概述
机器视觉（Machine Vision，简称MV）是计算机科学和人工智能的一个分支，旨在赋予计算机从数字图像或视频中获取、解释和理解视觉信息的能力。它结合了图像处理、模式识别、机器学习与光学工程，使机器能够像人类一样“看”并自动执行检测、测量、识别和决策任务。机器视觉广泛应用于工业自动化、医疗诊断、自动驾驶、安防监控、农业检测等领域，是智能制造的“眼睛”与“大脑”。
1 定义与范畴
机器视觉是指利用计算机和成像设备模拟人类视觉功能的技术体系，其核心在于从图像中提取有用信息并驱动自动化系统作出响应。它涵盖从光学设计到图像解析的完整链条，属于多学科交叉的工程领域。
1.1 机器视觉 vs. 计算机视觉
机器视觉与计算机视觉虽共享许多底层技术，但在目标、应用场景和学术归属上存在明显差异。机器视觉更强调工程落地和实时响应，计算机视觉则更关注算法的通用性与理论创新。
1.1.1 核心差异：工程应用 vs. 理论研究
机器视觉往往被视作计算机视觉的“工程版”：它要求系统在严苛的工业现场稳定工作，输出结果直接用于控制机械臂或发出警报。而计算机视觉更侧重算法在学术数据集上的表现，探索图像理解的前沿理论，未必关心硬件成本或环境光照。
1.2 机器视觉 vs. 人眼视觉
人眼是生物进化的杰作，但机器视觉在某些方面已超越人类感知。两者并非替代关系，而是各有所长。
1.2.1 能力对比：速度、精度与抗干扰性
机器视觉的检测速度可达每秒数千次，精度可达微米级，且能在恶劣环境（高温、强辐射）中持续工作。人眼则在低光照、色彩还原和复杂场景理解方面仍占优势，但易疲劳且速度有限。
1.2.2 局限性：对光照、遮挡的敏感度
机器视觉系统对环境条件极为敏感：光照突变、阴影或物体部分遮挡常导致误判。人眼则能利用上下文信息和经验快速适应，但机器视觉一旦参数固定，遇到异常环境便容易“翻车”。
2 发展历史
机器视觉的演进与计算机技术、传感器革命和算法突破紧密相连，经历了从实验室雏形到行业标配的历程。
2.1 萌芽期（1960s–1970s）
这一时期，研究人员开始尝试让计算机“看懂”简单的图像，奠定了视觉系统的基础框架。
2.1.1 从数字图像处理到简单模式识别
20世纪60年代，数字图像处理技术起步，学者们利用黑白二值图像进行字符识别。1970年代，麻省理工学院提出“积木世界”概念，尝试识别简单几何体，但受限于计算能力，只能处理理想化的场景。
2.1.2 早期应用：OCR与工业零件分拣
光学字符识别（OCR）成为第一个商用机器视觉任务，用于读取信件邮编和支票金额。同时，工厂开始试用视觉系统分拣螺丝、齿轮等规则零件，但可靠性较低，未能大规模推广。
2.2 成长期（1980s–1990s）
随着硬件性能提升和理论成熟，机器视觉逐步进入工业现场，并开始探索三维场景。
2.2.1 三维视觉与立体匹配
20世纪80年代，研究者利用双目视差原理重建深度图，实现了简单的三维测量。1990年代，基于结构光和激光三角法的三维传感器问世，使汽车钣金检测成为现实。
2.2.2 硬件进步：CCD传感器与GPU的出现
CCD（电荷耦合器件）传感器将光电转换与读出电路集成，大幅提升了成像质量。1990年代末，GPU（图形处理器）开始用于并行图像处理，为后来深度学习爆发埋下伏笔。
2.3 爆发期（2000s–2020s）
深度学习带来的算法革命，使机器视觉从“手写特征”时代跃入“数据驱动”时代。
2.3.1 深度学习革命：卷积神经网络的兴起
2012年，AlexNet在ImageNet竞赛中大幅领先传统方法，卷积神经网络（CNN）成为视觉任务的标准工具。随后，YOLO、ResNet等架构相继出现，使得实时目标检测与超高精度识别成为可能。
