機(jī)器視覺是通過計(jì)算機(jī)來模擬人類視覺功能，以讓機(jī)器獲得相關(guān)視覺信息和加以理解。可分為“視”和“覺”兩部分原理，“視”是將外界信息通過成像來顯示成數(shù)字信號(hào)反饋給計(jì)算機(jī)，需要依靠一整套的硬件解決方案，包括光源、相機(jī)、圖像采集卡、視覺傳感器等；“覺”則是計(jì)算機(jī)對(duì)數(shù)字信號(hào)進(jìn)行處理和分析，主要是軟件算法。

機(jī)器視覺在工業(yè)上應(yīng)用領(lǐng)域廣闊，核心功能包括：測(cè)量、檢測(cè)、識(shí)別、定位等。產(chǎn)業(yè)鏈可以分為上游部件級(jí)市場(chǎng)、中游系統(tǒng)集成/整機(jī)裝備市場(chǎng)和下游應(yīng)用市場(chǎng)。機(jī)器視覺上游有光源、鏡頭、工業(yè)相機(jī)、圖像采集卡、圖像處理軟件等軟硬件提供商，中游有集成和整機(jī)設(shè)備提供商，行業(yè)下游應(yīng)用較廣，主要下游市場(chǎng)包括電子制造行業(yè)、汽車、印刷包裝、煙草、農(nóng)業(yè)、醫(yī)藥、紡織和交通等領(lǐng)域。

機(jī)器視覺中，缺陷檢測(cè)功能，是機(jī)器視覺應(yīng)用得最多的功能之一，主要檢測(cè)產(chǎn)品表面的各種信息。在現(xiàn)代工業(yè)自動(dòng)化生產(chǎn)中，連續(xù)大批量生產(chǎn)中每個(gè)制程都有一定的次品率，單獨(dú)看雖然比率很小，但相乘后卻成為企業(yè)難以提高良率的瓶頸，并且在經(jīng)過完整制程后再剔除次品成本會(huì)高很多（例如，如果錫膏印刷工序存在定位偏差，且該問題直到芯片貼裝后的在線測(cè)試才被發(fā)現(xiàn)，那么返修的成本將會(huì)是原成本的100倍以上），因此及時(shí)檢測(cè)及次品剔除對(duì)質(zhì)量控制和成本控制是非常重要的，也是制造業(yè)進(jìn)一步升級(jí)的重要基石。

一、在檢測(cè)行業(yè)，與人類視覺相比，機(jī)器視覺優(yōu)勢(shì)明顯

1）精確度高：人類視覺是64灰度級(jí)，且對(duì)微小目標(biāo)分辨力弱；機(jī)器視覺可顯著提高灰度級(jí)，同時(shí)可觀測(cè)微米級(jí)的目標(biāo)；

2）速度快：人類是無法看清快速運(yùn)動(dòng)的目標(biāo)的，機(jī)器快門時(shí)間則可達(dá)微秒級(jí)別；

3）穩(wěn)定性高：機(jī)器視覺解決了人類一個(gè)非常嚴(yán)重的問題，不穩(wěn)定，人工目檢是勞動(dòng)非常枯燥和辛苦的行業(yè)，無論你設(shè)計(jì)怎樣的獎(jiǎng)懲制度，都會(huì)發(fā)生比較高的漏檢率。但是機(jī)器視覺檢測(cè)設(shè)備則沒有疲勞問題，沒有情緒波動(dòng)，只要是你在算法中寫好的東西，每一次都會(huì)認(rèn)真執(zhí)行。在質(zhì)控中大大提升效果可控性。

4）信息的集成與留存：機(jī)器視覺獲得的信息量是全面且可追溯的，相關(guān)信息可以很方便的集成和留存。

二、 機(jī)器視覺技術(shù)近年發(fā)展迅速

1）圖像采集技術(shù)發(fā)展迅猛

CCD、CMOS等固件越來越成熟，圖像敏感器件尺寸不斷縮小，像元數(shù)量和數(shù)據(jù)率不斷提高，分辨率和幀率的提升速度可以說日新月異，產(chǎn)品系列也越來越豐富，在增益、快門和信噪比等參數(shù)上不斷優(yōu)化，通過核心測(cè)試指標(biāo)（MTF、畸變、信噪比、光源亮度、均勻性、色溫、系統(tǒng)成像能力綜合評(píng)估等）來對(duì)光源、鏡頭和相機(jī)進(jìn)行綜合選擇，使得很多以前成像上的難點(diǎn)問題得以不斷突破。

