机器视觉行业概述

2025-02-19 16:45 郭景润

284

机器视觉行业概述

摘要：

本文对机器视觉的基本定义、发展历程以及其结构组成和作用等进行概述，探讨其与人工智能的紧密联系，并通过具体应用案例展现机器视觉在现代科技与工业领域的广泛应用与显著价值。

关键词：机器视觉，人工智能，四大作用

引言

在当今科技飞速发展的时代，机器视觉技术犹如一颗璀璨的明珠，闪耀在工业自动化、智能监控、医疗影像等诸多领域。它仿若赋予了机器以人类般的视觉感知能力，使其能够精准地捕捉、分析图像信息，从而实现复杂任务的高效执行。从工厂流水线上对产品质量的严格把控，到安防系统中对异常行为的敏锐洞察，机器视觉的应用无处不在，深刻地改变着我们的生产与生活方式。借助深度学习等先进算法，机器视觉系统能够自主学习、不断优化，突破传统技术的局限，达到前所未有的精准度与智能化水平。本文将深入剖析机器视觉的内涵与原理，探讨其与人工智能的紧密联系，并通过应用案例展现这一前沿技术在推动各行业创新发展中的关键作用与巨大潜力。

机器视觉简介

1.1 定义

机器视觉就是用机器代替人眼来做测量和判断，利用光的反射获取信息并进行智能处理与分析，一个典型的机器视觉应用系统包括图像捕捉、光源系统、图像数字化模块、数字图像处理模块、智能判断决策模块和机械控制执行模块。

1.2 发展历程

（1）早期阶段（20世纪50年代-60年代）：

1956年，Rosenblatt提出了感知机模型，尝试模拟人脑神经元的结构和功能，这是机器学习和神经网络的早期尝试。

基于特征的方法（20世纪60年代-80年代）：

1960年代末，出现了基于特征的方法，如边缘检测、角点检测等。这一时期主要关注于图像的低级特征提取。

1970年代，David Marr提出了“计算视觉”理论，强调从图像中提取不同层次的特征以实现物体识别。

知识推理方法（20世纪70年代-80年代）：

1980年代初，机器视觉的研究逐渐转向知识推理。系统试图使用先前编程的规则和知识来理解和解释图像。

统计学习方法（20世纪80年代-90年代）：

1980年代末和1990年代初，统计学习方法开始引入机器视觉。支持向量机、随机森林等方法逐渐应用于目标检测和分类。

深度学习时代（21世纪初至今）：

2012年，AlexNet在ImageNet竞赛上获得胜利，标志着深度学习在机器视觉中的崛起。深度学习的卷积神经网络（CNN）取得了在图像分类、目标检测和语义分割等任务上的巨大成功。

2014年，GoogLeNet和VGG等模型的出现进一步推动了深度学习在机器视觉领域的发展。

2017年，Transformer模型在自然语言处理领域的成功，目前也在计算机视觉领域得到逐步推广与广泛使用。

1.3 结构组成

机器视觉系统一般由硬件部分和软件部分组成，硬件部分包括光源及光源控制器、镜头、工业相机，如图1所示。主流的机器视觉软件包括侧重图像处理的图像软件包Opencv，Halcon、美国康耐视（Cogrex ）的 visionpro；侧重算法的matlab，labview；侧重相机SDK开发的eVision等。

（a）光源及光源控制器（b）镜头（c）工业相机

图1

1.4 作用

机器视觉有四大作用分别如下：

识别

基于目标物的特征进行甄别，例如外形、颜色、字符、条码等。关键在于高准确度和快速识别。

测量

把获取的图像像素信息标定成常用的度量衡单位，精确计算出目标物的几何尺寸。应用场景包括尺寸标注和‌误差测量等。

检测

一般指外观检测，检测产品外观缺陷、尺寸偏差、组装错误等。应用场景包括装配后的完整性检测和外观缺陷检测等。

定位

获得目标物体二维或三维的位置信息，引导生产设备或检测设备进行精确定位或移动。关键在于高精度和快速定位。

机器视觉相比人眼视觉，具有图像采集和分析速度快、观测精度高、环境适应性强、客观性高、持续工作稳定性高等优势，因而可帮助终端使用者进行产品增质、成本降低以及生产数字化。其中产品增质主要体现在三个方面，机器视觉可显著降低检测的漏检率和过杀率，提高生产的精度和良品率；提高产品一致性；在不规则、小尺寸、精细化部件的加工和检测，以及危险环境下具有更加明显的优势。成本降低也体现在三个方面，机器视觉采集和处理图像的时间在微秒级别，可显著提升效率；单台系统可代替多人工作，并可7×24小时不间断工作；柔性化程度高，若生产过程改变，仅需调整算法或增加部分硬件即可实现。

