简而言之，机器视觉技术使工业设备能够“看到”它正在进行的操作，并根据它所看到的情况做出快速的决策。机器视觉最常见的用途是目视检查和缺陷检测、定位和测量零件，以及对产品进行识别、分类和追踪。

　　机器视觉是工业自动化的基础技术之一。几十年来，其帮助提高了产品质量、加快了生产速度并优化了制造和物流过程。现在，这项成熟的技术正在与人工智能融合，并引领着向工业 4.0 的过渡。

　　在人工智能和机器学习兴起之前，机器就已经可以进行“观察”了。1970 年代初期，计算机开始使用特定算法来处理图像和识别基本特征。这种经典的机器视觉技术可以检测物体边缘以定位某个零件，发现表示缺陷的颜色差异，并识别表示孔洞的连续像素斑点。

　　经典机器视觉不需要人工智能，操作相对简单。文字必须简单清晰，就像条形码一样。形状必须是可预测的并符合某种精确的图案。经典的机器视觉系统无法读取手写笔迹、解读皱巴巴的标签或区分苹果和橙子。

　　尽管如此，经典的机器视觉也已经对制造业产生了巨大的影响。机器不会感到疲倦，因此它们可以比肉眼更快且更可靠地发现缺陷。此外，机器不受人类视觉能力极限的约束。专用的机器视觉摄像头可以使用热成像来检测热异常，以及使用 X 射线来发现微观缺陷和金属疲劳。

　　边缘计算越来越强大——涵盖网络边缘及其他地方的嵌入式和物联网设备——此外越来越多的人工智能 (AI) 深度学习模型正在从根本上扩展机器视觉的功能。这种能力的快速增长正引领着向智能工厂和工业 4.0 的转型。

　　人工智能使用被称为神经网络的模型增强了经典的计算机视觉算法。当计算机接收到图像或由图像组成的视频流时，机器视觉软件会将图像数据与神经网络模型进行比较。这个过程被称为深度学习推理，它使计算机能够识别非常细微的差异，例如织物中微小的图案不匹配和电路板上的微观缺陷。

　　为了提高准确性和速度，数据科学家为特定应用创建了特定的神经网络模型。在这个被称为监督训练的过程中，计算机会审查数以万计的样本并识别有意义的模式，包括人类可能无法检测到的模式。

　　有一些模型可以检测显示器中的像素死点和偏色像素，检查焊缝中的孔隙，以及精确定位织物中的勾丝。当然，还有更多的模型正在不断的开发和完善之中。

　　人工智能正在扩大机器视觉的功能，其效果远远超过了目视检查和质量控制。借助智能机器视觉，机器人可以进行三维感知、帮助对方夹持零件并检查彼此的操作。它们甚至可以与人类同事互动，确保他们共同安全地开展工作。

　　具有智能视觉的机器可以使用自然语言处理来读取标签和解读标志。具有智能视觉的机器人可以理解形状、计算体积，并完美地给箱子、卡车甚至集装箱进行填装，尽可能地减少空间浪费。

　　从能够自动执行简单任务的自动化机器，转型星空体育在线入口为视觉能力超越肉眼极限、自主思考，从而能够长期对各种元素进行优化的自主型机器，这一转变将推动工业创新达到全新的水平。

　　这听起来像是科幻小说，但智能机器视觉如今已在工厂、仓库和运输中心发挥作用，通过处理日常任务来帮助和协助人类工人，以便工人可以利用他们的专业知识专注于最重要的环节。