机器视觉

机器视觉是一门工程学科和技术，通过分析图像实现自动检测、过程控制和 通过分析图像实现自动检测、过程控制和机器人引导的工程技术。它就像工业自动化的 "眼睛"，将光 硬件与精密软件相结合，解释视觉输入并触发物理动作。虽然它在很大程度上依赖于 计算机视觉 (CV) 尽管机器视觉依赖于计算机视觉（CV）的理论原理，但其与众不同之处在于 机器视觉与计算机视觉（CV）不同，它侧重于在结构化环境中的实际应用。这项技术是 工业 4.0 的基石，使智能工厂能够 以比人类操作员更高的速度、精度和一致性运行。

核心组件和功能

典型的机器视觉系统集成了多个关键组件，以可靠地执行特定任务。其 该过程从图像采集开始。 工业相机和专用镜头捕捉视觉 数据。最重要的是，这些系统利用工程设计的 照明技术 突出相关特征，如表面纹理或边缘，同时抑制噪音。

图像被捕获后，将由一个计算单元（通常是边缘计算设备或智能相机）进行处理。 边缘计算设备或智能相机运行先进算法 高级算法进行处理。从历史上看，这些都是基于规则的系统（例如，计算像素），但现代应用 越来越依赖于 人工智能（AI）和 深度学习（DL）。像 Ultralytics YOLO11等模型分析图像以识别模式、 detect 缺陷或测量尺寸。然后，系统会做出决定--例如接收产品或引导机械臂--并将决定传达给人工智能系统。 然后将其传递给可编程逻辑控制器 (PLC)。 可编程逻辑控制器 (PLC)。

机器视觉与计算机视觉

虽然这两个术语经常互换使用，但重要的是要将机器视觉与更广泛的计算机视觉领域区分开来。 计算机视觉。计算机视觉是一个科学领域，专注于使计算机能够 "理解 "一般图像，通常处理社交媒体照片或监控录像等非结构化数据。 图像，通常处理社交媒体照片或监控录像等非结构化数据。它 包括从 图像分类到生成式人工智能。

而机器视觉则是应用这些技术来解决工业问题。 机器视觉系统通常在受控环境中运行，具有一致的照明和相机定位，以确保高可靠性。 以确保高可靠性。例如，计算机 视觉模型可能会努力识别公园里的一只狗，而机器视觉系统则是为了detect 高速移动的活塞环上的微小划痕。 活塞环上的微小划痕。

实际应用

机器视觉通过自动化视觉任务，提高了众多行业的效率。

• 自动质量控制：在 在制造业，机器视觉系统 进行 自动光学检测 (AOI)，以 detect 人眼看不到的缺陷。利用 物体检测模型，这些系统可以 即时识别装配线上的裂缝、凹痕或缺失部件等缺陷，确保只有高质量的产品才能进入市场。 高质量的产品进入市场。
• 视觉引导机器人技术：机器视觉对于现代 机器人技术必不可少。它使机器人能够定位和拾取料仓中的物体（料仓拾取 从料仓中拾取物体（料仓拾取），或精确定位部件进行装配。通过集成 姿势估计，机器人可以了解物体在三维空间中的方位，从而实现与物体的动态交互。 三维空间中物体的方位，从而实现与环境的动态互动，而不是遵循预先设定的路径。 预编程路径。

使用YOLO11实现机器视觉

现代机器视觉通常利用最先进的神经网络来实现强大的性能。下面的示例 演示了如何使用 ultralytics Python 软件包来加载一个 YOLO11 型号 并进行推理，这是 这是在生产线上验证部件的常见步骤。

from ultralytics import YOLO

# Load a pre-trained YOLO11 model (or a custom-trained industrial model)
model = YOLO("yolo11n.pt")

# Run inference on an image of a manufactured component
# This step identifies objects and checks for defects based on training
results = model("production_part.jpg")

# Display the results to visualize detections and confidence scores
results[0].show()

这一简单的工作流程是复杂系统的基础，在复杂系统中 实时推理决定快速生产线上产品的即时 实时推理决定快速生产线上产品的即时命运，最大限度地减少推理延迟，以跟上生产进度。 推理延迟，以跟上生产 速度。