作為人類視覺在機器上的延伸，機器視覺憑借其分辨率高、速度快、范圍寬、適應性強、精度高、可量化及可持續工作等優勢，將圖像處理應用于機器視覺領域，成為智能制造繁榮發展的推動力。

　　20世紀50年代，Gilson 提出“光流”概念，機器視覺就此萌蘗。統計模式識別運用計算機分析識別二維圖像，集中研究光學字符識別(OCR)、工件表面圖片分析等技術，為機器視覺提供了理論實踐基礎。隨后，機器視覺的研究轉向三維場景，研究范圍不斷擴展和復雜化。

　　1977年，美國麻省理工教授David Marr提出將視覺分為目標與策略、表示與算法、硬件的實現三個層次，機器視覺迎來了第一次理論框架的升級。機器視覺發展至今七十余年，各種理論創新、概念升級和實踐應用不斷涌現，不斷推動著工業智能化、產業數字化的演進。

　　圖：機器視覺發展歷程(圖源：前瞻產業研究院)

　　根據美國制造工程師協會(SME)機器視覺分會和美國機器人工業協會(RIA)自動化視覺分會定義，機器視覺是通過光學的裝置和非接觸的傳感器，自動地接收和處理一個真實物體的圖像，以獲得所需信息或用于控制機器人運動的裝置。機器視覺被稱為自動化系統的“靈魂之窗”，隨著5G、人工智能、物聯網等新興技術的融合發展，在智能制造的浪潮下，機器視覺不斷創新升級、蓬勃發展。

　　智能制造的“眼睛”

　　隨著全球智能制造浪潮的推進，自動化、智能化已經成為現代工廠的發展趨勢，“機器換人”也逐漸成為熱議的話題。作為人類視覺在機器上的延伸，機器視覺憑借其分辨率高、速度快、范圍寬、適應性強、精度高、可量化及可持續工作等優勢，將圖像處理應用于機器視覺領域，成為智能制造繁榮發展的推動力。

　　圖：人類視覺和機器視覺對比

　　如定義所言，機器視覺可以非接觸地對目標物體進行外觀檢測，判斷其有否表面缺陷，并獲取物體坐標、角度、圖像像素等信息，從而判斷物體所在位置，分析計算狀態參數。此外，還可以識別顏色、數字、條碼等物理特征。我們將這些功能主要分為四大類：檢測、定位、測量、識別。

　　圖：機器視覺主要功能(來源：前瞻產業研究院)

　　機器視覺是“人眼”的替代和延展，如同人類視覺一樣，它也擁有一套完整的視覺系統。典型的機器視覺系統一般包括光源及光源控制器、鏡頭、相機、視覺控制系統等。其中，光源及光源控制器、鏡頭、相機等硬件部分負責圖像捕捉功能，視覺控制系統則負責對成像結果進行處理分析、輸出分析結果至智能設備的其他執行機構。

　　機器視覺性能優勢顯著，技術持續創新，未來機器視覺將朝向深度學習、3D視覺等方向不斷發展和精進。

　　深度學習技術

　　深度學習是機器學習最重要的分支，典型深度學習算法包括卷積神經網絡(CNN)、循環神經網絡(RNN)、生成對抗網絡(GANs)、深度強化學習(RL)等。深度學習利用人類知識和計算機算法共同構建整體架構，通過對數據進行清洗、標簽、歸一化、去噪、降維等預處理，配合計算機大規模運算能力，調節內部參數，對數據進行訓練，從而自動提取目標數據。深度學習具有學習能力強、覆蓋范圍廣、適應能力強、可移植性好等優勢。

　　3D視覺技術

　　3D視覺技術分為3D重構技術和3D數據分析算法兩部分，具體包括雙目視覺技術、結構光技術、TOF(飛行時間)相機技術、線激光掃描技術和光譜共聚焦技術。較之2D機器視覺技術，3D技術在x、y、z、旋轉、俯仰、橫擺等六個自由度上還原目標物體三維信息，為工業控制提供更精確靈活的特征分析與數據處理。

　　機器視覺市場藍海，智能制造加速

　　后疫情時代，全球數字化進程加速，工業智能化、數字化不斷轉型升級，機器視覺與工業應用緊密結合，在人工智能、物聯網、5G等新興技術的融合創新中，不斷深入應用落地。