拍摄对象实物
拍摄实物三维点圆数据
“多目慧眼”实物图
成像效果图，通过一次拍摄成像，可快速获取构筑物轮廓和结构特征的三维空间数据
图为“多目慧眼”专用三维相机机组
视觉是人类观察和认知世界的重要手段。据统计，人类从外部世界获得的信息约有80%由视觉获取。这既说明视觉信息量巨大，又体现出人类视觉功能的重要性。随着信息技术的发展，为计算机、机器人或其他智能机器赋予人类视觉功能，成为科学家们的奋斗目标。
目前，机器视觉技术已经实现了产品化、实用化，镜头、高速相机、光源、图像软件、图像采集卡、视觉处理器等相关产品功能日益完善。机器视觉技术在信息化时代正扮演着越来越重要的角色。
什么是“机器视觉”
与计算机视觉相比，机器视觉偏重于计算机视觉技术工程化，能够自动获取和分析特定的图像，对准确度和处理速度要求都比较高。一般而言，计算机视觉多用来识别“人”，而机器视觉则多用来识别“物”。
机器视觉是人工智能正在快速发展的一个分支，是研究用计算机来模拟生物视觉的科学技术。机器视觉系统的首要目标是用图像创建或恢复现实世界模型，然后认识现实世界。其具体操作方法是通过机器视觉产品将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，再根据像素分布和亮度、颜色等信息将其转变成数字化信号，图像系统对这些信号进行各种运算来抽取目标的特征，进而控制现场设备的动作。
说起视觉，人们并不陌生。近年来，作为重要的生物识别技术之一的人脸识别技术飞速进步，“刷脸”可以实现考勤、支付、身份验证等操作，已经成为安全系数较高的身份识别技术。不过，人脸识别技术属于计算机视觉而非机器视觉，这两种技术既有区别又有联系。
张广军编著的《机器视觉》一书中这样区分两种技术：计算机视觉是采用图像处理、模式识别、人工智能技术相结合的手段，对目标物体进行识别，确定目标物体的位置和姿态；机器视觉则偏重于计算机视觉技术工程化，能够自动获取和分析特定的图像，功能主要为物体定位、特征检测、缺陷判断、目标识别、计数和运动跟踪等。
具体而言，计算机视觉应用的场景相对复杂，要识别的物体类型也多，形状不规则、规律性不强，有时甚至很难用客观量作为识别的依据，比如识别年龄、性别，深度学习比较适合计算机视觉，对于光线、距离、角度等条件要求较低；而机器视觉场景相对简单固定，在同一应用中识别的类型少，规则且有规律，但对准确度和处理速度要求都比较高，一般机器视觉的分辨率远高于计算机视觉，而且往往要求实时，处理速度非常关键。一般而言，计算机视觉多用来识别“人”，而机器视觉则多用来识别“物”。
机器视觉应用广泛
只要是需要对物体进行识别、特征判断和检测，机器视觉就可以大展拳脚。如今，在农业、工业、医学等领域，机器视觉技术因其非接触、速度快、精度高、现场抗干扰能力强等突出优点，得到了广泛应用。
比如在农业生产中，有一部分工作是对农作物或农产品的外观进行判断，如水果品质检测、果实成熟度判别、作物生长状况以及杂草的识别等。这些过去主要依靠人的视觉进行辨别和判断的工作可以由机器视觉技术部分或全部替代，从而实现农业自动化和智能化。例如，来自南京林业大学的黄秀玲团队就设计了一条可以对苹果品质进行动态、实时检测的智能化分级生产线。生产线上，均匀分布的3个摄像头一次性采集苹果表面信息，通过计算机智能控制系统对采集信息进行综合分析，从而对苹果进行分级。不过，也有专家表示，由于农田环境的复杂多变性以及非结构化特性，目前机器视觉在农业生产中的应用尚不成熟，仍需进一步完善。
在工业环境中，机器视觉应用日臻成熟，在提高工业生产灵活性和自动化程度方面发挥重大作用。此外，在危险工作环境或人工视觉难以满足要求的场合，用机器视觉来替代人工视觉也提高了作业的安全性。在流水线上通过图像识别技术检查产品外观缺损、标签印刷错误、电路板焊接质量缺陷的图像识别系统就是机器视觉系统应用于工业领域的成功范例。印刷包装、汽车工业、半导体材料、食品生产等，都是机器视觉在工业领域的应用方向。
在勘探采集、有色冶炼等过程中，机器视觉技术也大有可为。选矿是矿产资源加工中的一个重要环节，选矿水平高低直接影响矿物资源回收。近年来，基于机器视觉的矿物表面特征监测技术已引起工业发达国家科研机构的高度关注。资料显示，欧盟联合多家大学和企业，于2000年启动了“基于机器视觉的气泡结构和颜色表征”项目；南非、智利等国家也将机器视觉应用到石墨、铂金属的浮选监控中。在国内，对煤和镍的浮选监控研究也取得了重大进展。
