基于机器视觉的表面缺陷检测是未来研究和发展的主要方向，目前在基于机器视觉的表面缺陷检测理论研究和实际应用等环节取得了可喜的成果，但仍存在以下主要问题和难点：

　　1 )受环境、光照、生产技术和噪声等多重因素的影响，检测系统信噪比普遍较低，微弱信号难以检测或无法有效区分为噪声。 如何建立稳定、可靠、稳健的检测系统来应对光照变化、噪声和其他外界恶劣环境的干扰，是需要解决的问题之一。

　　2 )由于检测对象多样、表面缺陷种类多、形态多样、背景复杂，许多缺陷类型的产生机制与其外在表现形式关系不明确，缺陷描述不充分，缺陷特征提取有效性不高，缺陷目标分割困难； 同时，很难找到“标准”图像作为参考，给缺陷的检测和分类带来了困难，识别率有待提高。

　　3 )机器视觉表面缺陷检测尤其是在线检测，以数据量大、冗余信息多、特征空间维度高为特点，同时考虑到机器视觉面临的对象和问题的多样性，缺乏从海量数据中提取有限缺陷信息的算法能力。

　　4 )与机器视觉表面检测密切相关的人工智能理论得到了很大的发展，但如何模拟人脑的信息处理功能建立智能机器视觉系统还需要在理论上进一步研究，如何基于生物视觉识别更好地指导机器视觉的检测也是研究者的难点之一。

　　5 )从机器视觉表面检测的准确性方面来看，尽管不断涌现出一系列优秀算法，但实际应用中的准确率仍与满足实际应用的需要还有一定差距，如何处理正确识别与模糊特征之间、实时性与准确性之间的矛盾

　　随着计算机技术、信息技术、电子技术、传感器技术和仿生技术等的发展，机器视觉检测方法也将得到迅速的发展。 根据技术和市场需求等因素，机器视觉表面缺陷检测的发展趋势如下

　　1 ) MARR理论对计算机视觉起着很大的作用，其核心是将视觉理解为3D重建的过程。 但是从3D场景到2D图像是多对一的映射，在映射过程中深度信息会丢失； 灰度是对场景的唯一测定值，例如无法反映光、材料特性、方向和距离等信息； 如果图像受到噪声和环境等的影响，图像会产生失真。 因此有必要研究视觉检测的新理论和新方法，如主动视觉的发展、视觉系统智能学习能力的增强等。