基于机器视觉技术的分拣机器人研究综述

王成军， 韦志文， 严晨

(1.安徽理工大学人工智能学院， 淮南 232001； 2.安徽理工大学机械工程学院， 淮南 232001)

视觉是物体影像刺激视网膜所产生的感觉[1]。人类感知外部环境主要通过视觉、触觉、听觉以及嗅觉等感觉器官，但其中约 80% 的信息是通过视觉器官获取的[2]。机器视觉是机器对图像进行自动处理并报告图像内容的过程。机器视觉技术则应用感光元件和计算机技术模拟人类视觉功能[3]，代替人眼进行目标相似性度量和基于目标图像特征的模式识别。随着视觉传感技术、计算机技术、图像处理技术以及人工智能的高速发展，机器视觉技术日趋成熟，已发展成为现代加工制造业和绿色制造业重要的核心技术[4]，包括视觉传感器技术、光源照明技术、光学成像技术、数字图像处理技术、模拟与数字视频技术、计算机软硬件技术以及自动控制技术。机器视觉技术不但能模仿人眼的绝大部分功能，而且可完成很多人眼所不能胜任的工作[5]。

传统的分拣工作主要靠人工来完成，但随着工业自动化程度的提高，人类视觉显然不能适应快节奏、高强度的工业生产，故生产过程中的许多环节被机器人所替代。

在新一轮科技革命和产业变革背景下，分拣机器人顺势发展，自动分拣技术逐渐成为工业生产的主流，将机器视觉技术应用于分拣机器人可减少人工分拣工作量、降低分拣差错率，极大地提升工业生产效率，实现分拣作业的自动化和智能化。

国外一些发达国家的机器视觉技术经历了漫长的岁月，相关技术较为成熟。中国机器视觉技术起步较晚，与发达国家相比存在较大差距[6]，但随着人口红利下降，中国市场对工业机器人需求量不断增大，分拣机器人技术得到飞速发展。

在基于机器视觉技术分拣的应用背景下，重点综述不同领域分拣机器人的应用，并对未来相关技术的应用趋势进行展望。

1 机器视觉技术

1.1 机器视觉技术的发展

机器视觉技术隶属于计算机学，是其衍生的一个重要分支，从最初的萌芽到如今的发展，机器视觉技术经历了几十年的岁月，其功能和应用范围逐步完善和扩展。早在20世纪50年代，国外学者就带头开始了二维图像统计模式识别的研究[7]；到了 60 年代，Roberts[8]把研究方向转移到了三维机器视觉上； 70 年代中期，麻省理工学院(massachusetts institute of technology，MIT)人工智能实验室正式开设“机器视觉”的课程[9]； 80 年代，机器视觉技术爆发了全球性的科研浪潮，发展突飞猛进，新概念、新工艺、新理论和新方法层出不穷[10]；步入90年代，计算机图像采集设备逐渐升级，图像处理技术与机器人控制技术不断发展完善，机器视觉技术相关算法也成了研究焦点，并获得深入发展[11]； 20 世纪末，Zhang[12]提出了基于二维平面靶标的标定方法，该方法可实现相机内外参数的求解； 21 世纪初期，Lowe[13-14]提出的SIFT(scale-invariant feature transform)特征提取方法得到了更深入的发展和完善，并被广泛应用于机器视觉、三维重建等领域； 2006年，Hinton等[15]开启了机器视觉技术发展核心领域——深度学习在学术界和工业界的研究浪潮；2012年，Krizhevsky等[16]通过卷积神经网络在ImageNet图像识别比赛中取得了突破性进展，其构建的CNN(convolutional neural networks)网络AlexNet首次采用了线性整流函数ReLU(rectified linear unit)，提高了收敛速度并解决了梯度消失问题； 2020年Belan等[17]提出了一种用于机器视觉质量检测的机器视觉系统(machine vision studio，MVS)，并通过实验结果证明了MVS的鲁棒性和可行性。

随着制造业和物流行业的快速发展，分拣机器人被广泛应用在各个领域中，而其分拣过程涉及最核心的领域就是机器视觉技术。由于机器视觉技术的引入，分拣过程实现了精准和高效，分拣机器人朝着智能化、自动化方向快速演进。

