机器视觉，就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品(即图像摄取装置，分 CMOS 和CCD
两种)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，根据像素分布和亮度、颜色等信息，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，进而根据判别的结果来控制现场的设备动作。
日弘智能视觉系统组成部分：
1.照明光源2.镜头3.工业摄像机4.图像采集/处理卡5.图像处理系统6.其它外部设备
一、相机篇
工业相机又俗称摄像机，相比于传统的民用相机(摄像机)而言，它具有高的图像稳定性、高传输能力和高抗干扰能力等，目前市面上工业相机大多是基于CCD(Charge
Coupled Device)或CMOS(Complementary metal Oxide Semiconductor)芯片的相机。
其中，CCD是目前机器视觉最为常用的图像传感器。它集光电转换及电荷存贮、电荷转移、信号读取于一体，是典型的固体成像器件。
CCD的突出特点是以电荷作为信号，而不同于其它器件是以电流或者电压为信号。这类成像器件通过光电转换形成电荷包，而后在驱动脉冲的作用下转移、放大输出图像信号。
典型的CCD相机由光学镜头、时序及同步信号发生器、垂直驱动器、模拟/数字信号处理电路组成。CCD作为一种功能器件，与真空管相比，具有无灼伤、无滞后、低电压工作、低功耗等优点。
CMOS图像传感器的开发则最早出现在20世纪70 年代初，90 年代初期，随着超大规模集成电路 (VLSI)
制造工艺技术的发展，CMOS图像传感器得到迅速发展。
CMOS图像传感器将光敏元阵列、图像信号放大器、信号读取电路、模数转换电路、图像信号处理器及控制器集成在一块芯片上，还具有局部像素的编程随机访问的优点。
目前，CMOS图像传感器以其良好的集成性、低功耗、高速传输和宽动态范围等特点在高分辨率和高速场合得到了广泛的应用。
分类：
任何东西一定有它自己的分类标准，工业相机也不例外。
按照芯片类型可以分为CCD相机、CMOS相机
按照传感器的结构特性可以分为线阵相机、面阵相机
按照扫描方式可以分为隔行扫描相机、逐行扫描相机
按照分辨率大小可以分为普通分辨率相机、高分辨率相机
按照输出信号方式可以分为模拟相机、数字相机
按照输出色彩可以分为单色(黑白)相机、彩色相机
按照输出信号速度可以分为普通速度相机、高速相机
按照响应频率范围可以分为可见光(普通)相机、红外相机、紫外相机等。
区别：
1、性能稳定可靠易于安装，相机结构紧凑结实不易损坏，连续工作时间长，可在较差的环境下使用，一般的数码相机是做不到这些的。例如：让民用数码相机一天工作24小时或连续工作几天肯定会受不了的。
2、快门时间非常短，可以抓拍高速运动的物体。例如，把名片贴在电风扇扇叶上，以最大速度旋转，设置合适的快门时间，用工业相机抓拍一张图像，仍能够清晰辨别名片上的字体。用普通的相机来抓拍，是不可能达到同样效果的。
3、图像传感器是逐行扫描的，而普通的相机的图像传感器是隔行扫描的，
逐行扫描的图像传感器生产工艺比较复杂，成品率低，出货量少，世界上只有少数公司能够提供这类产品，例如Dalsa、Sony，而且价格昂贵。
4、帧率远远高于普通相机。工业相机每秒可以拍摄十幅到几百幅图片，而普通相机只能拍摄2-3幅图像，相差较大。
5、输出是裸数据(raw data)，其光谱范围也往往比较宽，比较适合进行高质量的图像处理算法，例如机器视觉(Machine
Vision)应用。而普通相机拍摄的图片，其光谱范围只适合人眼视觉，并且经过了mjpeg压缩，图像质量较差，不利于分析处理。
6、相对普通相机(DSC)来说价格较贵。
如何选择：
1、根据应用的不同分别选用CCD或CMOS相机CCD工业相机主要应用在运动物体的图像提取，如贴片机机器视觉，当然随着CMOS技术的发展，许多贴片机也在选用CMOS工业相机。用在视觉自动检查的方案或行业中一般用CCD工业相机比较多。CMOS工业相机由成本低，功耗低也应用越来越广泛。
2、分辨率的选择首先考虑待观察或待测量物体的精度，根据精度选择分辨率。相机像素精度=单方向视野范围大小/相机单方向分辨率。则相机单方向分辨率=单方向视野范围大小/理论精度。若单视野为5mm长，理论精度为0.02mm，则单方向分辨率=5/0.02=250。然而为增加系统稳定性，不会只用一个像素单位对应一个测量/观察精度值，一般可以选择倍数4或更高。这样该相机需求单方向分辨率为1000，选用130万像素已经足够。
其次看工业相机的输出，若是体式观察或机器软件分析识别