2.3.2 消费级应用：人脸识别、AR滤镜
人脸识别技术进入手机解锁和支付场景，AR（增强现实）滤镜利用面部关键点检测实现实时特效。机器视觉从车间延伸至用户的日常设备，成为“人人都能用”的技术。
3 核心技术
机器视觉系统由成像、处理、分析与控制多个模块串联而成，各部分协同工作以实现完整的视觉功能。
3.1 图像获取与预处理
图像的品质直接决定后续算法的效果，因此硬件选型与预处理环节至关重要。
3.1.1 成像设备：工业相机、镜头与光源
工业相机包括面阵和线阵两种，像素从几万到数亿不等。镜头参数（焦距、光圈、畸变）需根据工作距离与视场匹配。光源则负责消除阴影与高光，常见的环形光源、背光源和同轴光源各有适用场景。
3.1.2 图像增强：去噪、对比度调整、色彩校正
预处理通过滤波降低传感器噪声，利用直方图均衡化增强对比度，并通过白平衡算法校正不同光源下的色偏。这些操作为后续特征提取铺平道路。
3.2 特征提取
特征是将原始像素转化为有意义信息的关键步骤，传统方法与深度学习各有千秋。
3.2.1 传统特征：边缘、角点、纹理
Canny算子检测物体轮廓，Harris角点用于图像配准，局部二值模式（LBP）描述表面纹理。这些手工设计的特征在计算资源有限的嵌入式系统中仍有广泛应用。
3.2.2 深度学习特征：卷积网络自动提取
CNN通过多层卷积和池化自动学习从低级边缘到高级语义的特征，无需人工设计。迁移学习使得预训练模型可以在小样本场景中快速泛化。
3.3 目标检测与识别
检测与识别是机器视觉的核心任务，算法演进经历了从滑窗到端到端的发展。
3.3.1 经典算法：HOG+SVM、Haar级联
方向梯度直方图（HOG）结合支持向量机（SVM）在行人检测中表现优异；Haar特征级联分类器被用于早期人脸检测，速度极快但需要大量正负样本训练。
3.3.2 现代框架：YOLO、Faster R-CNN、SSD
YOLO（You Only Look Once）将检测视为回归问题，单次前向即可输出类别与位置；Faster R-CNN引入区域提议网络（RPN），精度更高；SSD（Single Shot Multibox Detector）兼顾速度与精度，适用于实时场景。
3.3.3 实例分割与语义分割
实例分割（如Mask R-CNN）为每个物体生成独立掩码，可区分同类别中的不同个体；语义分割（如U-Net）为每个像素分配类别标签，适用于自动驾驶道路理解。
3.4 三维视觉
三维信息赋予机器深度感知，使其能从平面图像中恢复物体的真实形状与空间位置。
3.4.1 立体视觉与深度估计
双目立体视觉通过匹配左右图像中的对应点计算视差，进而获取深度。单目深度估计则利用场景先验或深度学习直接预测深度图，精度相对较低但硬件成本更低。
3.4.2 结构光与ToF传感器
结构光投射编码图案到物体表面，通过形变推算三维形状（如iPhone的Face ID）。飞行时间（ToF）传感器发射脉冲光并测量反射时间，适用于中等距离的三维重建。
3.5 视觉伺服控制
将视觉反馈融入运动控制，使机器能根据视觉信息动态调整动作。
3.5.1 视觉引导机器人抓取
工业机器人通过识别工件位置与姿态，规划抓取路径。即使工件随机散落，视觉系统也能实时更新目标坐标。
3.5.2 动态跟踪与手眼协调
当传送带上的工件高速运动时，视觉系统需预测其轨迹并引导机械臂“跟随”抓取。手眼标定确保相机坐标系与机器人坐标系精确对齐。
4 典型应用场景
