机器视觉与计算机视觉 - 知乎 - 程序猿·D·安宇雨 DeepMind

机器视觉与计算机视觉 - 知乎

安宇雨 - 随手采集
2024-03-01 12:11:01
随手采集
0000-未整理-等待研究

很多人常常将机器视觉（MV）和计算机视觉（CV）视为同义词，因为它们都涉及到人工视觉，同时也会混淆机器视觉（MV）与人工智能（AI）、数字图像处理（DIP）和模式识别（PR）等主题之间的界限。

机器视觉是一种工程学科，需要涵盖更广泛的技能范围。计算机视觉则更侧重于科学和数学方面，使用计算机进行图像处理和分析。

尽管机器视觉（MV）、计算机视觉（CV）和数字图像处理（DIP）共享许多术语、概念和算法技术，但它们在技术态度和应用方面有着区别。

机器视觉与计算机视觉概念

机器视觉（Machine Vision）是工业自动化领域的一个关键技术，主要用于将相机和计算机技术相结合，使计算机能够获取、处理和解释图像信息。它通常用于检测和测量、质量控制、自动导航、机器人视觉等领域。机器视觉系统使用图像传感器（如摄像头）捕捉现实世界中的图像，然后通过图像处理算法和模式识别技术提取有用的信息，帮助机器做出决策或执行任务。

计算机视觉（Computer Vision）它是人工智能领域的一个重要分支，致力于使计算机理解和解释视觉信息，从而模拟人类视觉系统的功能。除了应用于工业自动化，计算机视觉还包括医学影像分析、人脸识别、自动驾驶、虚拟现实等各种领域。计算机视觉的目标是通过图像处理、模式识别、机器学习等技术，使计算机能够实现对图像的感知、理解和推理。

机器视觉和计算机视觉之间的主要区别

应用领域：

机器视觉主要应用于工业自动化领域。它在工厂生产线上使用数字摄像机来捕获图像，并通过图像处理和分析来做出决策，例如产品的合格与否。
计算机视觉具有更广泛的应用领域，不仅仅局限于工业自动化。它可以独立运行，也可以处理已保存的图像数据。计算机视觉可以用于医学影像、自动驾驶、人脸识别等多个领域。

组成要素：

机器视觉系统核心需要计算机和特定的软件，它们是相对独立的系统。
计算机视觉通常不仅涉及图像处理，还包括更广泛的信息处理，甚至可以处理来自不同传感器的多种类型数据。

图像获取方式：

机器视觉系统依赖于相机捕获实时图像。图像捕获后，机器视觉系统对图像进行处理和决策。
计算机视觉系统不一定需要相机，它可以在已保存的图像数据上进行工作。它可以解释保存图像的数据，并生成结果或一组结果。

灵活性：

机器视觉系统通常专注于特定部分或关键部分的图像数据处理，更多用于在受控环境中进行快速决策。
由于计算机视觉不依赖于实时图像捕获，它具有更大的灵活性。计算机视觉可以使用真实图像或合成图像进行工作，因此它的应用范围更广。

数据提取和使用：

机器视觉系统更加专注于查找特定特征，并从相机捕获的图像数据中做出快速决策。
计算机视觉系统通常尽可能多地提取和使用有关对象的数据。它可以从图像、视频和其他视觉数据中获取有价值的信息。

下表进一步展示了机器视觉和计算机视觉之间的区别和各自特点。这些信息强调了机器视觉和计算机视觉在应用、技术、成本和理念等方面的差异，以及它们所专注的不同领域和目标。

