机器视觉系统是指利用机器替代人眼做出各种测量和判断。机器视觉是工程领域和科学领域中的一个很重要的研究领域，它是一门涉及光学、机械、计算机、模式识别、图像处理、人工智能、信号处理以及光电一体化等多个领域的综合性学科。

  其应用范围随工业自动化的发展逐渐完善和推广，其中母子图像传感器、CMOS和CCD摄像机、DSP、ARM嵌入式技术、图像处理和模式识别等技术的加快速度进行发展，有力地推动了机器视觉的发展。

  机器视觉是一种很复杂的系统。因为大多数系统监控对象都是运动物体，系统与运动物体的匹配和协调动作特别的重要，所以给系统各部分的动作时间和处理速度带来了严格的要求。在某些应用领域，例如机器人、飞行物体导致等，对总系统或者系统的一部分的重量、体积和功耗都会有严格的要求。机器视觉系统的构成和工作过程一个完整的机器视觉系统包括：照明光源、光学镜头、 CCD 摄相机、图像采集卡、图像检测软件、监视器、通讯单元等。

  1、当传感器探测到被检测物体接近运动至摄像机的拍摄中心，将触发脉冲发送给图像采集卡；2、图像采集卡根据已设定的程序和延时，将启动脉冲分别发送给照明系统和摄像机；3、一个启动脉冲送给摄像机，摄像机结束当前的拍照，重新开始一副新的拍照，或者在启动脉冲到来前摄像机处于等待状态，检测到启动脉冲后启动，在开始新的一副拍照前摄像机打开曝光构件（曝光时间事先设定好）；另一个启动脉冲送给光源，光源的打开时间需要与摄像机的曝光时间匹配；摄像机扫描和输出一幅图像；4、图像采集卡接收信号并通过A/D转换将模拟信号数字化，或者是直接接收摄像机数字化后的数字视频数据；5、图像采集卡将数字图像存储在计算机的内存中；6、计算机对图像做处理、分析和识别，获得检测结果；7、处理结果控制流水线的动作、做定位、纠正运动的误差等。

  1、图像采集技术——机器视觉的基础图像采集部分一般由光源、镜头、数字摄像机和图像采集卡构成。采集过程可简单描述为在光源提供照明的条件下，数字摄像机拍摄目标物体并将其转化为图像信号，最后通过图像采集卡传输给图像处理部分。在设计图像采集部分时，要考虑到多方面的问题，主要是关于数字摄像机、图像采集卡和光源方面的问题。（1）光源照明

  照明是影响机器视觉系统输入的主要的因素，其直接影响输入数据的质量和应用效果。到目前为止，还未有哪种机器视觉照明设备能通用各种应用，因此在实际应用中，需针对应用选择相应的照明设备以满足特定需求。照明系统按其照射方法可分为:背向照明、前向照明、结构光和频闪光照明等。其中，背向照明是指将被测物放在光源和摄像机之间，以提高图像的对比度。前向照明是光源和摄像机位于被测物的同侧，其优点是便于安装。结构光照明是将光栅或线光源等投射到被测物上，并根据其产生的畸变，解调出被测物的三维信息。频闪光照明是将高频率的光脉冲照射到物体上，摄像机拍摄要求与光源同。（2）光学摄像头

  光学摄像头的任务就是进行光学成像，一般在测量领域都又专门的用于测量的摄像镜头，因为其对成像质量有着关键性的作用。摄像头必须要格外注意的一个问题是畸变。这个就需要用相应的畸变校正方法，目前也开发出了很多自动畸变自动校正系统。（3）CCD 摄像机及图像采集卡

  CCD( Charge Coupled Device) 摄像机及图像采集卡共同完成对目标图像的采集与数字化。目前 CCD，CMOS等固体器件的应用技术，线阵图型敏感器件，像元尺寸不断减小，阵列像元数量持续不断的增加，像元电荷传输速率也得到大幅度提高。在基于PC机的机器视觉系统中，图像采集卡是控制摄像机拍照来完成图像的采集与数字化，并协调总系统的重要设备。图像采集卡直接决定了摄像头的接口为：黑白、彩色、模拟、数字等形式。2、图像处理与分析——机器视觉的核心

  用于机器视觉的图像处理与分析方法的核心是，解决目标的检测识别问题。当所需要识别的目标很复杂时，就一定要通过几个环节，从不同的侧面综合来实现。

  对目标进行识别提取的时候，首先是要考虑怎么自动地将目标物从背景中分离出来。目标物提取的复杂性一般就在于目标物与非目标物的特征差异不是很大，在确定了目标提取方案后，就需要对目标特征进行增强。