1.2 人工智能下的机器视觉技术

机器视觉技术是实现人工智能和智能制造的重要技术，其可实现工业自动化现场产品的缺陷检测、机器视觉引导定位等，对工业机器人代替人力起决定作用。

机器视觉技术和人工智能让机器拥有了眼睛和大脑，机器视觉技术是人工智能的核心领域之一，也是推动人工智能发展的重要力量。机器视觉技术与人工智能以及其他领域的关系如图1所示。

图1 机器视觉技术与其他领域关系

机器视觉技术属于交叉学科，与很多的领域都有关联。其与人工智能的关系最为密切，对制造业的发展产生了深远影响，并提高了生产的柔性和自动化程度。随着不断地探索和创新，属于机器视觉技术的新时代将很快到来，基于机器视觉技术的产品将会投入到众多领域，尤其是环境复杂且恶劣的场合[18]。机器视觉技术的研究方向主要包括多传感器信息融合、深层初级视觉、视觉深度学习[19]、主动视觉[20]、完整三维场景重构、视觉并行计算结构以及通用视觉信息系统等[21]。

在人工智能时代的大背景下，机器视觉与其他传感器融合的方法将成为研究的热点。而实验室中进行的机器视觉研究基本处于理想情况下固定的环境，输入源多为静止或瞬时视觉信息，难以满足对复杂客观世界的认识需求[22]。多传感器信息融合方法不单单指多个传感器本身融合，其核心在于各传感器系统内部各信息通道的融合、系统模块的融合以及各类信息处理方法的融合[23]。多传感器信息融合将会使机器视觉技术在应用中更加精准且高效，也将使人工智能变得更加智能，方便更好地服务人类[24]。

1.3 图像处理技术

分拣机器人的工作过程可以理解为在机器视觉的引导下，分拣机器人的末端执行器到达相应位置抓取物件并放到指定位置的过程，如图2所示。首先应该对视觉摄像头进行位置标定，然后视觉摄像头才能精准地采集物件的图像[25]。其次进行最核心的步骤——图像处理，通过图像处理确定物件的坐标和特征，将信息转化成为末端执行器的坐标和姿态，保证精准且高效地完成分拣工作。

图2 分拣机器人工作流程图

图像处理技术是用计算机对图像信息进行处理的技术，主要包括图像预处理、图像数字化、图像增强和复原、图像数据编码、图像分割、形态学处理、图像投影、配准定位以及图像特征提取，通过图像处理可以提升图像中的有用信息并且精简数据量，是决定分拣过程是否能够达到精准且高效的关键。

图像预处理是将每一个文本图像分检进行分类并将其送交识别模块进行识别，常用的方法有图像滤波、二值化和边缘提取[26]。图像滤波方法有均值滤波、中值滤波、高斯滤波、BM3D滤波和双边滤波等，其目的是消除或者抑制图像中的噪声[27]。图像的二值化处理是将图像上像素的灰度值置为0 或 1,让整个图像呈现出明显的黑白效果，从而获得可以反映图像整体和局部特征的二值图像。这样获得的图像包含的数据量大大减少，使得后续处理过程变得简单。二值化处理最常用的是Otsu[28]和Kittler等[29]两种方法：Otsu方法的中心思想是阈值T应使目标与背景两类的类间方差最大，又称最大类间方差法；Kittler方法的中心思想是，计算整幅图像的梯度灰度的平均值，相对于Otsu方法速度更快，更适合应用于像素质量较高的图像中。使用边缘特征来代表整个图像，这样可以大大减少内存中的数据量，常用的方法有Sobel模板边缘检测、Laplacian模板边缘检测、Canny边缘检测以及霍夫变换直线检测等。

图像增强的目的就是增强图像中有价值的信息，其最终的目标是优化图像的视觉效果，提高图像的可读性[30]。图像增强技术一般可分为空间域法与频率域法两大类[31]。空域增强方法可以表示为

g(x,y)=T[f(x,y)]

(1)

式(1)中：f(x,y)表示增强前的图像；g(x,y)表示增强后的图像；而T表示增强操作。空间域法[32]的重点是在空间域中直接计算处理图像的各个像素灰度值；而频率域法[33]则是在图像的某种变换域内，通过某种运算间接处理图像的变换系数，之后再变回空间域中，因此可看作是一种间接增强的算法。

图像分割[34]是指把图像分割成若干个特定的或者独具特质的区域并从中提炼出需要的对象的技术和过程。图像分割的方法中最常用的有阈值分割、区域分割、边缘分割以及特定分割四大类[35]。但是迄今为止，图像分割算法基本上都是基于特定问题具体分析的，没有统一的、标准的图像分割算法[36]。因此，图像分割技术正在朝着迅捷、精确且统一的标准化方向高速发展，也是目前非常值得研究的方向之一。