机器视觉已渗透到社会生产的各个层面，以下是几个最具代表性的领域。
4.1 工业自动化
工业是机器视觉最大的应用阵地，追求高速、高精度与高可靠性。
4.1.1 缺陷检测：表面划痕、装配缺失
相机抓拍产品表面，算法识别划痕、凹坑或印刷错误。装配线上的视觉系统可检查螺丝是否漏拧、密封圈是否到位，不合格品被自动剔除。
4.1.2 尺寸测量与定位
通过亚像素边缘提取算法，视觉系统能测量工件尺寸并精确判断是否超出公差。定位功能则引导机器人将电子元件准确放置在电路板焊盘上。
4.1.3 字符识别（OCR）与条码读取
工业OCR用于读取日期码、批号等打印在零件上的小字；条码与二维码读取帮助实现物流溯源和库存管理。
4.2 自动驾驶与辅助驾驶
车辆依赖视觉系统感知周围环境，是自动驾驶的核心传感器之一。
4.2.1 车道线检测与交通标志识别
车辆前向摄像头实时检测车道线，为用户提供偏离警告。交通标志识别系统能识别限速牌、停止牌等并提醒驾驶员。
4.2.2 行人、车辆与障碍物检测
基于深度学习的检测器自动标注前方行人、自行车和汽车，辅助紧急制动或自适应巡航控制。
4.2.3 泊车环视系统
多个鱼眼相机拼接成全景鸟瞰图，帮助驾驶员无死角泊车。算法还能自动框出周围障碍物并发出声音警示。
4.3 医疗影像
机器视觉辅助医生诊断，提升效率与准确性。
4.3.1 眼底异常筛查
算法分析眼底照相机拍摄的视网膜图像，自动标记出血点、渗出物等糖尿病视网膜病变征象，减少医生的人工工作量。
4.3.2 病理切片自动分析
将组织切片扫描为数字图像后，机器视觉可识别有丝分裂细胞、腺体结构异常，辅助癌症早期筛查。
4.3.3 手术导航辅助
术中视觉系统实时追踪手术器械相对于患者解剖结构的位置，通过增强现实叠加显示，降低手术风险。
4.4 安防与监控
从被动录像升级为主动智能分析，安防监控进入“看准”时代。
4.4.1 人脸识别与行为分析
摄像头抓拍人脸，与数据库比对以实现门禁或考勤。行为分析算法可识别倒地、奔跑、拥挤等异常动作。
4.4.2 异常事件检测（打架、滞留、烟雾）
利用视频流分析，系统能自动识别斗殴事件并报警，或在人流密集区域检测非法滞留。烟雾检测也利用视觉算法快速定位火源。
4.5 农业与食品
机器视觉助力精准农业，提升农产品品质。
4.5.1 水果分级：颜色、大小、瑕疵
传送带上的水果被多角度相机拍摄，算法按颜色成熟度、直径和瑕疵面积分为多个等级，速度远超人眼且更一致。
4.5.2 杂草识别与精准喷洒
无人机拍摄农田高分辨率图像，视觉系统区分作物与杂草，并控制除草剂喷嘴只在杂草处喷洒，节省农药且环保。
5 挑战与限制
机器视觉虽已取得巨大成功，但距离“万能之眼”尚有距离。
5.1 光照与环境变化
视觉系统的泛化能力受光照条件制约严重。
5.1.1 高反光、阴影与光照不均问题
金属表面或玻璃制品常产生高光斑，导致算法误判。阴影投射会改变物体边缘的纹理，使检测丢失目标。解决方案包括加装偏振片或采用深度学习去阴影网络。
5.1.2 多场景泛化难度
一个在室内训练好的模型，放到户外可能精度陡降。光照、角度和背景的变化要求系统具备域适应能力，但这仍是不小的技术难点。
5.2 遮挡与粘连
现实场景中，物体往往相互遮挡或紧贴在一起，给视觉分析带来考验。
5.2.1 物体部分被遮挡时的检测失效
行人被车辆遮挡一半时，传统检测器可能漏检。现代方法如CenterNet利用关键点预测缓解此问题，但仍有提升空间。
5.2.2 密集场景下的分割难题
超市货架上的商品或堆叠的零件，边界模糊，实例分割容易产生粘连或误分割。后处理算法如分水岭变换或基于边界的细化可部分改善。
