Machine Vision

探索机器视觉如何自动化工业检测和引导。了解如何部署 Ultralytics YOLO26 以实现实时缺陷检测和机器人精密作业。

机器视觉是指将光学传感器、数字成像硬件和图像处理算法集成到工业设备中，以实现视觉检测和引导任务的自动化。虽然它与更广泛的人工智能技术有着共同的基础，但机器视觉的独特性在于其工程重点在于与物理环境的实时交互。它充当了生产线或自主系统的“眼睛”，通过捕获视觉数据，使控制系统能够以高精度识别缺陷、分拣产品并引导机械臂。通过将专业相机与精密软件相结合，这些系统提高了从汽车制造到医药包装等各行业的质量控制和运营效率。

Link to this section机器视觉与计算机视觉#

虽然这两个术语经常互换使用，但机器视觉与计算机视觉之间存在功能上的区别。计算机视觉 (CV) 是一个涵盖性的学术和技术领域，涉及从数字图像中提取有意义的信息。机器视觉 (MV) 特指 CV 在工业或实际场景中的应用，其中系统必须与其他硬件进行交互。

For example, a computer vision model might analyze a medical dataset to find trends in X-rays, whereas a machine vision system uses edge computing to trigger a pneumatic actuator that rejects a cracked bottle on a conveyor belt within milliseconds. MV systems prioritize speed, reliability, and integration with input/output (I/O) devices, often deploying models to embedded devices for low-latency performance.

Link to this section核心组件与技术#

典型的机器视觉系统依赖于紧密集成的硬件和软件流水线。它始于图像采集子系统，其中包括用于突出特征的专用照明和捕获高分辨率帧的图像传感器（如 CMOS 或 CCD）。这些数据被传输到处理单元（通常是工业 PC 或智能相机），算法会在该单元对像素数据进行分析。

现代系统越来越多地利用深度学习来处理传统基于规则的算法无法处理的复杂变化。神经网络，例如最先进的YOLO26，使机器视觉系统能够从示例中学习，而不是依赖僵化的编程。这种转变实现了自适应制造，系统无需大量重新编程即可识别新的产品变体。

Link to this section实际应用#

机器视觉推动了各行业的自动化，确保了人工检测无法比拟的一致性。

Link to this section自动光学检测 (AOI)#

在电子制造领域，AOI 系统对于质量保证至关重要。随着电路板变得越来越小且越来越复杂，人眼难以验证组件。机器视觉系统利用目标检测来识别印刷电路板 (PCB) 上缺失、倾斜或错误的组件。通过采用实例分割，系统可以计算精确的焊接区域，以确保电气连接。如果发现缺陷，系统会自动标记电路板以进行返工，防止有缺陷的电子产品进入消费市场。

Link to this section视觉引导机器人 (VGR)#

物流和仓储中使用的机器人依靠机器视觉进行导航和操作。在所谓的料框抓取过程中，机器人必须定位随机堆放的物品并准确抓取。这需要姿态估计，以确定物体在 3D 空间中的方向和关键点。通过处理视觉输入，机器人可以动态调整其抓取角度。这种人工智能在机器人技术中的集成，使得灵活的自动化生产线能够处理不同的产品形状，而无需机械重装。

Link to this section使用 YOLO26 实现机器视觉#

随着现代框架的出现，开发机器视觉应用变得更加容易。Ultralytics Platform 简化了工业数据集的标注以及针对边缘部署进行优化的模型训练流程。以下是一个开发人员如何使用 Python 来运行缺陷检测检查的示例，该示例使用了最新的 YOLO 模型。

from ultralytics import YOLO

# Load a custom YOLO26 model trained for detecting manufacturing defects
# 'yolo26n.pt' is the nano version, optimized for high-speed inference
model = YOLO("yolo26n.pt")

# Run inference on an image from the production line
# 'conf=0.6' sets a strict confidence threshold to avoid false positives
results = model.predict(source="conveyor_belt_feed.jpg", conf=0.6)

# Process results to trigger an action (e.g., stopping the line)
for r in results:
    if len(r.boxes) > 0:
        print(f"Defect Detected: {r.names[int(r.boxes.cls[0])]}")
        # Logic to trigger hardware rejection mechanism would go here