图像特征提取与识别是我们都熟悉的一个概念，图像特征提取就是获取图像的特征信息的操作，特征提取是图像压缩，图像理解，图像分类以及识别的基础。图像特征[37]是指图像最初的特质或属性，底层的特征包括颜色、纹理、形状以及区域结构等多方面的内容。对于特征提取的算法来说，算法的鲁棒性会直接影响整个缺陷检测系统的鲁棒性，甚至会影响系统的稳定性[38]。现阶段常用的图像特征有Hu不变矩、Haar特征和surf特征，三种特征均具有良好的鲁棒性。

2 分拣机器人

分拣机器人[39]是一类具备了传感器、物镜以及电子光学系统的机器人，可精确且高效地分拣物件。其分拣工作是将物件按品种、出入库顺序分别放到指定位置的作业[40]；而视觉分拣则是将物件识别和分类的过程交给视觉系统处理。基于机器视觉技术的分拣机器人提高了分拣的速度、确保了分拣的质量、减轻了员工的劳动强度，同时也提高了人员的使用效率，为社会的发展做出了巨大贡献，为人工智能更进一步奠定了坚实的基础。

2.1 分拣机器人的组成

分拣机器人是一个集机械、电气、计算机于一体的机电一体化设备，主要由三大部分六个子系统组成[41]。三大部分包括机械部分、传感部分以及控制部分。六个子系统包括驱动系统、机械结构系统、感受系统、机器人-环境交互系统、人机交互系统以及控制系统[42]。驱动系统[43]可分为液压驱动、电气驱动以及气动驱动三种，三种系统各有所长，如液压驱动系统适用于分拣机器人搬运大型物件，电气驱动系统的控制性能好，常用于高精度分拣机器人，而气动驱动系统是一种柔性系统，价格低且功率质量比最低。机械结构系统是分拣机器人最基本的要素，主要由执行机构、传动机构和支承部件组成，用于完成规定的动作，传递功率、运动和信息以及支承连接相关部件。对分拣机器人来说，末端执行器是机器人机构拓扑结构的核心，主要分为气吸式和机械夹持式。感受系统[44]是由内部与外部各自的传感器模块组合而成，用于获得内部和外部环境状态中有价值的信息，在子系统中占居核心地位；而机器视觉作为感受系统的子系统，在分拣过程中扮演着一种不可或缺的角色。把机器视觉技术融合于分拣机器人中，精准且高效地将物件从其所处位置分拣出来，并搬运到指定位置按预定的格局进行分类、集中[45]。机器人-环境交互系统[46]是完成分拣机器人和周围环境装置相互沟通与协调的系统，它的存在使得分拣机器人和周围环境装置集成为一个功能单元。而人机交互系统是操作人员参与分拣机器人控制并与其进行沟通的枢纽，在最大程度上帮助人们实现信息管理、服务以及处理等功能，使计算机和人工智能真正成为人类学习与工作的一门技术科学[47]。控制系统是分拣机器人最为核心的组成之一，它对分拣机器人的性能起着决定性影响，在一定程度上推动着分拣机器人产业的发展。分拣机器人内部的协调以及多台分拣机器人协同作业都离不开控制系统。

机器视觉技术是一种采集、处理和分析真实世界中图像和视频的方法，将机器视觉技术引入分拣机器人，使机器能够从物理世界中提取有意义的上下文信息，包括机器视觉识别、光学字符识别、图像识别、模式识别、人脸识别、边缘检测和运动检测等许多重要领域。对于不同物件，最明显的特征就是它的“形状”[48]，故基于机器视觉的形状识别技术在分拣过程中发挥着巨大作用，这种用于形状识别的技术使得物件分拣工作更加精准高效，既能节省空间，又可提高物件出库速度。将机器视觉技术用于分拣机器人产业链，使得分拣过程逐步朝着自动化分拣、智能化分拣的方向发展[49]。