表：机器视觉（MV）和计算机视觉（CV）之间的区别和特点：

对比特征（角度）	机器视觉	计算机视觉
成本	关键，成本效益是核心考虑因素	相对于性价比而言，注重性能
专用电子硬件	通常需要专用硬件，但越来越少见	不需要，软件实现即可
工程学或科学	偏向于系统工程，实用和实验性	更倾向于计算机科学，学术性和研究元素
图像采集和图像处理子系统独立设计	通常需要独立设计的图像采集和处理子系统	输入数据为图像，不一定需要图像采集系统
对于人类视觉的了解是否影响系统设计	不太影响系统设计，强调实用性	可能影响系统设计，注重理解人类视觉
动机	解决实际问题，提高安全性和/或降低成本，或出于社会原因	寻求知识，解决复杂学术问题
多学科课题	涉及多学科，整体设计是必要的	相对较少，更专注于图像处理子系统的设计
学科性质	务实，实际考虑优先于学术严谨性	学术研究，包含深入的数学分析
所需操作员技能水平	根据系统类型，可能需要中高级或低技能水平的操作员	可能需要非常高的技能水平
输出数据	通常是简单的逻辑或定量信号，用于控制机器设备	通常是复杂的输出信号，面向人类使用
从业者技能	多学科，需要实践和实验技能	计算机科学/数学，理论方面，以及软件技能

扩展阅读：

典型的机器视觉系统组成：

相机或传感器：机器视觉系统的核心是数字相机或其他传感器，用于捕获现实世界中的图像或视频数据。这些相机和传感器可以是工业相机、红外传感器、激光扫描仪等，根据不同应用需求选择合适的设备。
图像处理器：捕获到的图像或视频数据通过图像处理器进行初步处理，包括去噪、增强、调整亮度对比度等操作，以提高图像质量和准确性。
特定软件：机器视觉系统需要运行特定的软件，这些软件是根据具体应用需求编程的。这些软件包括图像处理算法、特征提取算法、模式识别算法等，用于分析图像数据并提取所需信息。
决策模块：经过图像处理和分析后，机器视觉系统会进行决策，例如判断产品是否合格、检测缺陷、分类物体等。决策模块通常由逻辑控制和算法组成。
执行组件：根据决策结果，机器视觉系统会触发执行组件，例如控制机械臂进行操作、控制传送带移动物体等，实现自动化和智能化操作。

机器视觉的常见应用：

1. 物体检查：机器视觉用于检查产品或物体的质量，例如在生产线上检测缺陷或错误。
2. 包装检查：机器视觉系统可以检查包装是否完好，如食品包装的密封性检查。
3. 物体分类：机器视觉可以对物体进行分类，如在自动化仓库中分类和处理不同类型的产品。
4. 颜色验证：机器视觉系统可以用于验证产品的颜色是否符合规定标准。
5. 图案检测：机器视觉可以检测和匹配产品上的图案，如标志或商标。
6. 条形码读取：在结构化环境中，机器视觉系统可用于读取和识别条形码，例如在超市收银中使用。
机器视觉的广泛应用使得它在许多企业和行业中得到应用，对于质量保证和生产效率的提升起到了积极的作用，同时也促进了客户满意度的提高。

计算机视觉的常见应用：

1. 对象检测：计算机视觉可用于检测图像或视频中的特定对象，如车辆、动物、建筑物等。这在自动驾驶、安防监控等领域有广泛应用。
2. 图像扫描：计算机视觉可以用于扫描图像，识别和提取其中的特征信息，如医学影像分析、地质勘探等。
3. 文本扫描：计算机视觉还可以用于扫描文本图像，进行光学字符识别（OCR），实现文字的自动识别和转换。
4. 视频扫描：类似图像扫描，计算机视觉也可以用于分析视频流，检测其中的物体、行为或事件，如视频监控、行为分析等。
5. 图像识别：计算机视觉的一项重要应用是图像识别，即通过图像特征和模式来识别物体、场景或图像类别。
6. 人脸检测：在人工智能和安防领域，计算机视觉常用于检测和识别人脸，如人脸解锁、人脸识别系统等。
7. 物体跟踪：计算机视觉还可以用于跟踪物体在视频中的位置和轨迹，例如在视频编辑、智能监控等方面的应用。
除此之外，计算机视觉也涉及到虚拟现实、增强现实等领域，使计算机能够更好地理解和应用图像和视频信息。