机器视觉

机器视觉是一个能让机器自动 "看见 "和解读视觉世界的技术领域。它将摄像头、照明和软件结合起来，捕捉和分析图像，使系统能够根据视觉信息做出决策或执行任务。机器视觉主要用于工业和自动化环境，其主要目标是以比人类操作员更快的速度、更高的精度和更稳定的方式执行特定的、通常是重复性的检测和引导任务。它是推动制造、物流和机器人等行业自动化的关键组成部分。

机器视觉如何工作

典型的机器视觉系统由多个硬件和软件组件组成。整个过程从高速摄像机和专用照明开始，目的是捕捉物体或场景清晰、一致的图像。这一步骤被称为图像采集，是实现可靠性能的关键。捕捉到的图像随后由软件进行处理，软件使用算法分析视觉数据。传统上，这些系统依赖于基于规则的图像处理技术。不过，现代机器视觉系统越来越多地采用机器学习（ML）和深度学习（DL）技术来处理更复杂多变的任务。最后一步涉及系统做出决策，例如通过或不通过某个部件，或引导机械臂。整个工作流程通常在从工业 PC 到边缘设备等处理硬件上实时执行。

机器视觉与计算机视觉

机器视觉（Machine Vision）和计算机视觉（Computer Vision，CV）这两个术语经常被互换使用，但它们的侧重点却截然不同。计算机视觉是一个更广泛的科学领域，涉及如何让计算机从数字图像或视频中获得高层次的理解。它涵盖了从面部识别到自动驾驶汽车的广泛应用。

相比之下，机器视觉通常被认为是一门工程学科，是计算机视觉的一个分支，侧重于实际应用，尤其是工业自动化领域。其应用通常针对特定任务，并在高度受控的环境中进行。计算机视觉是关于理解一般意义上的图像，而机器视觉则是关于从图像中提取特定信息以执行任务。有关两者区别的更多详情，请参阅计算机视觉与图像处理之间的比较。

实际应用

机器视觉是现代工业自动化的基石。机器视觉能够执行高速、高精度的视觉任务，因此在许多领域都具有重要价值。

• 制造业的质量控制：机器视觉最常见的用途之一就是自动质量检测。例如，在装瓶生产线上，机器视觉系统每分钟可以检测数千个瓶子，检查是否有裂缝，确保灌装水平正确，并验证瓶盖密封是否正确。由Ultralytics YOLO11等机型提供支持的系统可以执行复杂的物体检测，识别最小的缺陷。这不仅能提高产品质量，还能减少浪费和运营成本。自动化促进协会 (Association for Advancing Automation, A3)提供了有关此主题的大量资源。
• 机器人导向：机器视觉系统为机器人提供 "眼睛"，使其能够精确地执行复杂的任务。在人工智能驱动的物流仓库中，机器视觉可引导机器人识别、拾取和放置物品，以便进行分类和包装。这涉及到物体跟踪和姿态估计，以了解物体的位置和方向。此类系统对电子商务履行中心所要求的高速操作至关重要，是机器人技术和自动化的重要组成部分。

深度学习的作用

深度学习的整合给机器视觉带来了革命性的变化。传统系统受限于基于规则的算法，而深度学习模型，尤其是卷积神经网络（CNN），可以从海量数据中学习。这使它们能够识别缺陷和特征，其细微程度和灵活性在以前是不可能实现的。像YOLOv8和YOLO11这样的模型可以在自定义数据集上进行训练，以识别各种对象和异常情况，因此非常适合生产线上的实例分割等任务。Ultralytics HUB等平台简化了训练和部署这些高级模型的过程。PyTorch和TensorFlow等框架为构建这些复杂的系统奠定了基础，使机器视觉解决方案更加强大和智能。