一臺機器為什麼能(neng)看到你(ni)?因為它有了自己的視覺。機器視覺技術是一門涉及人工智能、神經生(sheng)物學、心理物理學、計算機(ji)科學、圖像處(chu)理、模式识別等诸多领域的(de)交叉學科(ke)。機器視(shi)覺主要用(yong)計算機來模擬人的視覺功能，从客觀(guan)事物的圖像中提取信息，進行處理(li)並加以理解，最終用(yong)於實际檢測、測量和控製，技術最大的特點(dian)是速度快、信息量大、功能多。
機器視(shi)覺主要用(yong)計算機來模擬人的視覺功能，但並不仅(jin)仅是人眼的簡(jian)單延伸，更重要的是具有人脑的一部分功能一一从客觀事物的圖像中(zhong)提(ti)取信息，進行處理(li)並加以理解，最終用(yong)於實际檢測、測量和控製。
一個典型的工業(ye)機器視覺應(ying)用系統，包(bao)括数字圖像處理技術、機械工程技術、控(kong)製(zhi)技術、光源照(zhao)明技術、光學成像技術、傳感器技術、模擬與数字視頻技術、計(ji)算機软(ruan)硬件技術、人機接口技術等。
发展历史簡介
機(ji)器視覺的研究是从20世紀60年代中期美國學者L.R.羅伯兹關於理解多面體組成的积木世界(jie)研究開始的。当時運用的预處理、边缘檢測、轮廓線構成、對象建模、匹配(pei)等技術，后來一直在機器視覺中應用。
羅伯兹在圖像分析過程中(zhong)，采用了自底向上的方法。用边缘(yuan)檢測技術來確(que)定轮廓線，用區域分析技(ji)術將圖像劃分為由灰度相近的像素組成的區(qu)域，这些技術統(tong)称為(wei)圖像分割。其目的在於用轮廓(kuo)線和區域對所分析的圖像進行描述(shu)，以便同機内存(cun)储的模型進行比较匹(pi)配。
實践表明，只用自底向上(shang)的分析太困难(nan)，必须同時采用自顶(ding)向下，即把目標分為若干子目(mu)標的分析方法(fa)，運用启发式知识對(dui)對象進行预測(ce)。这同言语理(li)解(jie)中采用的自底向上和自顶向下相結合的方法是一致的。在圖像理(li)解研(yan)究中，A.古兹曼提出運(yun)用启发式知识，表明用符號過程來解释轮廓画的方法不必求助於诸如最小二乘法(fa)匹配之(zhi)類的数值計算程序。
70年代以后，機(ji)器視覺(jue)形成几個重要研究分支：一、目標製(zhi)导的圖(tu)像處理;二、圖(tu)像處理和分析的並行(xing)算法;三、从二維圖像(xiang)提取三(san)維信息;四、序列(lie)圖像分析(xi)和運動參量求值;五、視覺知识的表示;六、視覺系統(tong)的(de)知识库等。
全球應用情况
在國(guo)外，機器視覺的應(ying)用普及主要(yao)體現在半导體及電子行業，其中大概40%-50%都集中在半导體行業。機器(qi)視覺系統還在質量檢測的各個方面已經(jing)得到了廣泛的應用，並且其產品在應用中占據着(zhe)舉足(zu)轻重的地位。除(chu)此之外(wai)，機器(qi)視覺還用於其他各(ge)個领域。
而在中國，視覺(jue)技術的應用開始於90年代，因為行業本身就屬於新興的领域，再加之機器視覺產品技術(shu)的普及不够，导致以上各行(xing)業的應用几(ji)乎空白。目前國内機器視覺大多為國外品(pin)牌(pai)。國内大多(duo)機器視覺公(gong)司基本上是靠代理國外各種機器視覺品牌起家，随着機器視覺的不(bu)断應(ying)用，公(gong)司規模慢慢(man)做大，技(ji)術上已經(jing)逐渐成熟。
在行業應用(yong)方面(mian)，主要(yao)有製药、包裝(zhuang)、電(dian)子、汽车製造、半导體、紡(fang)織、煙(yan)草(cao)、交通(tong)、物流等行業，用機器視覺(jue)技術取(qu)代人工，可以提供(gong)生產效率和產品質量(liang)。例(li)如在物流行業(ye)，可以使用(yong)機(ji)器視覺技術進行快遞的分拣分類，不會出現大多(duo)快遞公司人工進行分拣，减少物品的损坏(huai)率，可以提高(gao)分拣效(xiao)率，减少人工劳動。