2.2 分拣过程中的关键技术

摄像头标定技术是降低相机采集图像数据误差的重要技术之一。摄像头采集的信息要比人眼观察的更为简单，摄像头光敏元件首先把接收到的光信号转变为数字信号，再将其量化成数字矩阵[50]。摄像头发布的图像数据格式多种多样，但无论是USB(universal serial bus)摄像头还是RGBD(red+green+blue+depth map)摄像头，数据格式基本可分为二维图像数据和三维点云数据。摄像头属于对光学器件要求较高的精密仪器，图像采集过程中可能会鉴于其内部或外部环境某些因素的影响，导致生成物件图像产生畸变[51]。为排除数据源对最后结果产生的误差，必须在图像采集前对摄像头参数进行标定[52]。

传统标定技术需要摄像头拍摄一个三维标定靶，而较新的标定技术仅需要一些平面靶标，如布盖的MATLAB标定工具箱和张正友标定等[53]。本文中展示了棋盘格图案的标定靶，并根据使用的摄像头和标定靶棋盘格尺寸，相应修改了size、square、image和camera等参数。为提高标定的准确性，标定靶应出现于摄像头视野范围内的各个领域，界面右上角的进度条会提示标定进度，如图3所示。

图3 摄像头标定程序

通过在相机视野中不断上下、左右、前后、旋转以及倾斜地移动标定靶，直到标定程序的参数采集结束即可点击完成[54]。通过采集的数据可确定空间物件轮廓上某一点的三维几何位置和它在图像中相应点之间的彼此联系，建立摄像机成像的几何模型，获得几何模型的对应参数即是所需要的摄像机参数[55]。

完成摄像头标定后，物体的识别与跟踪就能够进行了[56]。物体跟踪和识别都用到了特征点检测手段，虽有类似之处，但侧重点不同[57]。物体识别针对对象包含静态和动态，依据检测对象特征点作为识别的数据依据[58]；物体跟踪的侧重点是对检测对象位置的精准定位，输入的图像通常需要具备动态特征。

物体识别属于机器视觉技术中重要且经典的问题。物体识别站在人类的角度来看似乎非常简单，人眼可以很轻松地感知图片上不同颜色、纹理、大小以及位置，从而精准地识别目标物体。但计算机得到的是机器视觉系统采集提供的RGB(red+green+blue)像素矩阵，想要从图像中直接获得比较抽象的物体并对其定位是相当困难的。再者，物体不断变化的姿态混合了周围复杂的环境背景，这会让物体的识别难度大增[59]。从2001年Viola等[60]提出基于Adaboost的人脸检测方法至今，物体检测算法经历了传统的人工设计特征结合浅层分类器的架构，到基于大数据与深度神经网络的End-To-End物体检测架构，物体识别技术逐步成熟。

TensorFlow[61]是一个用于人工智能的开源神器，其采用数据流图，与ROS(robot operating system)结合可实现物体的识别与跟踪。如图4所示是基于TensorFlow Object Detection API结合ROS实现的物体识别效果，图4中所示物体均能被较好地识别并定位。

图4 目标物体识别效果图

通过ROS获得摄像头动态图像数据，再经过图像处理，使用cv_brideg将ROS中的图像消息转换成TensorFlow Object Detection API所需要使用的图像格式；然后开始图像识别，并且将识别到的物体用矩形框标注出来；再转变为ROS中的Image message进行发布，提供给ROS中的订阅者subscri-ber[62]。图像中的杯子、瓶子和手机都被非常准确地识别了出来，并且标注了其所在位置和识别概率。

3 分拣机器人的应用现状

基于机器视觉技术的分拣机器人可以将工人从繁重的劳动中解放出来，大大提高了分拣的效率，因此被广泛地应用于食品、物流以及煤矿等多个行业。

3.1 分拣机器人在水果分拣中的应用

随着农业科技的发展和人民生活水平的提高，水果品种越来越多，人们对水果的品质也有了更高的要求。人工分拣劳动量大、生产率低而且分拣精度不稳定，因此水果分拣的快速、准确和无损化成为亟需解决的问题。

基于机器视觉技术的水果分拣机器人采用非接触式的图像传感器，因此不会对水果造成损伤，可适用于多种类型水果的分拣。Sofu等[63]设计的苹果自动分拣与品质检验体系，集成了图像处理以及曲线拟合软件，使得分拣过程准确率逼近96%。基于机器视觉技术的水果分拣机器人不仅能够检测水果的大小和形状，还能对水果外表的损伤进行分析[64]。如图5所示[65]，根据水果颜色这个外观特征能够间接判断其内部品质，如使用近红外光的品质检测法精确测定水果的糖度和酸度，而且检测过程十分迅速。

图5 水果分拣机器人[65]