  随着计算机技术、微电子技术和大规模集成电路的发展，图像信息处理工作慢慢的变多地借助硬件完成，如 DSP 芯片、专用的图像信号处理卡等。

  软件部分主要用来完成算法中并不成熟又较复杂或需逐渐完备改进的部分。这一方面提高了系统的实时性，同时又降低了系统的复杂度。

  近几十年来，在工业检测中利用视觉系统的非接触、速度快、精度合适、现场抗干扰能力强等突出的优点，使机器视觉技术获得了广泛的应用，取得了巨大的经济与社会效益。

  自动视觉识别检测目前已经用于产品外形和表面缺陷检验，如木材加工检测、金属表面视觉检测、二极管基片检查、印刷电路板缺陷检查、焊缝缺陷自动识别等。

  这些检测识别系统属于二维机器视觉，技术已较为成熟，其基本流程是用一个摄像机获取图像，对所获取的图像做处理及模式识别，检测出所需的内容。

  机器视觉大多数都用在医学辅助诊断。首先采集核磁共振、超声波、激光、Ｘ射线、γ射线等对人体检查记录的图像，再利用数字图像处理技术、信息融合技术对这些医学图像做多元化的分析、描述和识别，最后得出有关信息，对辅助医生诊断人体病源大小、形状和异常，并进行相对有效治疗发挥了重要的作用。

  不同医学影像设备得到的是不同特性的生物组织图像，如Ｘ射线反映的是骨骼组织，核磁共振影像反映的是有机组织图像，而医生往往需要仔细考虑骨骼有机组织的关系，因而需要利用数字图像处理技术将两种图像适当地叠加起来，以便于医学分析。

  智能交通监控领域中，在重要的十字路口安放摄像头，就可通过摄像头的快速拍照功能，实现对违章、逆行等车牌的车牌进行自动识别、存贮，以便相关的工作人员进行查看。（4） 在桥梁检验测试领域中的应用

  人工检测法和桥检车法都是依靠人工用肉眼对桥梁表明上进行检测，其速度慢，效率低，漏检率高，实时性差，影响交通，存在安全隐患，很难大幅应用；

  无损检测包括激光检测、超声波检测以及声发射检测等多种检测技术，它们仪器昂贵，测量范围小，不能满足日益发展的桥梁检测要求；

  智能化检测有基于导电性材料的混凝土裂缝分布式自动检测系统和智能混凝土技术，也有最前沿的基于机器视觉的检测方法。

  导电性材料技术虽然使用方便，设备简单，成本低廉，但是均需要事先在混凝土结构上涂刷或者埋设导电性材料进行仔细的检测，而且智能混凝土技术还无法确定裂缝位置、裂缝宽度等一系列问题距实用化还有较长的距离；

  而基于机器视觉的检测方法是利用CCD相机获取桥梁表观图片，然后运用计算机处理后自动识别出裂缝图像，并从背景中分离出来然后进行裂缝参数的计算的方法，它具有便捷、直观、精确、非接触、再现性好、适应性强、灵活性高、成本低廉的优点，能解放劳动力，排除人为干扰，具有很好的应用前景。

  据统计，混凝土桥梁的损坏有90%以上都是由裂缝引起的，因此对桥梁的健康检测主要是对桥梁表观的裂缝进行检测与测量。

  基于机器视觉的桥梁检验测试技术主要包括三部分内容：桥梁表观图像的获取技术、基于图像的裂缝自动识别理论与算法以及基于图像的裂缝宽度等病害程度定量化测量方法。

  基于机器视觉的自动化、智能化检测技术已经在道路、隧道上得到了成功应用，在桥梁上也得到了初步的应用，但主要集中在视线开阔的高空混凝土构件表观图像获取技术上，在病害的自动识别方面仍停留在理论研究阶段，还无法应用于实际工程当中。

  针对量大面广的混凝土梁体，智能化视频桥梁检测车进入理论与关键部件模型的研制阶段，但是受到桥梁细小裂缝自动识别与清晰图像快速化获取难度大的限制，目前离达到实用化程度的要求还相距甚远。

