机器视觉是一项涵盖了硬件、软件的综合技术，主要包括图像捕捉、处理技术；光学成像、传感器技术；图像增强和分析算法、机械控制执行；光源照明、光源控制系统；智能判断决策、图像卡等。机器视觉技术的硬件主要在于对计算设备的选取，对光源的设置，对照相机的选定。工业上采用的计算设备主要是嵌入式芯片以及便携式移动设备如树莓派。目标的光源设置也需要考虑到它的应用场景，根据其情况采用特定的照明，如明场照明、暗场照明、漫反射照明，这些也在一定程度上影响了图像采集的质量。在照相机方面，大多数情况下选择 CCD相机，在一定情况下也可以选用 CMOS 相机。机器视觉技术的软件需要根据使用机器视觉系统的不同来设计。机器视觉的出现使工业生产更加灵活，从而提高了工业生产自动化的程度。

机器视觉系统中的重点是图像处理，主要有图像特征分析与图像预处理这两个方向。图像降噪、图像分割、图像增强都是比较常用的预处理手段。这些图像处理算法是可以提高图像质量以及图像的特征提取。图像分析算法可以用于识别提取图像的特征。传统意义上的图像分析算法在对图像进行分析时，一般使用人工设计的特征提取器。 由于对图像识别检测技术的迫切需求，机器视觉的发展非常迅速。机器视觉精度更高，不会疲劳的优点，可以在很多人工无法完成的特殊场景中实现巨大突破。与人工相比，机器视觉高效、稳定、低成本，在多个领域如缺陷检测、农业生产、现代制造以及军事科技上都能完美完成任务。随着机器视觉技术研究的不断深化，学者们做出了一系列的研究和优化。

在处理如何准确获取玉米植株的数量的问题时，贾洪雷使用图像分割与边界提取的办法，将采集的玉米植株的 RGB 彩色图像转化成二值化图像。为了解决相机自身无法完成对体积过大的工件拍摄的问题，刘正琼从图像处理方向，提出了一种超现场识别系统，从而提高了目标识别率以及定位准确率。这种系统针对图像中存在工件采集不完整的问题，采用了特征点提取的方法，进行形状匹配来识别此类工件。王彦通过使用欧氏距离与尺度不变特征变换（SIFT）方法，并对误配点设置忽略阈值，来改善工件在旋转、缩放和遮挡等特殊条件下的准确率不高的现象。张铁中在处理对目标果实识别的问题时，根据目标的特征与排列顺序的差异，对目标进行切割，在 HSV ,YCbCr 等模型下实现了较大的突破。

机器视觉经过多年的发展，虽然取得了长足的进步，但在今后的研究中仍有很大的提升空间。未来机器视觉将更加紧密的结合人工智能技术，朝着多传感器融合、主动视觉、完整三维重构、视觉并行计算结构方向前进。
联系我时，请说是在东莞机械网看到的，谢谢！