機器視覺直到近日才被大家認可為普遍用于食品生產(chǎn)行業(yè)的工具。 事實上，機器視覺早的是在 1980 年代用于食品品質(zhì)檢測。 這些早期的機器視覺迭代只包括一個攝像頭，用于拍照檢查松餅生產(chǎn)線，以保障很大尺寸的產(chǎn)品不會進入機器。 雖然這個過程很粗糙，但它已被證明是很有用的。  

今天的機器視覺系統(tǒng)要復雜得多。 機器視覺系統(tǒng)通常或多或少具有復雜的人工智能，它可以分析模式并從視線內(nèi)的對象中提取數(shù)據(jù)。 然后將獲得的數(shù)據(jù)與從系統(tǒng)數(shù)據(jù)庫中提取的每項現(xiàn)有數(shù)據(jù)進行比較——該數(shù)據(jù)庫是手動管理的，而不是自動化的。 審核完數(shù)據(jù)后，系統(tǒng)將對捕獲的項目得出結論。  

整個過程，從開始到結束，只要不到一秒鐘的時間。 但是，在這么短的時間內(nèi)，系統(tǒng)已經(jīng)收集到了很多關于該項目的有用信息。 食物的顏色、成熟度、變質(zhì)和里面溫度的數(shù)據(jù)可以在眨眼間獲得。 甚至有可能獲得人眼無法檢測到的信息，例如使用不同波長的機器視覺來分析食物的里面成分。 它還可以用于包裝缺陷檢測，以避免材料浪費、貼錯標簽和昂貴的食品召回。  

實現(xiàn)機器視覺可能需要比許多制造商很高的初始投資，但它可以增加處理效率，減少代價高昂的錯誤、疏忽和召回（其中一些可能導致很昂貴的訴訟），并且可以在很短的投資成本。  

此外，還需要考慮消費者成本。 由于消費者的健康和安全受到威脅，食品檢驗過程得對錯誤采取零容忍政策。 一個品牌或產(chǎn)品一旦失敗，就會失去客戶的信任。 標簽不當?shù)氖称坊虮缓鲆暤娜忸惢蚣仪莞腥聚E象都可能導致生命損失。 僅在今年，F(xiàn)DA 就將 44 人的死亡與沙門氏菌的爆發(fā)銜接起來。 沙門氏菌爆發(fā)與含有 Kratom 的膳食補充劑有關，Kratom 是一種原產(chǎn)于東南亞的熱帶樹種。 如果生產(chǎn)這些補充劑的工廠也有機器視覺或其他自動化檢測流程，這些死亡事件就可以避免。