機器視覺(Machine Vision)是人工智能領域中發(fā)展迅速的一個重要分支，目前正處于不斷突破、走向成熟的階段。一般認為機器視覺“是通過光學裝置和非接觸傳感器自動地接受和處理一個真實場景的圖像，通過分析圖像獲得所需信息或用于控制機器運動的裝置”，可以看出智能圖像處理技術(shù)在機器視覺中占有舉足輕重的位置。

　　智能圖像處理是指一類基于計算機的自適應于各種應用場合的圖像處理和分析技術(shù)，本身是一個獨立的理論和技術(shù)領域，但同時又是機器視覺中的一項十分重要的技術(shù)支撐。

　　具有智能圖像處理功能的機器視覺，相當于人們在賦予機器智能的同時為機器按上了眼睛，使機器能夠“看得見”、“看得準”，可替代甚至勝過人眼做測量和判斷，使得機器視覺系統(tǒng)可以實現(xiàn)高分辨率和高速度的控制。而且，機器視覺系統(tǒng)與被檢測對象無接觸，安全可靠。

　　1.機器視覺技術(shù)

　　機器視覺的起源可追溯到20世紀60年代美國學者L.R.羅伯茲對多面體積木世界的圖像處理研究，70年代麻省理工學院(MIT)人工智能實驗室“機器視覺”課程的開設。到80年代，全球性機器視覺研究熱潮開始興起，出現(xiàn)了一些基于機器視覺的應用系統(tǒng)。90年代以后，隨著計算機和半導體技術(shù)的飛速發(fā)展，機器視覺的理論和應用得到進一步發(fā)展。

　　進入21世紀后，機器視覺技術(shù)的發(fā)展速度更快，已經(jīng)大規(guī)模地應用于多個領域，如智能制造、智能交通、醫(yī)療衛(wèi)生、安防監(jiān)控等領域。目前，隨著人工智能浪潮的興起，機器視覺技術(shù)正處于不斷突破、走向成熟的新階段。

　　在中國，機器視覺的研究和應用開始于20世紀90年代。從跟蹤國外品牌產(chǎn)品起步，經(jīng)過二十多年的努力，國內(nèi)的機器視覺從無到有，從弱到強，不僅理論研究進展迅速，而且已經(jīng)出現(xiàn)一些頗具競爭力的公司和產(chǎn)品。估計隨著國內(nèi)對機器視覺研究、開發(fā)和推廣的不斷深入，趕上和超越世界水平已不是遙不可及的事情了。

　　常見機器視覺系統(tǒng)主要可分為兩類，一類是基于計算機的，如工控機或PC，另一類是更加緊湊的嵌入式設備。典型的基于工控機的機器視覺系統(tǒng)主要包括：光學系統(tǒng)，攝像機和工控機(包含圖像采集、圖像處理和分析、控制/通信)等單元。機器視覺系統(tǒng)對核心的圖像處理要求算法準確、快捷和穩(wěn)定，同時還要求系統(tǒng)的實現(xiàn)成本低，升級換代方便。

　　2.智能圖像處理技術(shù)

　　機器視覺的圖像處理系統(tǒng)對現(xiàn)場的數(shù)字圖像信號按照具體的應用要求進行運算和分析，根據(jù)獲得的處理結(jié)果來控制現(xiàn)場設備的動作，其常見功能如下：

　　(1)圖像采集

　　圖像采集就是從工作現(xiàn)場獲取場景圖像的過程，是機器視覺的第一步，采集工具大多為CCD或CMOS照相機或攝像機。照相機采集的是單幅的圖像，攝像機可以采集連續(xù)的現(xiàn)場圖像。就一幅圖像而言，它實際上是三維場景在二維圖像平面上的投影，圖像中某一點的彩色(亮度和色度)是場景中對應點彩色的反映。這就是我們可以用采集圖像來替代真實場景的根本依據(jù)所在。

