机器视觉系统

定义

机器视觉系统是一套把待测对象转换成图像信号、再交由图像处理环节求得特征并给出判断结果的装置，简单说就是用机器代替人眼来做测量和判断^[4]。它区别于一般图像处理系统的地方在于强调识别与判断，并要求在工业现场的震动、粉尘、温度变化等条件下保持可靠输出^[3]。中国科学院自动化研究所的研究人员把机器视觉概括为用机器代替人眼进行识别、测量、判断的跨学科任务，涉及光学、计算机视觉、模式识别、机器学习等方向^[1]。

机器视觉与计算机视觉关系密切，但侧重不同：计算机视觉多在更宽泛的科学研究语境中研究图像理解，机器视觉则强调把硬件与软件集成为受节拍、可靠性和环境条件约束的生产系统^[5]。习惯上，前者被视为学科方向，后者被视为面向工程实施的系统形态，两者在术语使用中常有交叠^[6]。

原理

系统的工作链条从成像开始：光源照亮工件，镜头把物面成像于相机传感器，相机把光信号转为电信号，再由采集卡或相机内置电路数字化后送入处理单元^[7]。照明决定哪些表面特征能形成足够对比度，因此光源与照明方式的选择往往比算法更能左右系统成败，图像中没有被记录下来的信息，后续软件无法补回^[5]。

处理环节分传统算法与学习类方法两条路线。传统路线使用边缘检测、连通域分析、模板匹配、形态学运算等算子定位几何特征，并借助相机标定把像素距离换算为物理尺寸，从而完成计量^[5]。学习类方法以标注图像训练卷积网络，用于难以写成显式规则的分类与异常判别任务^[5]。

判断结果通常以尺寸、角度、偏移量、个数、合格与不合格、有与无等形式输出，并据此控制执行机构完成分选、剔除或定位^[4]。由于多数被检对象处于运动状态，系统各环节的动作时序与处理速度必须相互匹配，这也是机器视觉被称作图像处理系统中较复杂一类的原因^[2]。

典型的五段式流程可表示为：$工件到位 \rightarrow 触发采集 \rightarrow 图像处理与特征提取 \rightarrow 结果判定 \rightarrow 执行机构动作$。在成像几何上，标定后的系统满足物像映射关系，像素坐标与物方坐标之间通过内参矩阵和畸变模型相互转换，测量精度因此与传感器分辨率、标定质量直接相关^[5]。

发展历程

机器视觉的源头可追溯到20世纪50年代对二维图像统计模式识别的研究，当时工作集中在光学字符识别、显微图片与航空照片的分析解释^[3]。60年代，Roberts 在“积木世界”假设下用程序从数字图像中提取多面体三维结构，开启了以理解三维场景为目标的机器视觉研究^[3]。

70年代中期，麻省理工学院人工智能实验室开设机器视觉课程，吸引研究者投入理论、算法与系统设计^[6]。1977年，Marr 提出把视觉信息处理分为计算理论层、表示算法层与硬件实现层的框架，该框架在80年代成为计算机视觉研究的重要基础^[3]。

商业化应用在20世纪70年代末出现，半导体成像传感器与微处理器价格下降到工业可承受的水平，早期系统用于检查印刷电路板的缺件与标签位置^[5]。80年代以后，机器视觉从实验室走向现场，处理对象由二值图像扩展到高分辨率多灰度与彩色图像，研究内容也从二维信息处理延伸到三维视觉模型与算法^[6]。

在中国，机器视觉市场在2010年出现较快增长，当年市场规模为8.3亿元，同比增长48.2%^[8]。机器视觉产业联盟的调查显示，行业销售额由2021年的240.4亿元增至2023年的311.5亿元，年均复合增长率13.8%^[9]。另一家研究机构按未含自动化集成设备的口径统计，2022年中国机器视觉市场规模为170.5亿元，同比增长23.6%^[10]。

