推荐语

探索AI如何赋予机器视觉，成为智能产业的核心动力。

核心内容：
1. 机器视觉的定义及其在模拟人类视觉中的作用
2. 机器视觉系统的构成及其在工业和非工业领域的应用
3. 机器视觉的四大功能：识别、测量、定位和检测的详细解读

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

关于机器视觉

机器视觉是人工智能的基础应用技术之一，通过模拟人类视觉系统，赋予机器“看”和“认知”的能力。机器视觉作为智能机器视觉能够在多种场景下替代人眼实现多种功能，主要包括识别、测量、定位和检测。机器视觉作为现代工业与技术的核心驱动力，在提升生产效率、保障作业安全、推动智能制造及产业升级方面展现出了非凡的重要性和无限潜力。

机器视觉（Machine Vision）是一种应用于工业和非工业领域的硬件和软件组合，它基于捕获并处理的图像为设备执行其功能提供操作指导。机器视觉可以分为成像和图像处理分析两大部分。前者依靠机器视觉系统的硬件部分完成，后者在前者基础上，通过视觉控制系统完成。典型的机器视觉系统，一般包括：光源及光源控制器、镜头、相机、视觉控制系统（视觉处理分析软件及视觉控制器硬件）等。其中，光源及光源控制器、镜头、相机等硬件部分负责成像功能，视觉控制系统负责对成像结果进行处理分析、输出分析结果至智能设备的其他执行机构。

机器视觉四大功能

在推动智能制造方面，机器视觉作为智能机器视觉能够在多种场景下替代人眼实现多种功能，这些功能可以归结为四种基本类型：识别、测量、定位和检测。

1) 识别功能：基于目标物的特征进行甄别，包括外形、颜色、字符、条码等。识别的准确度和速度是评估识别性能的关键指标。通过机器视觉，可以快速且准确地识别出目标物，提高生产效率。

2) 测量功能：将获取的图像像素信息转换为常用的度量衡单位，从而精确计算出目标物的几何尺寸。机器视觉在高精度以及复杂形态的测量方面具有显著优势，能够提供更准确、更可靠的测量结果。

3) 定位功能：用于获取目标物体的位置信息，可以是二维或三维的位置信息。定位的精度和速度是定位功能的主要评价标准。机器视觉能够实时、准确地获取目标物体的位置信息，为自动化生产提供有力支持。

4) 检测功能：外观检测，其种类繁多。例如，产品装配后的完整性检测可以确保元器件被正确安装在印刷电路板上；外观缺陷检测则可以检测产品表面是否有划痕、凹凸不平等问题。机器视觉在检测领域的应用能够及时发现并处理潜在问题，提高产品质量和生产效率。

机器视觉的分类

按照应用的领域与细分技术的特点，机器视觉可以进一步分为工业视觉、计算机视觉两类。相应地，其应用领域可以划分为智能制造和智能生活两类。

工业视觉主要用于工业领域的工件识别、测量、检测，以及配合机械臂实现定位抓取等功能，工业场景对精度、稳定性的高要求使工业视觉对工业相机、光源、镜头等硬件的要求相对计算机视觉而言更高。计算机视觉的主要功能为图像分类、目标检测、图像分割、图像重构、人脸识别等，除医疗、航空、军事等特殊行业外，对于硬件要求相对较低。

在算法方面，工业视觉更侧重于在重复性工作要求下对识别精度的提高，常用算法包括图像预处理、图像分割、边缘检测、图像匹配、图像矫正、像素比对、缺陷分类等。计算机视觉更侧重于赋予系统智能化的功能，通常采用图像与处理算法、图像特征处理算法、深度学习算法等。

机器视觉主要技术

工业视觉检测技术的蓬勃发展得益于底层技术的创新和市场需求的日益增长。一方面，先进的传感器、高速处理器和机器学习算法等底层技术的进步为工业视觉检测提供了更强大的硬件支持和更智能的图像分析能力。另一方面，制造业对于质量控制、生产效率和成本节约的不断追求，推动了对高精度、高速度视觉检测解决方案的需求。这些因素共同促进了工业视觉检测技术在多个方面的显著进步。

工业视觉检测是对感知、计算、机械等多项技术的交叉融合和综合应用，相关基础技术的进步主要包括如下几个方面：

1）图像采集技术

图像采集包括工业相机、光学镜头、光源、光源控制器等硬件设备，负责对被检测对象进行高质量成像，获取一副或多副图像。采集图像的精度和细节清晰度直接决定了视觉检测的准确性。近年来，多视角、多光谱成像技术迅速发展，以应对复杂几何形状和多材质表面的高精度检测需求；多相机系统与灵活可调的光源设计正在成为主流，尤其是在处理具有遮挡区域或光泽反射问题的构件时，三维成像和多光谱成像技术可显著提升检测精度和效率；此外，超高分辨率相机和先进光学镜头的广泛应用，正在推动从微米级到纳米级的缺陷检测能力的提升。

