简单来说，机器视觉就是用机器代替人眼来做测量和判断。
它是一门涉及人工智能、神经科学、心理物理学、计算机科学、图像处理、模式识别等诸多领域的交叉学科。机器视觉系统通过图像摄取装置（如摄像头）将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布、亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
核心价值： 提高生产的柔性和自动化程度，尤其是在不适合人工作业的危险工作环境或人工视觉难以满足要求的场合。同时，在大规模工业生产过程中，用机器视觉检测方法可以大大提高生产效率和自动化程度，并且实现100%在线全检，保证产品质量的稳定性。
一个典型的机器视觉系统通常包括以下五个部分：
1. 照明系统
重要性： 照明是系统中最关键的部分之一，直接影响图像质量。好的照明方案能够突出被测物体的特征，减少干扰，降低后续处理的复杂度。
类型： 环形光、条形光、背光、同轴光、圆顶光等。
选择依据： 根据物体的表面特性（反光、吸光）、形状、检测需求等来选择。
2. 镜头
作用： 相当于人眼的晶状体，负责将目标成像到相机传感器上。
关键参数： 焦距、景深、分辨率、畸变等。选择合适的镜头是保证图像清晰、不失真的前提。
3. 工业相机
作用： 相当于人眼的视网膜，是将光信号转换成电信号的设备，是图像信号的“捕捉者”。
分类：
按传感器类型： CCD相机、CMOS相机（目前主流）。
按输出信号： 模拟相机、数字相机（如GigE， USB3.0， CoaXPress）。
按图像颜色： 黑白相机、彩色相机。
按结构： 面阵相机、线阵相机。
4. 图像采集与处理系统
图像采集卡： 早期系统常用，用于将相机输出的模拟信号转换为数字信号供计算机处理。现在大多数数字相机已无需采集卡。
视觉处理软件： 系统的“大脑”。它包含各种图像处理算法，用于对采集到的数字图像进行分析、计算，并给出最终结果。
处理器： 通常是工业PC（IPC）、工控机或嵌入式视觉系统，负责运行视觉处理软件。
5. 通信与执行机构
作用： 将处理结果（如“合格/不合格”、“尺寸数据”、“位置坐标”等）输出给外部设备。
通信方式： I/O信号（数字输入/输出）、串口、以太网等。
执行机构： PLC（可编程逻辑控制器）、机器人、警报器、喷码机、机械臂等，根据视觉系统的判断结果执行相应的动作，如剔除次品、引导机器人抓取等。
机器视觉系统的工作可以概括为以下四个步骤：
图像采集： 在精心设计的照明环境下，镜头将被测目标清晰地成像在工业相机的传感器上，相机将光信号转换为电信号，最终形成一张数字图像，并通过接口（如GigE）传输给计算机。
图像预处理： 由于现场环境、相机噪声等影响，原始图像可能存在干扰。预处理的目的就是优化图像，突出有用信息。常用方法包括：滤波去噪、对比度增强、几何校正、二值化等。
特征提取与分析： 这是核心处理环节。软件利用算法从图像中提取关键信息。
定位： 找到目标物体在图像中的位置和角度。
测量： 计算目标的几何尺寸，如长度、角度、直径等。
识别： 读取条形码、二维码或字符（OCR）。
缺陷检测： 检查产品表面是否有划痕、污点、缺失等。
判断与执行： 将提取的特征与预设的标准（如公差范围、模板图案）进行比较，做出判断（如合格/不合格），然后通过通信接口将指令发送给执行机构（如PLC控制机械臂将不合格品推走）。
机器视觉的应用几乎遍布所有工业领域：
检测与测量：
尺寸测量： 零部件的高精度尺寸检查。
缺陷检测： PCB板线路检查、药品包装缺陷、纺织品瑕疵、铸件表面裂纹等。
识别与读取：
OCR/OCV： 读取产品包装上的生产日期、批号；验证药品标签印刷是否正确。
条码/二维码读取： 在物流分拣、产品追溯中快速读取信息。
定位与引导：
机器人引导： 引导工业机器人准确抓取、放置零件，或进行精密装配。
对位： 在半导体和显示屏制造中，精确对齐不同层。
其他领域：
智能交通： 车牌识别、交通流量监控。
安防监控： 人脸识别、行为分析。
医疗影像： 辅助诊断（X光、CT图像分析）。
农业： 水果分选、作物监测。
3D视觉技术： 提供深度信息，能处理更复杂的应用，如无序抓取、三维尺寸测量等。
深度学习与AI： 传统算法对复杂、多变的缺陷（如木材、皮革纹理缺陷）无能为力。深度学习通过大量样本学习，能极大提升这类应用的准确率和鲁棒性。
嵌入式视觉： 将视觉系统集成到更小、更低功耗的嵌入式设备中（如ARM架构处理器），推动视觉技术在移动设备、无人机、自动驾驶等领域的应用。
一体化与智能化： 智能相机（将相机、处理器、软件集成于一体）和视觉传感器因其易于安装、使用简便而越来越受欢迎。
云视觉与物联网： 将图像数据上传至云端进行分析，实现数据互通和远程监控，构建更智能的制造生态系统。
QK001