1.5 发展现状与前景

从目前国内形势看，中国机器视觉已经有了较完整的产业链结构，但工业视觉市场成熟的企业很少，很多仍是处于中偏低的水平，机器视觉市场还有很远的一段路要走。

图2 国际机器视觉市场分布

（数据来源：前瞻产业研究院）

图3 中国机器视觉产业链结构

据中商产业研究院的数据统计，机器视觉市场规模不断增长，我国机器视觉行业发展方向具有工业化、信息化、智能化的特点，目前国家逐渐完善相关政策，推动机器视觉发展。

图4 2019-2024中国机器视觉市场规模预测趋势图

机器视觉与人工智能的关系

机器视觉是人工智能的一个重要分支，旨在让计算机具备像人类一样的视觉感知能力。

图5 机器视觉与人工智能的关系

一篇于2023年发表的名为《Robotic Vision for Human-Robot Interaction and Collaboration: A Survey and Systematic Review》的文献，其内容主要是关于机器人视觉在人机交互和协作（HRI/C）中的应用的全面调查和系统性回顾，其中指出“机器视觉技术被用于改善人机交互，使机器人能够通过视觉信息与人类沟通，如通过视觉信号传递信息或命令。这有助于机器人提供更功能性的服务，例如通过摄像头系统捕捉的视觉信息帮助机器人做出更明智的决策”。

机器视觉应用案例

机器视觉的应用领域十分广泛，其中工业零部件表面缺陷检测便是一大应用领域，对于一些要求表面缺陷低于某一参考值的零部件（如轴承、万向节），在投入应用前应先进行工业检测，传统的工业检测方法包括人工目测、磁粉检测、涡流检测、普通2D视觉等方法，这方法普遍存在准确率低、可检伤型少、稳定性低等问题，而基于机器视觉的工业检测则能够显著改善现状，同时具有节约检测成本，节省时间等优点。

除了工业检测方面，机器视觉在汽车行业、制造业均有应用。在汽车行业，康耐视与Automation NTH合作，通过深度学习技术帮助汽车行业客户提升生产效率并加强缺陷检测能力，克服汽车行业中的自动化挑战。In-Sight D900以其卓越的图像采集能力为基础，而VisionPro深度学习软件则依托人工智能的强大算力，仅需少量样本即可快速构建并优化检测模型，实现对细微且多变缺陷的精准捕捉。该方案不仅简化了检测流程，降低了对光源与光照条件的严苛要求，更极大地减少了人工复核的需求，提升了检测效率与可靠性。

在制造业，ING Robotics推出了ROBOEYE，一款将Zivid 2+ L110 3D相机与他们自主开发的软件相结合的3D视觉解决方案。Zivid 2+ L110是一款针对需要广阔视野和工作空间的机器人自动化应用优化的3D相机。该相机设计用于机器人手臂的安装，能够一次性提供托盘、大型料箱和多个容器中物体的高分辨率3D点云。帮助机器人实现无序抓取任务，即从料箱或托盘中取出零件以进行后续加工，需要处理各种尺寸、颜色和材料的物体。提高了物体识别和姿态估计的准确性，减少了错误，并最大化了抓取成功率。

（a）Zivid 2+ L110 （b）ROBOEYE应用场景

图6

结论与展望

在人工智能浪潮中，机器视觉技术异军突起，以其独特的图像处理能力引领着行业变革。从工业自动化到无人驾驶，机器视觉正逐渐改变着我们的生活方式。随着机器视觉的不断发展，其得以应用的领域越来越多，越来越被大众所熟知。然而，其发展之路也充满挑战，算法优化、数据安全等问题亟待解决。但总的来说，机器视觉技术的未来展望是积极的，它将继续在多个领域内扩展应用，同时，技术的进步和市场的需求将继续推动这一领域的创新和发展。