机器视觉一直是围绕大数据的业务，获取并处理无数的以千兆字节为单位的图像，然后针对一项指定的对象或任务提取出制定决策所需要的信息。对于诸如远程传感以及网络检查这样的应用来说，它们会生成大量的数据，每分钟千兆字节的数据很快就变成了太字节，甚至是拍字节。
随着数据流量的增加，它们的数量也更加庞大，这促使许多行业寻找云计算和存储解决方案。进入云端显然是个明智的选择。但云计算对机器视觉应用的响应能否足够快？服务质量是否足以满足工业应用的需求？随着机器视觉的范围超出工厂范围，得到的肯定答案越来越多，即使对于工业应用也是如此。
除了巨大的存储量和计算功能，公共云的供应商也提供机器学习和深度学习服务。一个例子就是TensorFlow，它是在机器视觉中广泛用于深度学习研究和应用开发的框架。从先进的疾病检测到在生产线上管理更多的产品的多样性，深度学习在每个方面都展示了其潜能。
这些开源的工具与成像学和基于图像的模型的进步意味着，“与其雇佣一个由博士和数据科学家组成的团队，你现在就可以利用不断出现的数据集，以一种更简单的方式来训练这些模型并提炼价值。”Bachert说。
Bachert估计其公司开发的机器视觉项目中有半数都具有云组件。其中，在云上实施的最大规模的视觉和成像处理可能就是医疗设备行业。Prolucid公司正在与一位客户合作，使用基于超声波的成像设备来获得图像，并且提供诸如人口基因以及一般位置的分类值。
在从医疗成像设备上采集并分析数据的时候，为了保护患者的隐私，Prolucid公司采用了几项安全策略。其中一个步骤是“去识别化”或者消除个人信息，例如姓名、出生日期以及邮政编码。
此外，Prolucid公司还制定了一项策略以保护数据在传输途中或静止状态时的安全，当在数据中心和设备层级检测数据泄露时，、可以提醒客户进行修复，识别其他缺陷，并且在发生灾难性违规的时候恢复数据。
在一个生产制造的环境里，在云上的机器视觉产生了一些关于互联网带宽和延迟问题的担心，这可能会使检查流程变慢，并且造成数据丢失以及可能给设备和工人带来安全方面的问题。“有了机器学习的应用，你仍然会拥有实时的检查流程，”Bachert说，“发生变化的就是你如何解决它。”
“因此，我们不用担心延迟的问题。”Bachert说道，“在我们设计的每个系统里，实时流程组件无论是在有云连接还是没有云连接的时候都可以运行。”这种云和边缘计算的混合方法代表了机器视觉集成的一个潜在发展方向。
随着生产制造商寻求更多的流程都采用自动化，机器视觉基于云的生产系统会发挥更重要的作用。“我们为客户做了很多装配验证项目，其目标是要提供一个不需要任何编程的系统，而是使用人工智能和基于云的处理器来做所有的工作。”Long说道，“过去手动检验部件的人们现在负责培训系统，教会系统如何识别好的部件和坏的部件。它本身不需要任何机器视觉的知识。”
即便如果生产制造商拒绝在互联网上分析他们的成像数据，他们也会以其他方式使用云——最明显的是在远程监控方面。例如，Omron Microscan Systems公司可为用户提供一个被称为CloudLink的界面，允许用户通过Web监控实时机器视觉检测。此外， ImpactVision Technologies公司也可以提供能够相关的机器视觉产品，远程监控客户的视觉系统性能，更改检查标准并执行维护。
机器视觉系统可以连接远程的云计算和存储设备，增加了任何机器视觉系统的能力，甚至是在工业领域。诸如质量检验和分类整理的应用从这个趋势中大大地获益。
机器视觉需要处理和分析大量的图像数据，尤其是对于工业应用。多年以来，这些数据量已经膨胀到了难以管理的大小，迫使公司转而求助于离线云计算和存储解决方案。如果没有云技术，机器视觉系统就会自然地被限制在可以处理的数据量以下。在连接到云解决方案以后，机器视觉系统可以实现其更多的商业潜力。
如果没有云计算和存储，很多今天的正在进行中的应用都不可能实现。随着越来越多的数据在工业的环境中被收集和处理，机器视觉将更加依赖于云技术来满足未来智能制造的需求。