5.3 数据标注与训练成本
高质量数据集是深度学习成功的前提，但获取成本高昂。
5.3.1 海量标注需求及其质量保证
一张图像需要人工框出数十个物体，标注准确率直接影响模型性能。医疗、工业场景还需专家审核，时间和经费投入巨大。
5.3.2 小样本学习与域适应
当只有几十张样本时，如何让模型不“过拟合”是一个难题。小样本学习算法（如MAML）和域适应技术试图在有限数据下实现泛化，但可靠性仍待验证。
5.4 实时性与边缘部署
将复杂模型部署到低功耗设备上需要克服资源瓶颈。
5.4.1 模型压缩与硬件加速
通过剪枝、量化和知识蒸馏，将大模型缩小为可在移动端或FPGA上运行的小模型。专用视觉处理器（如JPU）或NPU可进一步提升推理速度。
5.4.2 嵌入式视觉的功耗限制
工业巡检无人机或安防摄像头受限于电池容量，需在功耗与算力间平衡。低功耗芯片如Raspberry Pi搭配轻量模型成为折中方案。
6 前沿趋势与“梗”文化
技术不断迭代，同时也催生出不少幽默“翻车”案例，成为开发者之间的谈资。
6.1 视觉大模型（如CLIP、SAM）
近年来，大模型以海量图像-文本对训练，展示了惊人的零样本泛化能力。
6.1.1 零样本检测：看见没见过的也能猜
CLIP通过对比图文嵌入，能在从没见过训练样本的情况下，根据自然语言提示框出“独角兽”或“飞碟”。这打破了传统检测必须预定义类别的限制。
6.1.2 “万物分割”模块：SAM教你分咖啡杯和猫
Meta推出的SAM（Segment Anything Model）支持任意物体分割，只需点击或画框就能准确切出目标。网友戏称“SAM分割一切，包括你我社死的瞬间”——它能精准划分一杯咖啡和旁边的猫，甚至两者不可分割之时也能给出合理边界。
6.2 事件相机与神经形态视觉
这是一类颠覆传统“逐帧拍摄”的新型视觉传感器。
6.2.1 只拍变化，不拍静止——省电且高速
事件相机每个像素独立响应亮度变化，只会报告“增亮”或“变暗”事件，因此帧率可达微秒级且功耗极低。它特别适合拍高速运动（如旋转的电扇叶片），但缺点是无法获取静态纹理信息。
6.3 机器视觉的“翻车”瞬间
算法再强，也逃不过数据偏见的魔咒，翻车场面往往让开发者哭笑不得。
6.3.1 把皮卡丘认成企鹅：数据偏见的物证
某著名图像分类系统中，一个黄色的皮卡丘玩偶被高置信度分类为“帝企鹅”。原因在于训练数据中黄色企鹅类图片极少，而皮卡丘的轮廓和颜色恰好吻合了企鹅的特征。这成为“数据集偏见”的经典梗。
6.3.2 “我是猫”的对抗攻击：一张贴纸让安检门罢工
研究人员在“停止”标识上贴一张小贴纸，就成功欺骗了自动驾驶模型将其识别为限速牌。更离谱的是，一张打印的“我是猫”贴纸放在香蕉上，竟然让最先进的检测器不再认为那是香蕉——它真的认成了猫。这种对抗攻击说明，机器视觉的“眼睛”比想象中更脆弱。
6.4 当机器视觉遇上元宇宙
在虚拟与现实的融合中，视觉技术扮演着关键角色，也衍生出新的“玩法”。
6.4.1 虚拟试衣间的透视幻术
AR试衣间利用人体姿态估计和纹理投影，让用户对着屏幕就能“穿”上各种衣服。算法必须准确分割身体与背景，不然就可能出现“衣服穿透身体”的尴尬——俗称“透视幻术”，也成为恶搞视频的经典题材。
6.4.2 眼球追踪：别想用眼神“逃课”
眼动仪结合机器视觉，可实时判断使用者注视的方向。在元宇宙虚拟教室里，老师系统能监测学生是否“眼神飘走”——试图用瞪着眼睛看天花板的方式“逃课”显然行不通，因为算法会全程记录视线轨迹，并可能在课后生成一份“眼神逃课报告”。这使师生之间又多了一个幽默斗智的维度。