应用

工业检测是最主要的应用方向。电子与半导体行业的印制电路板缺陷检查、芯片缺陷检查长期占据较大份额，交通领域的电子警察、制药中的药品成分分析、物流中的物品分拣也都有机器视觉参与^[1]。按应用功能划分，可分为缺陷检测、尺寸与形状测量、人机交互指令解析以及移动机器人的环境建模等类别^[1]。

自动光学检测（AOI）是工业界部署最广的形态，产线上用于核对装配质量、发现表面缺陷、确认尺寸是否符合要求；电子制造中的设备以每像素数十微米的分辨率扫描电路板，查找焊锡桥连、元件缺失与错位^[5]。航空航天制造中，自动视觉检查用于核验机加工特征、检测疲劳裂纹、测量结构件表面粗糙度^[5]。

在汽车装配中，视觉系统核对焊缝、紧固件与涂装表面；在医药包装中检查灌装液位、瓶盖密封与标签；在食品饮料行业按传送带速度完成分选与缺陷剔除；在机器人应用中为无序抓取、装配辅助与精密放置提供位姿信息^[5]。国内市场的下游结构中，消费电子与半导体是占比最高的两个制造业门类，锂电行业的需求在新能源汽车带动下增长较快^[9]。

医学与交通是另外两类典型场景。医学图像方向一方面对影像做增强与标记以辅助诊断，另一方面借助专家知识系统分析图像并给出参考结论；智能交通方向则用于车牌识别、目标车辆跟踪与自动导航^[6]。三维重建也被纳入这一技术范围，通过普通照片即可生成模型，其精度在部分实验中与激光扫描相当^[1]。

局限

成像条件是首要限制。现场的光照波动、表面反光、粉尘与杂乱背景都会降低传统算法的稳定性，提高误检与漏检概率；金属零件、电子元件等强反射、几何复杂的对象尤为突出^[11]。有研究指出，常规视觉算法在产品形状与颜色轻微变化、阳光干扰、设备位置调整后稳健性即下降，需要重新标定并改写程序，与人共享工作空间时不断变化的阴影也会造成识别失败^[12]。

样本与换型也是难题。缺陷种类多而单类样本稀少、缺陷与背景对比度极低时，模型训练困难、泛化能力不足；面对多品种小批量生产，系统往往需要收集大量新样本重新训练，调试周期难以匹配产线快速换型^[11]。监督式方法能提高识别质量，但准备时间更长，在小批量分选中可能并不经济^[13]。

精度、速度与成本之间存在取舍。微米级测量需要解决标定精度、超分辨率重建与亚像素边缘定位等问题；高速产线要求在数十毫秒内完成采集、处理与决策，对算力与算法效率提出很高要求；自由曲面与内部结构的检测，二维视觉难以胜任，三维方案又受测量速度与点云处理效率制约^[11]。硬件与软件来自不同供应商时数据格式与通信协议不统一，也增加了集中管控的难度，长期运行还存在相机与光源老化、模型随产品渐变而漂移的问题^[11]。

深度学习路线并非万能。对尺寸测量这类高精度工作，学习类方法表现不如传统算法；训练与在线推理所需算力也相对更高^[14]。以传送带检测为例，依赖训练时覆盖的退化分布，遇到未见过的光照条件、严重运动模糊、近乎完全遮挡或系统性标注错误时性能会下降，附加训练目标还提高了训练复杂度^[15]。

参见

• 计算机视觉 —— 研究图像理解的理论与算法领域，为机器视觉系统提供方法基础。

• 模式识别 —— 机器视觉抽取特征并作出分类判断所依赖的学科。

• 工业相机 —— 系统中完成光电转换的关键成像部件。

• 自动光学检测 —— 机器视觉在电子制造产线上最普遍的落地形态。

• 图像处理 —— 对采集图像进行增强、分割与特征提取的技术环节。

• 深度学习 —— 近年用于缺陷分类与异常检测的模型方法。