首先，我們有必要理清楚機器視覺與計算機視覺之間的關系。從學科分類上，二者都被認為是artificialintelligence下屬科目，不過計算機視覺偏軟件，通過算法對圖像進行識別分析，而機器視覺軟硬件都包括（采集設備，光源，鏡頭，控制，機構(gòu)，算法等），指的是系統(tǒng)，更偏實際應用。簡單的說，我們可以認為計算機視覺是研究“讓機器怎么看”的科學，而機器視覺是研究“看了之后怎么用”的科學。
計算機視覺與機器視覺的問題是，前者太學術(shù)，后者太工業(yè)，因而一直以來在消費級市場缺乏好的產(chǎn)品。圖漾創(chuàng)始人費浙平向雷鋒網(wǎng)(搜索“雷鋒網(wǎng)”公眾號關注)編輯說，機器視覺的很多核心技術(shù)和原理多年前就比較成熟了，近年來的進展主要集中在工程化，比如gpu和視覺計算加速器的出現(xiàn)解決了計算量問題。但與此同時，要想把視覺技術(shù)實現(xiàn)真正產(chǎn)品落地，中間還有不少其他問題，他們也在摸索中。
視覺技術(shù)在消費級市場最早的嘗試是微軟的kinect。2010年，微軟聯(lián)合深度攝像頭技術(shù)方案提供方primesense正式對外推出kinect，利用骨骼捕捉技術(shù)，kinect可以捕捉游戲玩家的骨骼動作，從而讓游戲玩家可以不接觸屏幕即可玩游戲。在kinect之后，華碩、intel、谷歌以及蘋果也相繼在深度攝像頭的應用場景上跟進，一切都看起來往好的方向發(fā)展。
但深度攝像頭作為獨立產(chǎn)品，市場化難度頗大。例如intel在13年在開發(fā)者會議上宣布，將推出自己的微型深度感知模塊，華碩、戴爾、惠普、聯(lián)想等多家pc廠家都將從2014年下半年開始在產(chǎn)品線中部署這款深度感知模塊。而兩年多過去了，曾經(jīng)預言的集成深度攝像頭的產(chǎn)品遲遲未見。
那么，處于計算機視覺和機器視覺交叉部分的深度攝像頭，應該如何打開消費級市場？
“機器視覺在消費市場落地，技術(shù)上是人工智能技術(shù)和機器人硬件有效融合的問題，有兩條路：
1.自上而下。以人工智能技術(shù)應用為主，要求機器人硬件盡可能符合人工智能技術(shù)工程化的條件。這意味著，產(chǎn)品得增加傳感器，以保障智能算法數(shù)據(jù)供給，得提高成本，有良好的計算資源讓復雜的智能算法“跑”起來。還意味著產(chǎn)品具有不穩(wěn)定性，人工智能技術(shù)以概率為主，產(chǎn)品功能依賴人工智能技術(shù)的比例越大，產(chǎn)品功能越不穩(wěn)定。機器視覺應用里面，人臉檢測是很穩(wěn)定的，但遇到黑人也難打包票。
2.自下而上。以機器人硬件為主，在功能上應用人工智能技術(shù)輔助。這意味著，產(chǎn)品比較可靠，但同時也失去了一些智能化的特性。當產(chǎn)品需要某些智能化的功能時，要花費大量人力針對某個“智能算法”做移植，將本來在不穩(wěn)定環(huán)境中運行的算法應用在可控、高效而且低成本的嵌入式環(huán)境中，這點讓很多專注理論算法的工程師頭疼。
機器視覺技術(shù)落實在產(chǎn)品上，有時候是自下而上做產(chǎn)品的過程中，給了“智能算法”太多的束縛，大家總是優(yōu)先考慮成本和穩(wěn)定性，而不是技術(shù)應用本身。我們從人工智能領域出來做機器人，希望兩者做個折衷，以自上而下的愿景給智能技術(shù)找一個市場立足點。市場對智能產(chǎn)品需求的不明晰，也是機器視覺難落地市場的一大因素。”