機器視覺起源于上世紀50年代 —— Gilson提出了“光流”這一概念，并基于相關統計模型發展了逐像素的計算模式，標志著2D影像統計模式的發展。

相對于人類視覺而言，機器視覺在量化程度、灰度分辨力、空間分辨力和觀測速 度等方面存在顯著優勢。其利用相機、鏡頭、光源和光源控制系統采集目標物體 數據，借助視覺控制系統、智能視覺軟件和數據算法庫進行圖形分析和處理，軟 硬系統相輔相成，為下游自動化、智能化制造行業賦予視覺能力。

隨著深度學習、3D視覺技術、高精度成像技術和機器視覺互聯互通技術的發展，機器視覺性能優勢進一步提升，應用領域也向多個維度延伸。

國內機器視覺起步晚，目前處于快速成長期。國內機器視覺源于上世紀80年代的第一批技術引進。自1998年眾多電子和半導體工廠落戶廣東和上海開始，機器視覺生產線和高級設備被引入我國，誕生了國際機器視覺廠商的代理商和系統集成商。

隨著全球制造中心向我國轉移，目前中國已是繼美國、日本之后的第三大機器視 覺領域應用市場。據中國視覺產業聯盟，2018年我國機器視覺行業銷售額達到83億元，較2013年翻了3倍，年復合增長率達33.54%。

機器視覺基本架構

機器視覺（Machine Vision）是指通過光學裝置和非接觸傳感器自動接收并處理 真實物體的圖像，分析后獲取所需信息或用于控制機器運動的裝置。通俗地說， 機器視覺就是用機器代替人眼。機器視覺模擬眼睛進行圖像采集，經過圖像識別 和處理提取信息，最終通過執行裝置完成操作。

五大模塊構筑機器視覺系統：按照信號的流動順序，機器視覺系統主要包括光學 成像、圖像傳感器、圖像處理、IO和顯示等五大模塊。

· 光學成像模塊設計合理的光源和光路，通過鏡頭將物方空間信息投影到像方，從而獲取目標物體的物理信息；

· 圖像傳感器模塊負責信息的光電信號轉換，目前主流的圖像傳感器分為CCD與CMOS兩類；

· 圖像處理模塊基于以CPU為中心的電路系統或信息處理芯片，搭配完整的圖像處理方案和數據算法庫，提取信息的關鍵參數；

· IO模塊輸出機器視覺系統的結果和數據；

· 顯示模塊方便用戶直觀監測系統的運行過程， 實現圖像的可視化。

機器視覺的主要應用領域

現在，發展迅猛的自動化技術在我國掀起了熱潮，我們對機器視覺的認識加深，每個人對它的看法發生了巨變。機器視覺系統讓大批量、持續生產的自動化程度提高了，大大提高了為工業生產效率和產品精度，同時獲取信息與自動處理的能力變得極其快，為工業生產的信息集成提供了有效途徑。機器視覺技術不斷成熟和進步，應用范圍變得越來越寬泛。

1.工業檢測

近幾十年來，在工業檢測中利用視覺系統的非接觸、速度快、精度合適、現場抗干擾能力強等突出的優點，使機器視覺技術得到了廣泛的應用，取得了巨大的經濟與社會效益。

機器視覺系統的特點是提高生產的柔性和自動化程度。運用在一些危險工作環境或人工視覺難以滿足要求的場合；此外，在大批量工業生產過程中，機器視覺檢測可以大大提高生產效率和生產的自動化程度。

自動視覺識別檢測目前已經用于產品外形和表面缺陷檢驗，如木材加工檢測、金屬表面視覺檢測、二極管基片檢查、印刷電路板缺陷檢查、焊縫缺陷自動識別等。這些檢測識別系統屬于二維機器視覺，技術已經較為成熟，其基本流程是用一個攝像機獲取圖像，對所獲取的圖像進行處理及模式識別，檢測出所需的內容。

2.汽車制造行業

汽車制造質量原先主要依靠三坐標測量完成，效率低、時間長、數據量嚴重不足， 且只能離線測量。機器視覺引入非接觸測量技術，逐步發展成固定式在線測量站 與機器人柔性在線測量站等在線測量系統，可嚴格監控車身尺寸波動，提供數據支持。