  针对量大面广的混凝土梁体1、效率：工业自动化的快速发展，使生产效率大幅提升，从而对检测效率提出了更高的要求。人工检测效率是在一个固定区间，无法大幅提升，而在流水线重复且机械化的检测过程中，检察人员很容易出现疲劳而导致检测效率降低;而机器视觉能够更快的检测产品，特别是在生产线检测高速运动的物体时，机器能够提高检测效率，速度甚至能够到达人工10-20倍；2、精度：由于人员有物理条件的限制，即使是依靠放大镜或显微镜来检测产品，也会受到主观性方面的影响，精度无法得到保证，而且不同的检测人员的标准也会存在有差异；在精确性上机器有明显的优点，它的精度能够达到千分之一英寸。而且机器不受主观控制，只要参数设置没有差异，相同配置的多台机器均能保持相同精度3、客观性：人工检测难免会出现疲劳，同时有一个致命缺陷，就是情绪带来的主观性，检测结果会随检察人员心情的好坏产生变化；而机器没有喜怒哀乐，它所带来的检测结果自然更加客观可靠。4、重复性：机器可以以相同的方法一次一次的完成检测工作而不会感到疲倦；与此相反，人工长期重复性检测肯定会产生疲劳，同时每次检测产品时都会有细微的不同，即使产品是完全相同。5、环境：机器视觉是通过即图像摄取装置将目标转换成图像信号，传送给专用的图像处理系统，在测量工件过程中，无需与工件进行接触，因此能够适应恶劣危险生产环境，同时也不会对工件造成接触性损伤；而人工则需要与工件进行接触性检测，因为无法应对恶劣环境，且在检查过程中不可避免的会对工件造成接触性损伤；6、成本机器视觉前期投入会比较多，但属于一次性投入，长期产出，由于机器视觉的发展越来越迅速，价格也会逐渐降低；而人工检测则需要长期投入，且人工管理成本会呈不断上升的趋势。由于机器比人工的检测效率高很多，因此长期来看，机器视觉成本会更低；7、信息集成：机器视觉可以通过多工位检测的新方法，一次性完成待检产品的轮廓、尺寸、外观缺陷、产品高度等多技术参数的测量；而人工检测在面对不同的检测内容时，只能通过多工位合作协调完成，而不同员工检测标准不一，极容易出现误检的情况；8、数字化：机器视觉在工作过程中产生的说要测量数据，均可独立拷贝或以网络连接方式拷出，便于生产过程统计和分析。同时还可在检测后导出指定数据并生产报表，无需人工一一添加，这无疑大大优于人工检测的数据统计；总体来说，机器视觉对比人工检测具有自动化、客观、非接触和高精度等特点。特别是在工业生产领域，机器视觉强调生产的精度和速度，以及工业现场环境下的可靠性，在重复和机械性的工作中具有较大的应用价值，对企业来说是实现自动化生产重要的一步。

  机器视觉可以说是人工智能的最下层的基础设施层， 在人工智能产业行业应用最主要几个应用领域中，机器视觉的应用领域非常深、非常多，从整个产业链的全景图来讲，中国的人工智能产业处在快速的生态的构建期。

  从整个机器视觉的领域来讲，它是处在快速的重构期，通过市场分析来看，机器视觉并不是特别新兴的领域，这从最早图像处理衍生到现在，市场上有很多大的厂商对智能安防和交通做了很久的深耕，他们最开始不是做机器视觉、人脸识别起家的，在这几个行业中很多厂商都处于并驾齐驱、快速发展阶段。

  2018年中国人工智能市场规模会超过406亿，这个复合增长率会达到25.8%，增速是快于全球的整个增长率的。在市场结构上来讲，也是存在着整体的情况。投资规模来讲，在去年一年，从投资的整个额度包括投资笔数都呈快速增加的态势，而且很多从事人工智能和机器视觉的企业数量也在快速地增加。

  未来，通过人工智能方面利好的政策，在这四个领域会有比较大的机遇，安防、交通，金融，消费电子这是机器视觉领域重点关注的应用行业方向。

  第一是现在巨头做机器视觉，包括人工智能演进，他们都是呈开元化，这在中国来讲比如华为，对他们来说开源的思路，到底开源怎么用，有很多理念上跟国外还是有一定的差距，很多开源做完代码自己封装自己用了，其实从整个思路来讲，国外开源理念上是更先进的。当然有其背后的原因，很多企业基本上在提交人工智能代码上走着开源化部署道路。

  整个产业的演进方向，目前处在快速回报期。整个产业和产品技术演进会存在周期的波动，机器视觉领域以及计算机视觉，仍是处在快速的回报期，也就是说它的技术已得到成熟，市场关注度也在快速地回升，它是未来能够得到快速回报的重点产品和领域。

  最后就是在目前中国整个市场发展，包括政府的规划中，智慧城市这个话题又重新火热起来了，很多年前建设了很多，但是发展都不是特别顺利，现在随着人工智能整个产业发展，这个动力和热潮，主要原因就是技术实力能够解决真正的刚需和真正的问题，在数据方面我们预测今年中国智慧城市建设数量超越500个，在整个智慧城市的产业定义上来讲，机器视觉领域需求量特别大的，很多的包括智慧城市的定义就是说，什么叫智慧城市，就是摄象头数量多少个，这是一个很刚性的标准，对智能，包括具备人脸识别功能摄象头需求量未来是非常大的。