那么，如何以合理的成本，取得最佳的处理性能，是系统开发人员所关心的。本文就为您列举了9项选择小型机器视觉系统的决胜点。
       1、处理器计算性能
        传统智能相机因为体积小，在有限的空间里，散热能力会受到限制，因而仅能搭载单核Atom处理器或ARM架构的处理器，虽然其功耗较低，但因性能有限，故仅能完成单一任务的图像分析处理，如计数、扫描条形码等。随着Intel AtomTME3840处理器系列的发布，相比前一代处理器系列提升两倍的处理性能，且同时还拥有低功耗的优势。这意味着小体积也能带来高性能，多任务的图像处理得以被实现。新一代的小型机器视觉系统可具备同时进行尺寸测量、计数、定位、二维码读取等多任务处理的能力，从持有成本来看，具备一台抵多台的能力。
        2、图像传感器与图像质量的优劣
        图像传感器是机器视觉系统的灵魂，传感器的尺寸直接代表着图像的质量。在过去，智能相机的应用定义在初级的图像检测上，传感器的尺寸与图像质量的优劣，并不容易被凸显。然而如果要将机器视觉应用在高端高速的检测应用上，那么传感器的尺寸，就成为选择系统时，必须要考虑的要点。
        3、卷帘快门(Rollingshutter)与全局快门(Globalshutter)的比较
        卷帘快门与全局快门的不同在于画面曝光的时间差。卷帘快门是通过电子信号告诉感光组件，依序曝光，直到整个画面曝光完成。而全局快门是在曝光时，“同时” 曝光整个画面。随着系统处理性能的提升，系统性能将不再是瓶颈，若有高速移动对象的检测的需求，采用全局快门传感器能采集到无残影的，正确的图像。
        4、协处理器
        在机器视觉图像采集与分析的过程中，图像质量占了重要的关键。如果可以在图像进入分析之前，就对采集的图像进行质量优化，可确保图像分析的正确。在过去的应用中，图像数据采集到系统后，必须通过系统处理器进行计算与图像质量优化，因为受限于CPU计算资源，能够处理的图像数据量也会受到限制。然而，若能通过FPGA的支持，将图像的矩阵计算，在进到CPU计算之前，即做好过滤以及优化的处理，可以大幅加速图像处理的性能，降低CPU资源，一方面可以把系统资源留给机器视觉系统的核心—图像算法，另一方面可以更实时的处理大数据量的图像，让高速以及复杂的图像处理与分析，得以被实现。
        5、GPU绘图与多媒体图像处理性能
        新一代Intel AtomTME3840处理器相比前一代Intel AtomTMD2550处理器系列计算性能提升六倍左右，可通过 Intel HDGraphics4000技术，同时处理多通道的图像压缩传输。通过CPU与GPU性能的提升，图像检测结果可以被记录、存盘，或者是提供原始资料进行进一步的对比与分析，让工厂的信息系统具备更智能的功能。
        6、系统显示性能
        在工厂环境中，传统智能相机仅能通过以太网传输数据，以供中控端的监控使用。若该机器视觉系统可支持VGA输出接口，则该机器视觉系统可以同时通过VGA以及以太网络端口输出图像，连接至HMI或产线端的屏幕，实时检查结果，发现问题，将可有效提升产线性能。
        7、64位架构
        图像分析软件因为需要处理的数据量大，市场上主流的应用软件多已经支持64位。所以机器视觉系统的选择，当然也必须选择支持64位的系统，才得以发挥该应用最大的效益。
        8、系统存储容量
        小型机器视觉系统的储存容量的大小，代表的意义是使用者可以存储更多的图像辨识对比样本，也可存储检测数据，或进行备份。对于整体系统的稳定性是非常有益的。
        9、总体拥有成本的考虑
        系统购置的总体拥有成本，并非仅考虑机器视觉系统本身的成本。使用者是聪明的，如何从总体拥有成本的角度协助客户降低费用，才是王道。我们不妨从以下几点来探讨：空间与配件的成本，扩展机器视觉系统成本，开发环境与程序的通用性，开发总成本。