2）图像处理技术

图像处理包括提供算力的硬件和执行图像解析的算法两大部分。传统的机器学习算法需要在特征提取的基础上依靠逻辑规则来实现缺陷检测，难以应对非规则性、多样化特征，正在被基于深度学习的 AI 算法替代。AI 算法通过大规模缺陷样本库训练，能够快速识别微小、非线性和不规则的缺陷，但也带来更高的算力需求，推动图像处理从上位机迁移至专用的图像处理卡、工业服务器等硬件设施之上。此外，云边协同以及 5G 等技术的融合，也进一步拓展了可用算力的空间范围，使云计算、边缘计算也进入工业视觉质检领域。

3）硬件相关技术

视觉检测系统包括 PLC、机械臂、滑轨、伺服电机、夹具等硬件，负责控制待检测对象或采集设备的运动，包括顶升、旋转、翻转等操作。传统的硬件机构基于预设的逻辑执行固定的动作，随着三维视觉和实时建模技术的成熟和引入，自适应路径规划将得到更多应用；此外，高自由度机械臂、多轴运动平台、灵巧手等技术快速发展，极大的提升了执行机构的灵活性和精确性。上述多项技术的融合发展，使得检测设备不仅能够在受限空间中进行更加灵活、多角度和全方位的检测操作，而且能够处理更加复杂的场景和异形工件，有效应对工业生产中对高效性和灵活性的需求。

4）机器替人

一方面，机器视觉相比人类视觉具有显著优势，如识别精度更高、识别速度更快、一致性和稳定性更高等；另一方面，劳动力短缺和成本上升，也是推动机器替人的重要要素。

5）智能决策支持

AI 向工业制造的全流程渗透，这一转型不仅包括研发设计、生产制造等环节，而且也推动了质量检测技术、检验标准的升级，对生产效率和精度的要求不断提升，带动了高精度工业视觉检测技术的广泛需求。

5）柔性化生产

个性化定制和小批量、多品种生产成为制造业新趋势，视觉检测系统专款专用逐渐变得不可行，而需具备更高的灵活性，以快速适应不同型号的产品和不同复杂度的工艺，进一步推动视觉检测技术向智能化和自适应方向发展。

国家政策相关

工业发展历经了蒸汽时代、电器时代、信息化时代，直至发展到当下的智能时代。这一过程中，工业制造中的构件也经历了从粗制到精制的转变。在如今智能制造潮流下，随着人工智能以及自动化和数控等技术驱动的制造工艺的发展，使得精密制造的能力得到了前所未有的提升。与此同时，我国汽车、航空航天、先进轨道交通等行业发展势头好，此类行业对质量的需求非常严苛，视觉检测技术在工业制造中应用的愈加普遍、而且重要。

精密制造中工业构件的加工方式多样，涉及钻削、车削、铣削、磨削和特种加工等，这些工艺虽然成熟，但在处理复杂或难以加工的材料时，仍然面临着挑战，如极易产生划痕、撕裂等加工损伤，不仅影响构件的外观美观性，严重情况下甚至可影响构件的服役性能和可靠性。加之各领域向高端化发展，损伤容限要求苛刻，对构件的缺陷检测也提出了更高的要求。如汽车轮毂、变速箱，飞机发动机叶片等，不但工艺复杂，而且几何形状繁复，具有镂空、遮挡、多面、交叠等形态，传统的检测手段无法满足当前的精度和效率需求，需要更精准的工业视觉检测技术来确保无遗漏的识别潜在缺陷。

2023 年 3 月，工业和信息化部、国家发展改革委等七部门联合印发《智能检测装备产业发展行动计划(2023-2025 年)》，系统推进智能检测装备基础创新、高端供给、应用推广、生态发展。文件提出，到 2025 年，智能检测技术基本满足用户领域制造工艺需求，核心零部件、专用软件和整机装备供给能力显著提升，重点领域智能检测装备示范带动和规模应用成效明显，基本满足智能制造发展需求。北京等省市出台的《智能检测装备发展行动方案》中也纷纷指出要大力发展智能检测设备，全面提升智能检测装备供给能力和水平，推动智能制造深入实施。

视觉检测作为智能制造的核心技术，是“工业六基”的重要组成和产业基础高级化的重要领域。发展高精度工业视觉检测技术对加快制造业高端化、智能化、绿色化发展，提升产业链、供应链韧性和安全水平，加快形成新质生产力，支撑制造强国、质量强国和数字中国建设具有重要意义。