除傳統三坐標測量、激光在線測量外，藍光掃描測量、表面缺陷測量等視覺測量 方法可進行更加精細地測量，對車身基本特征尺寸、車體裝配效果、缺陷等提供 高精度監控。多種監控測量手段互相結合，確保生產零件零缺陷、整車制造高質量。

機器視覺檢測系統可以對產品進行制造工藝檢測、自動化跟蹤、追溯與控制等， 包括通過光學字符識別（OCR）技術獲取車身零件編碼以保證零件在整個制造過程中的可追溯性，通過識別零件的存在或缺失以保證部件裝配的完整性，以及通過視覺技術識別產品表面缺陷或加工工具是否存在缺陷以保證生產質量。

3.消費電子行業

消費電子行業元器件尺寸小、質量標準高，適合用機器視覺系統檢測，也促進機器視覺技術進步。同時，消費電子產品生命周期短、需求量大，拉動機器視覺市場需求。

機器視覺在消費電子領域，以PCB/FPC AOI檢測、零部件及整機外觀檢測、裝配引導等應用為主，并呈現出越來越多的新的應用場景。

PCB缺陷檢測主要是焊點缺陷檢測和元器件檢測兩大部分。傳統的人工目視檢測法易漏檢、速度慢、時間長、成本高，已不能滿足生產需要，機器視覺PCB檢測系統具有重要的現實意義。

在電路板從印刷裝置中移下，或在清洗劑中清洗后，以及返修完成返回生產線中，機器視覺提供的在線視覺技術可以在實施印刷操作后直接發現存在的缺陷情況，保證了操作者在加上PCB以前能夠及時處理有關問題。另外，發現缺陷時可以有效防止有缺陷的電路板送達生產線后端，從而避免出現返修或廢棄現象。操作者能夠及時得到反饋，明確處于操作中的印刷工藝操作是否良好，達到預防缺陷產生的目的，對生產效率和良率的提升至關重要。

4.圖像識別

圖像識別，簡單講就是使用機器視覺處理、分析和理解圖像，識別各種各樣的的對象和目標，功能非常強大，圖片識別應用熱度在視覺與圖像領域中排名第三。

最典型的圖像識別應該就是識別二維碼了。二維碼和條形碼是我們生活中極為常見的條碼。在商品的生產中，廠家把很多的數據儲存在小小的二維碼中，通過這種方式對產品進行管理和追溯，隨著機器視覺圖像識別應用變得越來越廣泛，各種材質表面的條碼變得非常容易被識別讀取、檢測，從而提高現代化的水平、生產效率大大的提高、生產成本降低。

圖像識別大多商用場景還屬于藍海，潛力有待開發，同時，圖片數據大多被大型互聯網企業所掌握，創業公司數據資源稀少。人臉識別也屬于圖像識別的一個應用場景，做人臉識別的大多數企業同時也在提供圖像識別服務，但是銷售效果不佳，主要贏利點還在于人臉識別。

5.物體分揀

在機器視覺應用環節中，物體分揀應用是建立在識別、檢測之后的一個環節，通過機器視覺系統將圖像進行處理，結合機械臂的使用實現產品分揀。

舉個例子，在過去的產線上，是用人工的方法將物料安放到注塑機里，再進行下一步工序。現在則是使用自動化設備分料，其中使用機器視覺系統進行產品圖像抓取、圖像分析、輸出結果，再通過機器人把對應的物料放到固定的位置上，從而實現工業生產的智能化、現代化、自動化。

6.視頻/監控分析

人工智能技術可以對結構化的人、車、物等視頻內容信息進行快速檢索、查詢。這項應用使得讓公安系統在繁雜的監控視頻中搜尋到罪犯的有了可能。在大量人群流動的交通樞紐，該技術也被廣泛用于人群分析、防控預警等。

視頻/監控領域盈利空間廣闊，商業模式多種多樣，既可以提供行業整體解決方案，也可以銷售集成硬件設備。將技術應用于視頻及監控領域在人工智能公司中正在形成一種趨勢，這項技術應用將率先在安防、交通甚至零售等行業掀起應用熱潮。

7.文字識別

計算機文字識別，俗稱光學字符識別，它是利用光學技術和計算機技術把印在或寫在紙上的文字讀取出來，并轉換成一種計算機能夠接受、人又可以理解的格式。這是實現文字高速錄入的一項關鍵技術。

