机器视觉行业按应用来分，可以归纳为几类应用：
1、检测，一般指缺陷检测，例如表面划痕、缺损、漏装、错装等等，一般会搭配剔除装置、打标装置，或者机械手臂，通过这些装置标记有问题的被测物，或者剔除，或者抓取。
2、定位（识别），确定被测物的空间位置，大部分搭配机械手臂做抓取操作。题主的问题可以归到这一类应用。
3、测量，测量物体的尺寸，可以是二维，也可以是三维尺寸。测量的目的，并不是仅为了获得物体的尺寸，最终目的也是判断物体合格不合格，和第一类的区别，可以认为一个是定性（缺陷），一个是定量（测量）。
4、读取，一般指一维码、二维码、OCR等等。
如果细分的话，还可以分成很多。但大类，我想了想，以上这4类应该可以覆盖到了。欢迎各位同行补充。
再来看题主的问题，上面已经提到，题主问的零部件分拣，可以归到第2类，这算是机器视觉行业的一大类应用，也是比较成熟的应用。这类应用，背后所用到的技术有，识别（二维，三维），手眼标定（统一坐标系，标准程式），机械手臂控制（哦，产品配套的标准功能，告知坐标即可，自己可以规划路径），所以这类应用的核心是识别。对于已知型号来说，一般采用模板匹配技术，来定位物体位置，包括二维匹配和三维匹配，对于平面零件，二维即可，其他不规则立体零件，采用三维匹配技术，确定好位置之后，通过手眼标定，统一到机械手臂坐标系，就可以进行抓取操作了。
题主提到零部件很小，小到什么程度没有提，只要不是堆叠严重，是可以识别定位的，因为对于零部件来说，都是刚性物体，大部分都有图纸，比较容易建立模板，所以难度不是很大。对于太小的物体，我想难度在于如何设计抓取装置吧。
至于发展到什么程度，我把它理解为，识别技术到底发展到什么程度了。对于零部件来讲，其实只用到了物体的边缘特征，只要能提取到边缘就够了。对于识别技术来讲，现在比较热的是deep learning，基于神经网络等分类器，把物体的多维度特征（颜色，边缘，纹理等等）输入分类器，进行训练分类，最后用于识别。例如下面这些分类。这些比零件复杂多了。
欢迎各位补充意见。