，分辨率高是有帮助的若是VGA输出或USB输出，在显示器上观察，则还依赖于显示器的分辨率，工业相机的分辨率再高，显示器分辨率不够，也是没有意义的利用存储卡或拍照功能，工业相机的分辨率高也是有帮助的。
3、与镜头的匹配传感器芯片尺寸需要小于或等于镜头尺寸，C或CS安装座也要匹配(或者增加转接口)。
4、相机帧数选择当被测物体有运动要求时，要选择帧数高的工业相机。但一般来说分辨率越高，帧数越低。
二、镜头篇
镜头的基本功能就是实现光束变换(调制)，在机器视觉系统中，镜头的主要作用是将成像目标在图像传感器的光敏面上。镜头的质量直影响到机器视觉系统的整体性能，合理地选择和安装镜头，是机器视觉系统设计的重要环节。
基础知识：
1、镜头匹配
大家如何选择合适镜头，镜头选配时需要选择与摄像机接口和CCD的尺寸相匹配的镜头。镜头C和CS的接口方式占主流。小型的安防用的CS接口摄像机得到普及、FA行业则大部分是C接口的摄像机与镜头的组合。对应的CCD尺寸、市场上一般根据用途使用2/3寸到1/3寸的产品。
2、互换性
C接口镜头可以与C接口摄像机、CS接口摄像机互用CS接口镜头不可以应用在C接口摄像机，只可以应用在CS接口摄像机。
3、KERARE
摄像机如果使用配备小CCD尺寸的镜头，那么周边没有摄取到图像的部分呈现出黑色，我们称其为KERARE。
4、镜头的作用：
将折射率不同的各种硝材通过研磨，加工成高精度的曲面、把这些镜头进行组合，就是设计镜头。从伽利略时代开始使用的普遍技术是其基本原理。为得到更清晰的图像，一直在研究开发试制新的硝材和非球面镜片。
三、光源篇
LED光源、卤素灯(光纤光源)、高频荧光灯。目前LED光源最常用，主要有如下几个特点：
可制成各种形状、尺寸及各种照射角度
可根据需要制成各种颜色，并可以随时调节亮度
通过散热装置，散热效果更好，光亮度更稳定
使用寿命长
反应快捷，可在10微秒或更短的时间内达到最大亮度
电源带有外触发，可以通过计算机控制，起动速度快，可以用作频闪灯
运行成本低、寿命长的LED，会在综合成本和性能方面体现出更大的优势
可根据客户的需要，进行特殊设计。
LED光源按形状通常可分为以下几类：
1、环形光源环形光源提供不同照射角度、不同颜色组合，更能突出物体的三维信息高密度LED阵列，高亮度多种紧凑设计，节省安装空间解决对角照射阴影问题可选配漫射板导光，光线均匀扩散。应用领域:PCB基板检测，IC元件检测，显微镜照明，液晶校正，塑胶容器检测，集成电路印字检查。
2、背光源用高密度LED阵列面提供高强度背光照明，能突出物体。的外形轮廓特征，尤其适合作为显微镜的载物台。红白两用背光源、红蓝多用背光源，能调配出不同颜色，满足不同被测物多色要求。应用领域:机械零件尺寸的测量，电子元件、IC的外型检测，胶片污点检测，透明物体划痕检测等。
3、条形光源条形光源是较大方形结构被测物的首选光源颜色可根据需求搭配，自由组合照射角度与安装随意可调。应用领域:金属表面检查，图像扫描，表面裂缝检测，LCD面板检测等。
4、同轴光源同轴光源可以消除物体表面不平整引起的阴影，从而减少干扰部分采用分光镜设计，减少光损失，提高成像清晰度，均匀照射物体表面。应用领域:系列光源最适宜用于反射度极高的物体，如金属、玻璃、胶片、晶片等表面的划伤检测，芯片和硅晶片的破损检测，Mark点定位，包装条码识别。
5、AOI专用光源不同角度的三色光照明，照射凸显焊锡三维信息外加漫射板导光，减少反光不同角度组合应用领域:用于电路板焊锡检测。
6、球积分光源具有积分效果的半球面内壁，均匀反射从底部360度发射出的光线，使整个图像的照度十分均匀。应用领域:合于曲面，表面凹凸，弧形表面检测，或金属、玻璃表面反光较强的物体表面检测。
7、线形光源超高亮度，采用柱面透镜聚光，适用于各种流水线连续检测场合。应用领域:阵相机照明专用，AOI专用。
8、点光源大功率LED，体积小，发光强度高光纤卤素灯的替代品，尤其适合作为镜头的同轴光源等高效散热装置，大大提高光源的使用寿命。应用领域:适合远心镜头使用，用于芯片检测，Mark点定位，晶片及液晶玻璃底基校正。
9、组合条形光源四边配置条形光，每边照明独立可控可根据被测物要求调整所需照明角度，适用性广。应用案例:CB基板检测，IC元件检测，焊锡检查，Mark点定位，显微镜照明，包装条码照明，球形物体照明等。
10、对位光源对位速度快视场大精度高体积小，便于检测集成亮度高，可选配辅助环形光源。应用领域:VA系列光源是全自动电路板印刷机对位的专用光源。
四、光源的选型
1、前提信息
(1)检测内容外观检查、OCR、尺寸测定、定位
(2)对象物
想看什么?(异物、伤痕、缺损、标识、形状等)
表面状态(镜面、糙面、曲面、平面)
立体?平面?