2）圖像處理和模式識(shí)別發(fā)展迅速

圖像處理上，隨著圖像高精度的邊緣信息的提取，很多原本混合在背景噪聲中難以直接檢測(cè)的低對(duì)比度瑕疵開始得到分辨。

模式識(shí)別上，本身可以看作一個(gè)標(biāo)記過程，在一定量度或觀測(cè)的基礎(chǔ)上，把待識(shí)模式劃分到各自的模式中去。圖像識(shí)別中運(yùn)用得較多的主要是決策理論和結(jié)構(gòu)方法。決策理論方法的基礎(chǔ)是決策函數(shù)，利用它對(duì)模式向量進(jìn)行分類識(shí)別，是以定時(shí)描述（如統(tǒng)計(jì)紋理）為基礎(chǔ)的；結(jié)構(gòu)方法的核心是將物體分解成了模式或模式基元，而不同的物體結(jié)構(gòu)有不同的基元串（或稱字符串），通過對(duì)未知物體利用給定的模式基元求出編碼邊界，得到字符串，再根據(jù)字符串判斷它的屬類。在特征生成上，很多新算法不斷出現(xiàn)，包括基于小波、小波包、分形的特征，以及獨(dú)二分量分析；還有關(guān)子支持向量機(jī)，變形模板匹配，線性以及非線性分類器的設(shè)計(jì)等都在不斷延展。

3）深度學(xué)習(xí)帶來的突破

傳統(tǒng)的機(jī)器學(xué)習(xí)在特征提取上主要依靠人來分析和建立邏輯，而深度學(xué)習(xí)則通過多層感知機(jī)模擬大腦工作，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)（如卷積神經(jīng)網(wǎng)絡(luò)等）來學(xué)習(xí)簡(jiǎn)單特征、建立復(fù)雜特征、學(xué)習(xí)映射并輸出，訓(xùn)練過程中所有層級(jí)都會(huì)被不斷優(yōu)化。在具體的應(yīng)用上，例如自動(dòng)ROI區(qū)域分割；標(biāo)點(diǎn)定位（通過防真視覺可靈活檢測(cè)未知瑕疵）；從重噪聲圖像重檢測(cè)無法描述或量化的瑕疵如橘皮瑕疵；分辨玻璃蓋板檢測(cè)中的真假瑕疵等。隨著越來越多的基于深度學(xué)習(xí)的機(jī)器視覺軟件推向市場(chǎng)，深度學(xué)習(xí)給機(jī)器視覺的賦能會(huì)越來越明顯。

4）3d視覺的發(fā)展

3D視覺還處于起步階段，許多應(yīng)用程序都在使用3D表面重構(gòu)，包括導(dǎo)航、工業(yè)檢測(cè)、逆向工程、測(cè)繪、物體識(shí)別、測(cè)量與分級(jí)等，但精度問題限制了3D視覺在很多場(chǎng)景的應(yīng)用，目前工程上最先鋪開的應(yīng)用是物流里的標(biāo)準(zhǔn)件體積測(cè)量，相信未來這塊潛力巨大。

三、要全面替代人工目檢，機(jī)器視覺還有諸多難點(diǎn)有待攻破

1）光源與成像：機(jī)器視覺中優(yōu)質(zhì)的成像是第一步，由于不同材料物體表面反光、折射等問題都會(huì)影響被測(cè)物體特征的提取，因此光源與成像可以說是機(jī)器視覺檢測(cè)要攻克的第一個(gè)難關(guān)。比如現(xiàn)在玻璃、反光表面的劃痕檢測(cè)等，很多時(shí)候問題都卡在不同缺陷的集成成像上。

2）重噪音中低對(duì)比度圖像中的特征提取：在重噪音環(huán)境下，真假瑕疵的鑒別很多時(shí)候較難，這也是很多場(chǎng)景始終存在一定誤檢率的原因，但這塊通過成像和邊緣特征提取的快速發(fā)展，已經(jīng)在不斷取得各種突破。

3）對(duì)非預(yù)期缺陷的識(shí)別：在應(yīng)用中，往往是給定一些具體的缺陷模式，使用機(jī)器視覺來識(shí)別它們到底有沒有發(fā)生。但經(jīng)常遇到的情況是，許多明顯的缺陷，因?yàn)橹皼]有發(fā)生過，或者發(fā)生的模式過分多樣，而被漏檢。如果換做是人，雖然在操作流程文件中沒讓他去檢測(cè)這個(gè)缺陷，但是他會(huì)注意到，從而有較大幾率抓住它，而機(jī)器視覺在這點(diǎn)上的“智慧”目前還較難突破。