主要問題和发展瓶颈
機器視覺可以看作是與人工智能和模式识別密切相關的一個子學(xue)科或子领域(yu)。限製機器視(shi)覺发展(zhan)的瓶颈是多方面的，其中(zhong)最重要的可以归結為三個方面：計算能(neng)力不足(zu)、認知理论未明以及精確识別與模糊特征之間的自相(xiang)矛(mao)盾。
1.機器視覺面向的研究對象主要是圖(tu)像和視頻，其特點是数據量庞大、冗余信息多、特征(zheng)空間(jian)維度高，同時考虑到真正的機器視覺面對的(de)對象和(he)問題的多樣性，單一的簡單特征提取算(suan)法(如顏色、空間朝向與(yu)頻率、边界(jie)形状等等(deng))难(nan)以满足算法對普適(shi)性的要求，因此在設計普適性的特征提(ti)取算法(fa)時對計算能力和存储速度的要求是十分巨大的，这就造成了開发成本的(de)大幅(fu)度提高。
2. 如(ru)何讓機器認知这個世界(jie)?这一問題目前没有成熟的答案，早期的人工智能理论发展經历了符號主(zhu)義學派、行為主義學派、连接主(zhu)義學派等一系列的发展但都没有找到令人满意的答案(an)，目前较新(xin)的思想認為應该(gai)从分析、了解和(he)模(mo)擬人類大脑的信息處理功能去構建智能機器視覺系統，但神經科學的发展目(mu)前只能做到了解(jie)和模擬大脑的一個局部，而(er)不(bu)是整體(当然計算能力限(xian)製(zhi)也是原因之一)。事實上，我們對人是如何對(dui)一個目標或場景進(jin)行認知的这一問題仍停留在定性描述而非定量描述上。
3. 機器視覺系統經常被人诟病的問題之(zhi)一就是準確性。以十年前如火如荼的人脸识別算(suan)法(fa)為例，盡管一系列看似(shi)優秀的算法不断(duan)問世，但目前為止在非指定大規模樣本库下進行(xing)人脸识別的準確率仍然无法满足實际應用的需求(qiu)，因此无法取代指纹或虹膜等近距接触式生物特征识別(bie)方法(fa)。这一(yi)問題的(de)出現並非偶然。因為目標越精細，越复雜，信息越大，則其模糊性和不確(que)定性(xing)也越強。人類之所以(yi)能够较好的對人脸進行识別(bie)，其實也是以牺牲一(yi)定的準(zhun)確性為代价的。而機器視覺在做的事情一方面想要借鉴人脑或人眼系統的灵感去處理复雜而庞大的信息(xi)流(liu)，另一方面又想摒除人脑在模式识別方面存在的(de)精確性(xing)不足的缺陷。这顯然是一(yi)種一厢情愿的做法。
綜合(he)以上三點，機器視覺的发(fa)展在短(duan)期内难有重大突破，当前的實用技(ji)術仍然還是會集中在特定性任務(wu)或特定性目標的识別算法的開发上。
關於視覺測量研究：
(1)機器視(shi)覺測量的可靠(kao)性。相比與其(qi)他測量手段，視覺的最大優點就(jiu)是可以快速获得三(san)維信息，一张或几张照片就可(ke)以重建出被測物體的三維(wei)特征，進而(er)實現測量。但正如大家(jia)所說，只要測量条(tiao)件、環(huan)境、被(bei)測(ce)物表面特性等改變，有時甚至(zhi)時稍加改變，結果則大不(bu)一樣，測量重复性(xing)和精度更无从(cong)談起。这也是目前機器視覺測量尺寸(cun)、位姿等(deng)參数時比较突出的問題(ti)，特別是在(zai)一些(xie)強光干扰、温(wen)度場變化、光照条件變化的應用場合(he)这個問題尤(you)為突出。因此(ci)，視(shi)覺測量的環境適應性問題解決难度很大，无法找到普適(shi)性的方法(fa)，只能针(zhen)對具體問(wen)題，研究相應光照(zhao)、特征提(ti)取、匹配、重(zhong)建、標定等具體(ti)方法。