材质、表面颜色
视野范围?
动态还是静态(相机快门速度)
(3)限制条件
工作距离(镜头下端到被测物表面距离)
设置条件(照明的大小、照明下端到被测物表面的距离、反射型or透射型)
周围环境(温度、外乱光)
相机的种类，面阵or线阵
2、简单的预备知识：
(1).因材质和厚度不同、对光的透过特性(透明度)各异。(2).光根拠其波长之长短、对物质的穿透能力(穿透率)各异。(3).光的波长越长、对物质的透过力越强，光的波长越短、在物质表面的拡散率越大。(4).透射照明、即是使光线透射对象物、并观察其透过光之照明手法。
3、光源：
稳定均匀的光源极其重要
目的：将被测物与背景尽量明顕区分
摄取图像时、最重要之处是如何鲜明地获得：被测物与背景的浓淡差
目前、在图像处理领域中最广范的技术手法是：二值化(白黒)处理为了能够突出特征点，将特征图像突出出来，在打光手法上，常用的包括有明视野与暗视野。
明视野：用直射光来观察对象物整体(散乱光呈黒色)
暗视野：用散乱光来观察对象物整体(直射光呈白色)具体的光源选取方法还在于试验的实践经验。
机器视觉中有哪些主要的问题和发展瓶颈存在？
机器视觉起源于上世纪 50 年代，Gilson 提出了“光流”这一概念，并基于相关统计模型发展了逐像素的计算模式，标志着 2D 影像统计模式的发展。
1960 年，美国学者 Roberts 提出了从 2D 图像中提取三维结构的观点，引发了 MIT 人工智能实验室及其它机构对机器视觉的关注，并标志着三维机器视觉研究的开始。
70 年代中期，MIT 人工智能实验室正式开设“机器视觉”课程，研究人员开始 大力进行“物体与视觉”相关课题的研究。1978 年，David Marr 开创了“自下 而上”的通过计算机视觉捕捉物体形象的方法，该方法以2D的轮廓素描为起点， 逐步完成 3D 形象的捕捉，这一方法的提出标志着机器视觉研究的重大突破。
80 年代开始，机器视觉掀起了全球性的研究热潮，方法理论迭代更新，OCR 和智能摄像头等均在这一阶段问世，并逐步引发了机器视觉相关技术更为广泛的传 播与应用。
90 年代初，视觉公司成立，并开发出第一代图像处理产品。而后，机器视觉相 关技术被不断地投入到生产制造过程中，使得机器视觉领域迅速扩张，上百家企业开始大量销售机器视觉系统，完整的机器视觉产业逐渐形成。在这一阶段， LED 灯、传感器及控制结构等的迅速发展，进一步加速了机器视觉行业的进步，并使得行业的生产成本逐步降低。
2000 年至今，更高速的 3D 视觉扫描系统和热影象系统等逐步问世，机器视觉的软硬件产品蔓延至生产制造的各个阶段，应用领域也不断扩大。当下，机器视觉作为人工智能的底层产业及电子、汽车等行业的上游行业，仍处于高速发展的阶段，具有良好的发展前景。
国内机器视觉起步晚，目前处于快速成长期。国内机器视觉源于上世纪 80 年代 的第一批技术引进。自 1998 年众多电子和半导体工厂落户广东和上海开始，机器视觉生产线和高级设备被引入我国，诞生了国际机器视觉厂商的代理商和系统集成商。中国的机器视觉发展主要经历了三个阶段。
第一个阶段是 1999 年-2003 年的启蒙阶段。这一阶段的中国企业主要通过代理 业务对客户进行服务，在服务的过程中引导客户对机器视觉的理解和认知，借此 开启了中国机器视觉的历史进程。同时，国内涌现出的跨专业机器视觉人才也逐 步掌握了国外简单的机器视觉软硬件产品，并搭建起了机器视觉初级应用系统。在这一阶段，诸如特种印刷行业、烟叶异物剔除行业等率先引入了机器视觉技术， 在解放劳动力的同时有效推动了国内机器视觉领域的发展。