　　如果相機是模擬信號輸出，需要將模擬圖像信號數(shù)字化后送給計算機(包括嵌入式系統(tǒng))處理。現(xiàn)在大部分相機都可直接輸出數(shù)字圖像信號，可以免除模數(shù)轉(zhuǎn)換這一步驟。不僅如此，現(xiàn)在相機的數(shù)字輸出接口也是標準化的，如USB、VGA、1394、HDMI、WiFi、Blue Tooth接口等，可以直接送入計算機進行處理，以免除在圖像輸出和計算機之間加接一塊圖像采集卡的麻煩。后續(xù)的圖像處理工作往往是由計算機或嵌入式系統(tǒng)以軟件的方式進行。

　　(2)圖像預處理

　　對于采集到的數(shù)字化的現(xiàn)場圖像，由于受到設備和環(huán)境因素的影響，往往會受到不同程度的干擾，如噪聲、幾何形變、彩色失調(diào)等，都會妨礙接下來的處理環(huán)節(jié)。為此，必須對采集圖像進行預處理。常見的預處理包括噪聲消除、幾何校正、直方圖均衡等處理。

　　通常使用時域或頻域濾波的方法來去除圖像中的噪聲;采用幾何變換的辦法來校正圖像的幾何失真;采用直方圖均衡、同態(tài)濾波等方法來減輕圖像的彩色偏離?？傊ㄟ^這一系列的圖像預處理技術(shù)，對采集圖像進行“加工”，為體機器視覺應用提供“更好”、“更有用”的圖像。

　　(3)圖像分割

　　圖像分割就是按照應用要求，把圖像分成各具特征的區(qū)域，從中提取出感興趣目標。在圖像中常見的特征有灰度、彩色、紋理、邊緣、角點等。例如，對汽車裝配流水線圖像進行分割，分成背景區(qū)域和工件區(qū)域，提供給后續(xù)處理單元對工件安裝部分的處理。

　　圖像分割多年來一直是圖像處理中的難題，至今已有種類繁多的分割算法，但是效果往往并不理想。近來，人們利用基于神經(jīng)網(wǎng)絡的深度學習方法進行圖像分割，其性能勝過傳統(tǒng)算法。

　　(4)目標識別和分類

　　在制造或安防等行業(yè)，機器視覺都離不開對輸入圖像的目標進行識別和分類處理，以便在此基礎上完成后續(xù)的判斷和操作。識別和分類技術(shù)有很多相同的地方，常常在目標識別完成后，目標的類別也就明確了。近來的圖像識別技術(shù)正在跨越傳統(tǒng)方法，形成以神經(jīng)網(wǎng)絡為主流的智能化圖像識別方法，如卷積神經(jīng)網(wǎng)絡(CNN)、回歸神經(jīng)網(wǎng)絡(RNN)等一類性能優(yōu)越的方法。

　　(5)目標定位和測量

　　在智能制造中，最常見的工作就是對目標工件進行安裝，但是在安裝前往往需要先對目標進行定位，安裝后還需對目標進行測量。安裝和測量都需要保持較高的精度和速度，如毫米級精度(甚至更小)，毫秒級速度。這種高精度、高速度的定位和測量，倚靠通常的機械或人工的方法是難以辦到的。在機器視覺中，采用圖像處理的辦法，對安裝現(xiàn)場圖像進行處理，按照目標和圖像之間的復雜映射關(guān)系進行處理，從而快速精準地完成定位和測量任務。

　　(6)目標檢測和跟蹤

　　圖像處理中的運動目標檢測和跟蹤，就是實時檢測攝像機捕獲的場景圖像中是否有運動目標，并預測它下一步的運動方向和趨勢，即跟蹤。并及時將這些運動數(shù)據(jù)提交給后續(xù)的分析和控制處理，形成相應的控制動作。圖像采集一般使用單個攝像機，如果需要也可以使用兩個攝像機，模仿人的雙目視覺而獲得場景的立體信息，這樣更加有利于目標檢測和跟蹤處理。