(2)測量精度(du)問題(ti)。精度是(shi)測量系統的重要指標。視覺測量精度依赖於相(xiang)機分辨(bian)率、視場大小、圖像(xiang)處理算法等等。CCD和CMOS的製造工藝已取得长足進(jin)步(bu)，目前6000*4000pixel的分辨率已經成(cheng)為稳定(ding)商品。而(er)采(cai)用壓電驅動芯片做微米級移動進行像素細分的方法和設備已經商品化，號称分辨率可近20000*14000pixel。在软件方面，各(ge)類算法層出不穷(qiong)，但具有普適性(xing)的算法(fa)几乎没有，这個(ge)在CV领域也是如此。因此(ci)，提高視覺測量的(de)普適性(xing)、並確保精(jing)度，目前似乎是個不可能(neng)完成的(de)任務。
綜(zong)上，視覺(jue)測量要大的(de)突破確實很难，必须和應用光(guang)學、視覺(jue)認(ren)知、CV、人工(gong)智(zhi)能等相關學科進行深度交叉。
提升三維技術
在現實生活中，我們(men)越來越需要更多的三維模型來實(shi)現對物體或環境的全面掌握。获(huo)得三維模型有兩種基本方式，一種是利用激光掃(sao)描儀，一種是拍摄照片。但激光掃描儀的成本高，也有可能會(hui)對樣(yang)本带來一些损害。第二種方式的(de)成本小，而且在精度上也跟激(ji)光掃(sao)描儀相差无几，因此成為了現在(zai)研究的一個(ge)熱點。
我們(men)知道，一般的圖像上是没(mei)有长度、距离等深度信息的，而三維模型則(ze)能更加全面、精確地記錄環境，可(ke)以直觀呈現物體(ti)的位置、距(ju)离、姿態等。比如中國(guo)古代建筑全自動三維重建系統，能够實(shi)現全自動三維建模，即从底層圖像處理到生成最終(zhong)的(de)三維模型，全部自動實現，无(wu)需人工交互(hu)。它對圖像的拍摄方式也无特殊約束和限(xian)製(zhi)，只需手持自由拍(pai)摄即可。在(zai)精(jing)度上，也與(yu)激光掃描精度相当，精度小於3cm/100米，通過配備更高像素数(shu)量的相機和长焦镜头還可以(yi)實現毫米級重建。
此外，在實時定位與在線三維重(zhong)建方(fang)面，機器視覺也具有極大的應用潜力。將手機上摄像头讀取的視頻(pin)作為輸入(ru)，通過初始化(hua)、特征點提取、動態模板特征點匹配、几何變化計算阶段后得到視頻每一帧中(zhong)感興趣區域的(de)位置。
目前，我國基於(yu)機器視覺的三維重建技(ji)術在國际上可以說處於领先地位，應用也比较(jiao)廣(guang)泛。除了上述之外，還能用在一些不太適合人工作業的(de)環(huan)境监測方面，像對露天(tian)煤矿的监(jian)測，就是通過无(wu)人機對煤矿進行(xing)全方位拍摄，生成三維模型來實時(shi)监(jian)測矿山的變化。此外，也能應用於城市(shi)規劃(hua)、数(shu)字媒體、三維試衣、牙模製造等多方面(mian)。
未來发展趨勢
由(you)於機器視覺是自動化的一部分，没有自動化(hua)就不(bu)會有機器視覺，機器視(shi)覺软硬件產品正逐渐成為协作生(sheng)產製造過程中不同阶段的核心系統，无论是用戶還是硬件供應商都將機器視覺產品作為生產線上(shang)信息收集的工具(ju)，这(zhe)就要求機器視覺產品大量采用標準化技(ji)術，直觀地(di)說就是要随着自動化的開放而(er)逐渐開放，可以根據用戶的需求進行二次開(kai)发。
当(dang)今，自動化企業正在倡导软硬一體化解決方案，機器視覺的廠商在未來(lai)十年内也應该不單純是只提(ti)供產品的供應商，而是逐渐向一體化解決方案的系統集(ji)成(cheng)商邁進。随(sui)着中國加工製造業的发展，對於機器視覺的需求(qiu)也逐渐增多(duo)。随着(zhe)機器視覺產品的(de)增多，技(ji)術的提(ti)高，國内(nei)機器視(shi)覺的應用状况將由初期的低端轉向高端。由(you)於機器視覺的介入(ru)，自動化將朝(chao)着更(geng)智能、更(geng)快速的方向发展。