3.2 分拣机器人在物流分拣中的应用

近些年电子商务行业快速增长，中国每天有超过1亿个快递包裹，而且中国快递行业还在高速发展，规模不断扩大。物流业是对人力成本非常敏感的产业，同时机器视觉技术具有高度自动化、高效率、高精度和环境适应强等优点，为高速发展的物流分拣系统开启了“新视界”。物流行业正从原始的人工分拣向模块化、智能化以及自动化方向快速演进。

极智嘉(Geek+)[66]是一家专注于智慧物流的AI机器人公司，通过融合机器视觉技术与人工智能相关技术来完成高度柔性以及智能物流自动化的解决方案，被称为“机器人智能物流专家”，其生产的物流分拣机器人以稳定鲁棒、性能优异以及安全可靠等优点深受顾客青睐。

基于机器视觉技术的物流分拣机器人可以将货物从目标位置快速且准确地搬运到指定的位置，所有的作业均是按照指令自动完成，其间不会受到气候、时间和体力的限制，真正实现了货物的连续大规模分拣。在准确性方面，先进的机器视觉技术可以自动识别并判断商品的条形码、尺寸、重量和形状，分拣错误率极低。分拣车间实现了极少数人辅助分拣甚至无人分拣，大大降低了企业的人力成本投入，同时也降低了企业员工的劳动强度，提高了人员的使用效率。深圳路辉物流设备有限公司在物流行业很具有代表性，是一家聚焦智能分流领域的国家高新企业，其使用滚珠模组带分拣系统和高速分流器实现智能分拣，分拣效率极高，达到了1万件/h，而且分拣准确率达到了 99.99%。因此，其被广泛应用于电商与快递物流行业。安徽省一通研发的高速环形交叉带分拣系统，实测分拣效率高达 2.3万件/h，而且分拣准确率高达 99.99%，广泛应用于邮政快递、跨境电商、海关等行业。

3.3 分拣机器人在食品分拣中的应用

随着人们越来越关注食品的质量和健康，食品行业面临着越来越多的产品筛选和工作，手工分拣存在速度慢、准确性差、不卫生以及劳动力成本高等问题。基于机器视觉技术的智能分拣机器人为食品制造商带来了更多的智能选择，这有助于节省劳动力、提高效率和产品质量，同时人工智能也带来了更大的灵活性。

食品分拣机器人主要是由一个基于机器视觉技术的图像识别系统和一个多功能机械手组合而成。在食品分拣生产线上，最普遍的是选用Eye-to-Hand[67]的方式来实现运动食品的抓取。为了使机械手能够精确且稳定地抓取、搬运食品，最常用的是基于位置的机器视觉控制技术。机器视觉系统的识别以及定位是通过对食品的边缘、形状以及颜色等进行特征检测，最终引导分拣机器人实现对应的抓取和搬运工作[68]。近年来，随着机器视觉技术的高速成长，基于机器视觉技术的食品分拣机器人的分拣过程越来越高效[69]。同时SCARA(selective compliance assembly robot arm)机器人得益于其负载小、速度快，因此常常被作为分拣机器人的载体，广泛应用于食品分拣行业。同时，并联分拣机器人也被广泛应用于食品分拣行业，通常是四轴和六轴并联机器人，即所谓的蜘蛛手，主要应用于巧克力、饼干、面包等食品生产线，如图6所示[70]。

图6 并联食品分拣机器人[70]

3.4 分拣机器人在煤炭分拣中的应用

在中国的化石能源中，富煤、贫油、少气是最基本的特征，这决定了煤炭在中国化石能源使用中所居的关键位置[71]。在煤炭生产中，煤炭分拣过程环境十分恶劣：一成不变的体力劳动，扬起的灰尘，轰隆隆的机器声音，浓烈的有害气体味道。由于环境的恶劣，人工分拣不仅伤害工人的健康，而且生产效率低且成本也高。随着社会发展和科技进步，基于PLC(programmable logic controller)的分拣设备应运而生，但其在分拣过程中稳定性得不到保障，因此可靠性差，不适合大批量投入使用。近年来，基于机器视觉技术的分拣机器人渐渐步入煤炭行业。因其具有成本低、效率高、稳定性好而且非常智能等特点，被广泛应用于煤炭分拣过程中。