机器视觉软件

深度融合更多 AI 技术，目前，在制造业转型升级过程中，AI 技术与机器视觉的深度融合已是大势所趋。已经在传统经典算法与 AI 算法的结合上已取得显著成果。通过充分发挥两者的 优势，可以为各行业提供了更加精准、高效的机器视觉解决方案。

融合多模态数据，机器视觉不再局限于单一的视觉信息，而是开始与其他传感器数据进行融合。未来在 AI 和多维感知技术结合方面将会是趋势之一。如可以通过 AI 在工业质检中 发挥更大的价值，建立行业大模型，以推动 AI 技术在机器视觉领域的更广泛应用。

自主学习与增强学习，机器视觉系统正在注重自主学习和增强学习的能力。通过与环境的互动和反馈，机器能够自动调整和改进自己的算法和模型，进一步提升图像识别和分 析的准确性。

边缘计算与云端协同，边缘计算将在机器视觉领域得到更广泛的应用。将一些计算任务转移到离用户更近的终端设备上，可以减少延迟、提高响应速度，并减少对网络带宽的需求。同时，基于云的机器视觉技术使机器视觉系统能够在云端处理和存储数据，提供全球范围内的数据访问，这对于需要跨多个地点收集和分析数据的大规模运营来说尤为重要。

机器视觉软件的核心为软件算法，主要是对数字信号进行各种运算来抽取目标的特征，进而根据判别结果来控制现场的设备动作，自动完成对图像采集、显示、存储和处理。机器视觉软件算法主要包含 2D 视觉算法、基于深度学习的缺陷检测算法、3D 视觉算法、 3D 点云处理、多传感器融合标定等。机器视觉算法平台主要包括商业算法库和开源算法库， 目前在工业视觉应用较多的 Halcon、Visionpro、NIvision、VisionMaster 等机器视觉算法库，也包括 OpenCV 这样的 开源算法库。

对所获得的视觉信号进行处理是机器视觉系统的关键所在，机器视觉软件类似“大脑”，通过图像处理算法完成对被测物的识别、定位、测量、检测等功能。机器视觉图像处理软件 一般分为两类：一类是底层算法，包含大量处理算法的工具库，用以开发特定应用，主要使 用者为集成商与设备商；另一类是经过二次开发后的软件，是专门实现某些功能的应用软件， 主要供最终用户使用。目前，机器视觉软件比较常见的开发模式是“视觉应用软件+视觉算法平台（算子库）”。 视觉应用软件一般由视觉集成商或设备商根据应用需求开发，具有专机专用、行业特征明显等特点，比如点胶视觉软件、筛选机视觉软件、上料机视觉软件、模具保护器视觉软件等。

视觉算法平台由底层算法研发能力较强的视觉公司开发，一般具有较高的通用性和灵活度，能用在多个行业应用中，国外知名的处理软件有德国 MVTec 的 Halcon，康耐视的  VisionPro、加拿大 Matrox 的 MIL 等，国内常用的有海康机器人的VisionMaster 算法平台， OPT 的 Sci Vision，凌云光的 Vision Ware，创科的 CKVision、陕西维视的 Vision Bank、 图漾科技的 RobotVisionSuite 等。除了视觉公司推出的商业软件库，还有开源算法，如 OpenCV、VTK、PCL、CGAL 等，为视觉系统开发者提供了便利。

机器视觉的场景

机器视觉作为制造业的一项关键技术，是人工智能领域的一个重要应用方向，能够助力制造业进行测量、定位、识别、缺陷检测，不仅可以克服人眼检测标准的不一致性、非重复性和主观性等问题，也能在高速、高光谱、高分辨率、高可靠性以及工业持续性、环境适应性等方面全面超越人眼极限，并在大模型等人工智能技术驱动下，加速向智能化发展。

机器视觉是工业领域用于机器自主控制的工具，计算机视觉是构建机器视觉的关键技术之一，计算机视觉能够让计算机处理和理解真实图像，从而为机器视觉的后续流程提供图像洞察能力的支撑。机器视觉是工业 4.0 的关键元素，它能够助力工业系统实现自动化、智能化升级，改善系统在成本、效率、安全性、稳定性等方面的表现。例如，通过在产线中部署机器视觉系统，工业企业能够将部分流程转变为智能化的流程，从而改善库存状况、提升生产效率和改善制造质量。近年来，随着视觉传感器成本的降低和图像识别精度的提高及计算机性能与人工智能算法的突飞猛进，机器视觉系统在工业系统中得到了广泛部署，机器视觉市场快速增长。