随着智能工厂概念的兴起，机器视觉系统能够提升产能与确保产品质量，因而在智能工厂的配置中，扮演能够达到系统成功导入的重要角色。其中小型机器视觉系统以其体积小，集成度高等优势备受市场青睐，并且正以每年30%的成长率逐年增长。
小型机器视觉系统，通常用于视觉检测、定位、读条形码等功能，可以大致区分为三种类型。第一种可称为一般熟知的工业用智能相机(或称为智能传感器)，这种类型的产品是指将图像传感器与处理器整合在小型机器视觉系统中，以小体积、高集成度(集成镜头、传感器、处理器到机器视觉系统的接口，以及软件)、便于开发使用为最大优势。然而因为受到计算性能与相机分辨率的限制，通常仅可用于比较简单的视觉任务，如扫描条形码、OCR字符识别等。另外，因为是多合一(all-in-one)的系统，无法提供系统扩展性，如有多通道图像采集的需求，则必须额外配置。第二种类型为嵌入式机器视觉系统，搭配工业用相机，客户可根据不同的应用需求，弹性配置。优点为可采用较高等级的CPU处理器，可连结多颗相机，且通过丰富的IO接口，与其他工厂设备的连接也更为便利。然而嵌入式机器视觉系统基于体积与空间上的限制，并不具备完全取代智能相机的优势。第三种类型是基于x86架构的智能相机，也可以说是可编程的智能相机，它同时拥有一般智能相机与嵌入式机器视觉系统的优点，包含小体积、具备扩展性等，满足另一种类型的市场需求。在今天的文章中，将会有进一步的说明。
性能与处理能力
如何提升产能，系统性能与处理能力(throughput)扮演着关键的角色。就一般机器视觉系统而言，高分辨率与高帧率(每秒显示帧数)就像鱼与熊掌一样，不可兼得。在一般实际的应用中，通常是高分辨率但低帧率或低分辨率但高帧率的应用组合。如果想要两者兼得，惟一的出路就是使用高端CPU处理器来补足分辨率与帧率加乘出来的结果。如何以合理的成本，取得最佳的处理性能，是系统开发人员所关心的。
产线环境
工厂的环境通常是较为恶劣的，例如在饮料生产包装的产线，系统可能会直接接触到液体。而在工具机加工的环境中，则是充满切削工件的恶劣环境。如果机器视觉系统必须就近配置在严苛的产线环境中，那么选择具备防水、防尘能力的产品才能达到该需求。
多组生产工作站
在工厂环境中，一个成品的上市，从组件的制造、半成品的取放、质量的检验到出货的包装，必须要经过层层不同的工作站。举例来说，CNC机台负责组件的车削加工，通过工业机器人的取件，通过工业相机让工件定位后，才开始进行工件的切割；完成后进入到检测的站台，进行缺陷检测；过关的成品在包装区进行出货条形码的扫读。多组生产工作站之间，如何让系统之间容易整合与沟通，是工厂是否智能化的一大关键。
软件开发环境
软件解决方案开发的难易度与整合度，是所有导入智能化系统的工程人员心中的一大担忧，也往往是决定项目成败的最重要因素。如何缩短开发时间，降低系统开发成本，是重要的关键。
选择小型机器视觉系统的决胜点
处理器计算性能
传统智能相机因为体积小，在有限的空间里，散热能力会受到限制，因而仅能搭载单核Atom处理器或ARM架构的处理器，虽然其功耗较低，但因性能有限，故仅能完成单一任务的图像分析处理，如计数、扫描条形码等。随着Intel？AtomTME3840处理器系列的发布，相比前一代Intel？AtomTMD2550处理器系列提升两倍的处理性能，且同时还拥有低功耗的优势。这意味着小体积也能带来高性能，多任务的图像处理得以被实现。新一代的小型机器视觉系统可具备同时进行尺寸测量、计数、定位、二维码读取等多任务处理的能力，从持有成本来看，具备一台抵多台的能力。
图像传感器与图像质量的优劣
图像传感器是机器视觉系统的灵魂，传感器的尺寸直接代表着图像的质量。在过去，智能相机的应用定义在初级的图像检测上，传感器的尺寸与图像质量的优劣，并不容易被凸显。然而如果要将机器视觉应用在高端高速的检测应用上，那么传感器的尺寸，就成为选择系统时，必须要考虑的要点。
卷帘快门(Rollingshutter)与全局快门(Globalshutter)的比较
卷帘快门(Rollingshutter)与全局快门(Globalshutter)的不同在于画面曝光的时间差。卷帘快门(Rollingshutter)是通过电子信号告诉感光组件，依序曝光，直到整个画面曝光完成。而全局快门(Globalshutter)是在曝光时，“同时”曝光整个画面。在过去智能相机的应用中，因为系统处理器性能有限，无法同时处理大量的图像数据，因而多采用卷帘快门(Rollingshutter)。然而其缺点是当检测快速运动的物体时，会出现残影，无法应用在高速的应用中。随着系统处理性能的提升，系统性能将不再是瓶颈，若有高速移动对象的检测的需求，采用全局快门(Globalshutter)传感器能采集到无残影的，正确的图像。
协处理器
在机器视觉图像采集与分析的过程中，图像质量占了重要的关键。但由于先天光学条件(镜头、光源)的限制，采集的图像会有亮度不一致的情况，而造成后端图像分析的误判。如果可以在图像进入分析之前，就对采集的图像进行质量优化，可确保图像分析的正确。在过去的应用中，图像数据采集到系统后，必须通过系统处理器进行计算与图像质量优化，因为受限于CPU计算资源，能够处理的图像数据量也会受到限制。然而，若能通过FPGA的支持，将图像的矩阵计算，在进到CPU计算之前，即做好过滤以及优化的处理，可以大幅加速图像处理的性能，降低CPU资源，一方面可以把系统资源留给机器视觉系统的核心―图像算法，另一方面可以更实时的处理大数据量的图像，让高速以及复杂的图像处理与分析，得以被实现，预处理功能例如查找表(lookuptable)、感兴趣区域(ROI，RegionofInterest)，阴影校正(ShadingCorrection)等图像质量优化功能。如果在机器视觉系统中，也能搭载协处理器的预处理，将可