过去，机器视觉多应用于标准化的检测场景，但是随着对检测环境逐渐复杂、要求逐渐提高，非标准化的检测场景也正在逐渐增多，这就对机器视觉的检测精度等方面提出了较高的要求。为了解决这一问题，机器视觉在非标准化场景的应用中往往面临着多个难点。
数据质量和标注：数据是机器视觉的基础，但是在非标准化场景中，数据往往是稀缺、不均衡、噪声多、变化大的，这就给数据采集和处理带来了困难。同时，数据的标注也是一个耗时耗力的工作，尤其是对于复杂和细微的缺陷或特征，人工标注的效率和准确性都难以保证。
复杂和多变的环境：在非标准化场景中，检测对象和背景往往是复杂和多变的，例如光照、角度、遮挡、形变、尺度等因素都会影响图像的质量和特征。这就要求机器视觉能够适应不同的环境条件，抑制干扰因素，提取有效信息。
特征学习和识别：特征是机器视觉的核心，但是在非标准化场景中，特征往往是难以定义、提取和匹配的，例如缺陷或目标物体可能有多种形态、颜色、纹理等特征，而且可能与背景相似或混淆。这就要求机器视觉能够学习和识别不同层次、不同维度、不同尺度的特征，并且能够区分出重要和次要的特征。
实时性和计算资源：在非标准化场景中，检测任务往往要求高速、高效、可靠地完成，例如在工业生产线上或者智能交通系统中，检测结果可能直接影响到产品质量或者安全问题。这就要求机器视觉能够实现实时或者近实时的检测，并且能够在有限的计算资源下运行。
模型泛化能力：在非标准化场景中，检测模型往往需要具有较强的泛化能力，即能够适应不同的数据分布和环境变化，并且能够处理未知或者异常情况。这就要求机器视觉能够构建具有鲁棒性和可扩展性的模型，并且能够进行持续的学习和优化。
在人工智能技术的发展下，上述难点正在被逐渐攻克，机器视觉非标准化应用场景也不断扩展，从此前的3C电子、汽车制造等领域扩展到了机车车下零部件巡检、柔性材料智能视觉数控切割等，可见，当下机器视觉行业有望迎来空前的发展机会。