在人工智能发展突飞猛进的今天，智能煤矸石分拣系统很快被研发出来，其运用人工智能深度学习技术，通过对海量的矸石和煤炭图片进行人工标注矸石和煤炭特征，运用Faster R-CNN[72]算法，以基于机器视觉技术的分拣机器人为载体，可快速且准确识别皮带上的煤炭和矸石，并通过智能中央控制系统指挥机器人末端执行器进行准确分拣。通过机器视觉技术、深度学习与人工智能算法的融合，分拣精准且高效，煤炭和矸石识别率高达 98%，同时分拣后煤带矸石率小于 2%。随着机器视觉技术的发展和人工智能算法的优化，分拣的准确率将达到 100%且大大降低分拣时间。

基于机器视觉技术的分拣机器人应用于煤炭行业，大大降低了煤炭分拣过程的一系列成本，减少了安全事故的发生，为实现煤炭开采的智能化升级改造、智慧矿山和绿色矿山奠定了坚实的基础。

4 结论与展望

机器视觉技术是分拣机器人领域的一项重要技术，其拓展了分拣机器人的研究方向和应用领域，基于机器视觉技术的分拣机器人被广泛应用于食品、煤炭、物流、电子制造以及汽车制造等行业。机器视觉技术的发展一方面得益于计算机和相机性能的提升，另一方面也离不开核心算法的优化和创新。机器视觉技术的发展使得基于机器视觉技术的分拣机器人工作更加高效、更加智能和更加人性化。本文中从机器视觉技术的角度对分拣机器人的组成和关键技术进行了介绍，剖析了机器视觉技术未来可能的研究方向，最后梳理了基于机器视觉技术的分拣机器人在多个领域中的应用现状。

虽然基于机器视觉技术的分拣机器人在各行业得到了广泛应用，但在具体实施过程中仍存在以下问题和挑战。

(1)在实际分拣过程中，由于待分拣物体的形状和材质不固定，机器视觉系统需要处理的信息多且复杂。现有的机器视觉算法识别过程耗时长，难以实现精准高效分拣的目标。因此，亟需设计一种新的机器视觉算法来提升特征提取能力、特征选择能力以及特征分类能力，使得高效精准分拣成为现实。

(2)嵌入式机器视觉系统是先进的计算机技术、半导体技术、电子技术相结合后在各个行业具体应用的产物，其可以达到实时视觉图像采集与视觉图像处理控制的效果，且对于一些特定的分拣场合，可以不使用高端计算机。使用嵌入式机器视觉系统可以使分拣机器人结构更紧凑，在降低成本的同时也减小了功耗。因此，把嵌入式机器视觉系统融入分拣机器人是未来的重点研究方向。

(3)分拣机器人并没有像人类一样敏锐的视觉，且现有的机器视觉算法受环境影响很大，单一的机器视觉很难适用于复杂的分拣场景。因此，给分拣机器人配备多个不同类型传感器，将来自多传感器或多源的信息和数据按照一定的准则进行自动分析和综合，让分拣机器人能够灵活感知环境并完成物体识别、精准定位、自由抓取是现阶段的首要任务。但是，目前尚未建立统一的融合理论和有效广义融合模型及算法，对数据融合的具体方法研究也尚处于初步阶段。因此，建立统一的融合理论、数据融合的体系结构和广义融合模型，将人工智能技术与大数据引入到数据融合领域以提高多传感融合的性能，并构建数据融合测试评估平台和多传感器管理体系是未来的重点研究方向。

(4)在分拣行业，机器视觉已经几乎成为标配，但在具体应用上，却往往还是采用传统机器视觉算法，加入人工智能的机器视觉算法仍然应用较少。用“人工智能+机器视觉”来做机器识别，优势非常明显，可大大增加分拣过程的柔性，在不同的位置、光照以及复杂环境下，能够呈现出更好的适应性。但准确率一直制约着人工智能应用的发展，目前大多数人工智能算法都难以达到较高的准确率，误差率只能控制在15%左右。因此，提高人工智能算法的准确率是未来研究的重点和难点。

(5)在人工智能大数据时代背景下诞生的5G具有高速率、低时延及大连接等特点。与5G深度融合的深度学习算法将机器视觉的效率和鲁棒性和人类视觉的灵活性相结合，结合后的机器视觉分拣系统不仅具备在复杂环境中检测的能力，而且在实时性方面也得到了很大改善。深度融合5G和深度学习的机器视觉将使高分辨率图像的机器视觉分拣系统、多分拣机器人协作作业成为可能，同时也能加速智慧分拣工厂的建设，为打造未来超级工厂提供了思路。