别对位。

可以适应光照亮度不均匀的影响：如果产品的亮度发生变化，比如一半亮一半暗，需要依然可以识别对位。

可以识别旋转的产品：产品通常可能在360度范围内旋转。

可以识别多个产品：一张图像中可能有多个产品，需要分别识别对位。

可以准确识别接近对称的物体：接近对称的物体很容易别识别成错误的方向，需要进行相应的设计。

可以应对物体的极性翻转：比如学习的产品是白底黑字，但是实际上产品图像有可能是黑底白字，需要可以识别。

深度学习可以解决这个问题吗?深度学习中目标检测算法(one-stage和two-stages的各种算法)，在这个应用中有几方面的难点。

数据量：如何在只有一张图像的情况下，学习到需要识别对位的物体?

速度：如何在一般配置的PC上达到ms级别的识别对位速度?传统算法在几千元的工控机上就可以发挥速度优势，然而深度学习需要配置昂贵的GPU，或者在2019年会有一些垂直细分领域的ASIC芯片开发出来。

对位精度：考虑到深度学习输入的图像本身都是进行了缩放的图像，那么在原图上很难达到像素精度的匹配。

识别准确性：在数据量很少的情况下，怎么提升识别的准确性?

考虑到此类问题面临的困难，一般还是用传统的机器视觉方法来实现。