机器视觉长期以来用于工业自动化系统中，以通过取代传统上的人工检查来提高生产质量和产量。从拾取和放置、对象跟踪到计量、缺陷检测等应用，利用视觉数据可以通过提供简单的通过失败信息或闭环控制回路，来提高整个系统的性能。

视觉的使用并不仅仅在工业自动化领域；我们也看到了相机在日常生活中的大量应用，例如用于计算机、移动设备，特别是在汽车中。摄像头仅仅是在几年前才被引入到汽车中，但是现在汽车中已经配备了大量摄像头，以为驾驶员提供完整的360°车辆视图。

但是谈到机器视觉领域的最大技术进步，可能一直是处理能力。随着处理器性能每两年翻一番，以及对多核CPU、GPU和FPGA等并行处理技术的持续关注，视觉系统设计人员现在可以将高度复杂的算法应用于视觉数据，并创建更智能的系统。

首先，因为可以使用相同的软件开发视觉系统和运动系统，设计者不需要熟悉多种编程语言或环境，因此降低了开发复杂性。第二，消除了以太网网络上的潜在性能瓶颈，因为现在数据仅在单个应用中的环路之间传递，而不是在物理层之间传递。

这使得整个系统的运行具有确定性，因为一切共享相同的过程。当将视觉直接引入控制回路中时，例如在视觉伺服应用中，这是特别有价值的。这里，视觉系统在运动期间连续捕获致动器和目标零件的图像，直到运动完成。这些捕获的图像用于提供关于运动成功的反馈。有了这一反馈，设计人员可以提高现有自动化的精度和精密度，而无需升级到高性能运动硬件。

这种系统的一个很好的选择是：使用将处理器和FPGA与I／O相结合的异构处理架构。已经有很多行业投资这种架构，包括美国Xilinx公司的Zynq全可编程SoC（将ARM处理器与Xilinx 7系列FPGA架构相结合），以及英特尔数十亿美元收购Altera等。

不幸的是，虽然这种架构提供了很多性能和可扩展性，但是实现它的传统方法需要专业知识，特别是在使用FPGA时。这为设计者带来了巨大风险，并有可能导致使用该架构不切实际甚至不可能。然而，使用集成软件（如NILabVIEW），设计人员可以通过提取低级复杂性，并将所需的所有技术集成到单一开发环境中，来提高生产率，降低风险。

行业内这种机器每小时的产量大约为2000个零件。但是Master Machinery公司采取了不同的方法。他们设计了中央集权的、以软件为中心的架构，并将主机控制器、机器视觉和运动系统、I／O和HMI全部集成到单独的控制器中，所有都采用LabVIEW编程。除了不需要单个子系统实现成本节约之外，这种方法还具备性能优势，其每小时大约能生产20000个零件，是竞争产品的10倍。

Master Machinery公司成功的关键因素之一是能够将多个子系统组合在单个软件堆栈中，特别是机器视觉和运动控制系统。使用这种统一的方法，Master Machinery公司不但简化了设计机器视觉系统的方式，而且还简化了如何设计整个系统。

机器视觉是一项复杂的任务，需要大量的处理能力。随着摩尔定律继续增加处理元件（如CPU、GPU和FPGA）的性能，设计人员可以使用这些组件来开发高度复杂的算法。设计人员还可以使用此技术来提高设计中其他组件的设计性能，特别是在运动控制和I／O领域。

随着所有这些子系统性能的提高，用于开发这些机器的传统分布式架构将面临压力。将这些任务整合到单个控制器中，运行在单个软件环境下，消除了设计过程中的瓶颈，使设计人员可以专注于创新，而不必担心实施问题。