8.食品包裝與制藥行業應用

機器視覺在食品包裝領域適用范圍廣泛，可用于檢測瓶子的分類和液位測量、標 簽、蓋子、盒子的檢查，以及瓶的形狀、尺寸、密封性和完整性。被檢查的包裝 形狀不限包裝盒、包裝箱、金屬箱、管狀、泡狀、盤狀、廣口瓶、細口瓶、罐裝 和桶裝等。食品包裝是食品質量的重要保障，可以保護食品在流通過程中免受污染，提高品質，避免發生安全事故。

制藥企業的生產過程中，藥品關系到人的生命健康，即使是微小的缺陷存在，一 旦藥品流通到市場后也會對患者造成無法彌補的損失，甚至導致醫療事故的發生。機器視覺在藥品包裝、質量檢測及控制等多個方面有廣大作為，助力醫藥行業加 快現代化、智能化進程。目前，在數粒、打碼、泡罩版缺粒、藥品殘缺和斷片、 加裝說明書、編碼識別等檢測環節，機器視覺檢測內容豐富、穩定、精確，滿足醫藥行業包裝線經常變包裝產品的需求。

9.無人駕駛

隨著汽車的普及，汽車已經成為人工智能技術非常大的應用投放方向，但就目前來說，想要完全實現自動駕駛/無人駕駛，距離技術成熟還有一段路要走。不過利用人工智能技術，汽車的駕駛輔助的功能及應用越來越多，這些應用多半是基于計算機視覺和圖像處理技術來實現。

10.圖像及視頻編輯

目前市場上也出現了很多運用及機器學習算法對圖像進行處理，可以實現對圖片的自動修復、美化、變換效果等操作。并且越來越受到用戶青睞。

機器視覺在應用場景上逐漸突破工業檢測，其應用邊界逐步向智能生活領域拓展。由于機器視覺在智能生活、智能制造兩個領域具有不同的技術特點和應用進展，所以機器視覺于這兩個領域的行業發展趨勢也不盡相同。

應用場景不斷豐富

全球機器視覺正處于快速成長期。據markets and markets預測，全球機器視覺市場規模至2025年有望達到147美元；GGII數據顯示，2019年我國機器視覺市場規模65.5億元（不包含計算機視覺市場），同比增長21.8%。2014-2019年復合增長率為28.4%，并預測到2023年中國機器視覺市場規模將達到155.6億元。

目前主流的機器視覺技術仍采用傳統方式，即首先將數據表示為一組特征，分析特征或輸入模型后，輸出得到預測結果，在結構化場景下定量檢測具有高速、高準確率、可重復性等優勢。但隨著機器視覺的應用領域擴大，傳統方式顯示出通用性低、難以復制、對使用人員要求高等缺點。

深度學習對原始數據通過多步特征轉換，得到更高層次、更加抽象的特征表示，并輸入 預測函數得到最終結果。深度學習可以將機器視覺的效率和魯棒性與人類視覺 的靈活性相結合，完成復雜環境下的檢測，特別是涉及偏差和未知缺陷的情形， 極大地拓展了機器視覺的應用場景。

傳統的2D機器視覺技術在三個自由度（x、y和旋轉）上定位目標物體，并基于灰度或彩色圖像對比度提供圖像處理分析結果，無法獲取目標物體的三維信息， 也易受光照條件變化、物體運動等影響。3D機器視覺技術可以在六個自由度（x、 y、z、旋轉、俯仰和橫擺）上定位目標物體，提供豐富的三維信息，使機器能夠 感知物理環境的變化并作出相應調整，提高了應用中的靈活性和實用性。

機器視覺功能很少作為孤立的系統，而是以整個自動化系統或者設備的有機組成部分之一出現，也往往在配合邏輯控制、運動控制、數據采集、通信網絡以及企業數據庫管理等其它功能時，才能真正發揮出其優勢。

構建機器視覺系統，除了完成從光源調配到圖像處理軟件開發系列過程外，更是面臨著與上述種種復雜的自動化系統功能集成所帶來的挑戰。單一的視覺開發軟硬件方案，往往使得自動化系統整體的開發周期、成本和不確定性風險都要由制造方或者集成商來承擔。機器視覺與自動化系統集成的困難，很大程度上阻礙了其在相對保守的工業自動化領域的應用。

行業內企業、協會和產業聯盟不斷合作，制定數據接口、通訊協議等基礎共性標準，旨在打通視覺和各信息系統的通道，實現系統間的互聯互通，是工業發展的必然趨勢。