智能制造的“眼睛”:机器视觉发展的“前世今生”

　　作为人类视觉在机器上的延伸，机器视觉凭借其分辨率高、速度快、范围宽、适应性强、精度高、可量化及可持续工作等优势，将图像处理应用于机器视觉领域，成为智能制造繁荣发展的推动力。

　　20世纪50年代，Gilson 提出“光流”概念，机器视觉就此萌蘖。统计模式识别运用计算机分析识别二维图像，集中研究光学字符识别(OCR)、工件表面图片分析等技术，为机器视觉提供了理论实践基础。随后，机器视觉的研究转向三维场景，研究范围不断扩展和复杂化。

　　1977年，美国麻省理工教授David Marr提出将视觉分为目标与策略、表示与算法、硬件的实现三个层次，机器视觉迎来了第一次理论框架的升级。机器视觉发展至今七十余年，各种理论创新、概念升级和实践应用不断涌现，不断推动着工业智能化、产业数字化的演进。

　　根据美国制造工程师协会(SME)机器视觉分会和美国机器人工业协会(RIA)自动化视觉分会定义，机器视觉是通过光学的装置和非接触的传感器，自动地接收和处理一个真实物体的图像，以获得所需信息或用于控制机器人运动的装置。机器视觉被称为自动化系统的“灵魂之窗”，随着5G、人工智能、物联网等新兴技术的融合发展，在智能制造的浪潮下，机器视觉不断创新升级、蓬勃发展。

　　智能制造的“眼睛”

　　随着全球智能制造浪潮的推进，自动化、智能化已经成为现代工厂的发展趋势，“机器换人”也逐渐成为热议的话题。作为人类视觉在机器上的延伸，机器视觉凭借其分辨率高、速度快、范围宽、适应性强、精度高、可量化及可持续工作等优势，将图像处理应用于机器视觉领域，成为智能制造繁荣发展的推动力。

　　如定义所言，机器视觉可以非接触地对目标物体进行外观检测，判断其有否表面缺陷，并获取物体坐标、角度、图像像素等信息，从而判断物体所在位置，分析计算状态参数。此外，还可以识别颜色、数字、条码等物理特征。我们将这些功能主要分为四大类：检测、定位、测量、识别。

　　机器视觉是“人眼”的替代和延展，如同人类视觉一样，它也拥有一套完整的视觉系统。典型的机器视觉系统一般包括光源及光源控制器、镜头、相机、视觉控制系统等。其中，光源及光源控制器、镜头、相机等硬件部分负责图像捕捉功能，视觉控制系统则负责对成像结果进行处理分析、输出分析结果至智能设备的其他执行机构。

　　机器视觉性能优势显著，技术持续创新，未来机器视觉将朝向深度学习、3D视觉等方向不断发展和精进。

　　深度学习技术

　　深度学习是机器学习最重要的分支，典型深度学习算法包括卷积神经网络(CNN)、循环神经网络(RNN)、生成对抗网络(GANs)、深度强化学习(RL)等。深度学习利用人类知识和计算机算法共同构建整体架构，通过对数据进行清洗、标签、归一化、去噪、降维等预处理，配合计算机大规模运算能力，调节内部参数，对数据进行训练，从而自动提取目标数据。深度学习具有学习能力强、覆盖范围广、适应能力强、可移植性好等优势。

　　3D视觉技术

　　3D视觉技术分为3D重构技术和3D数据分析算法两部分，具体包括双目视觉技术、结构光技术、TOF(飞行时间)相机技术、线激光扫描技术和光谱共聚焦技术。较之2D机器视觉技术，3D技术在x、y、z、旋转、俯仰、横摆等六个自由度上还原目标物体三维信息，为工业控制提供更精确灵活的特征分析与数据处理。

　　机器视觉市场蓝海，智能制造加速

　　后疫情时代，全球数字化进程加速，工业智能化、数字化不断转型升级，机器视觉与工业应用紧密结合，在人工智能、物联网、5G等新兴技术的融合创新中，不断深入应用落地。