第二个阶段是 2004 年-2007 年的发展阶段。这一阶段本土机器视觉企业开始起步探索由更多自主核心技术承载的机器视觉软硬件器件的研发，多个应用领域取得了关键性的突破。国内厂商陆续推出的全系列模拟接口和 USB2.0 的相机和采集卡，以及 PCB 检测设备、SMT 检测设备、LCD 前道检测设备等，逐渐开始 占据入门级市场。
第三个阶段是 2008 年以后的高速发展阶段。在这一阶段众多机器视觉核心器件 研发厂商不断涌现，一大批真正的系统级工程师被不断培养出来，推动了国内机器视觉行业的高速、高质量发展。
随着全球新一轮科技革命与产业变革浪潮的兴起，机器视觉行业顺势迎来快速发展。机器视觉的应用已经从当初的汽车制造领域，扩展至如今消费电子、制药、食品包装等多个领域实现广泛应用。
身为电气工程师的你懂机器视觉吗?为什么它这么厉害?
1、问题可以归结为三个方面：计算能力不足、认知理论未明以及精确识别与模糊特征之间的自相矛盾。
2.人才的稀缺
目前真正意义上的从业人员缺少科班出身，缺少对图像处理的底层理论认知和理解。机器视觉中图像处理是极为重要的一环，而目前大多数从业人员是本科或者大专毕业，或者是电气工程师新入行，基本都比较缺乏图像处理的基本理论，很多理论还停留在对“视觉嘛，就是、对比视觉，二值化”等认知上。
待遇。虽然相对于普通的自动化从业者而言，机器视觉工程师待遇还是不错的，但是却难以吸引到硕士或者博士进行过专门图像处理学术训练的人加入，因为随便加入那个互联网大公司做图像相关工作，待遇都能把自动化从业的工程师甩出几条大街。
另外，机器视觉更多的应用是属于自动化设备这一块。而自动化属于比较交叉的学科，涉及到机器视觉，需要了解的东西包括、电气、运动控制、机械、光学、软件编程等。这些学科了解一些基本的东西不难，但是研究的比较透彻并能高效率的综合运用就比较难了。
3.图像处理的不确定性
在我的理解机器视觉仅仅算是计算机视觉的一个微小分支，所以机器视觉主要还是指工业方面的应用。目前的工业应用主要需求有：测量、外观检测、条码、字符识别、定位。而这几个方面机器视觉还没有一个能真正意义上实现批量化检测的同时保证极高的准确率，极小的误检率和杜绝漏检。这个目标不能实现，降低了机器视觉的应用预期。因为机器视觉设备不能完全解决，还是需要人复查，除非客户的标准没有那么高。
固建工业机器人视觉系统的应用有哪些？
机器视觉是通过计算机来模拟人类视觉功能，以让机器获得相关视觉信息和加以理解。可分为“视”和“觉”两部分原理。
“视”是将外界信息通过成像来显示成数字信号反馈给计算机，需要依靠一整套的硬件解决方案，包括光源、相机、图像采集卡、视觉传感器等。“觉”则是计算机对数字信号进行处理和分析，主要是软件算法。
机器视觉在工业上应用领域广阔，核心功能包括：测量、检测、识别、定位等。
产业链可以分为上游部件级市场、中游系统集成/整机装备市场和下游应用市场。
机器视觉上游有光源、镜头、工业相机、图像采集卡、图像处理软件等软硬件提供商，中游有集成和整机设备提供商，行业下游应用较广，主要下游市场包括电子制造行业、 汽车 、印刷包装、烟草、农业、医药、纺织和交通等领域。
机器视觉全球市场主要分布在北美、欧洲、日本、中国等地区，根据统计数据，2014年，全球机器视觉系统及部件市场规模是 36.7 亿美元，2015年全球机器视觉系统及部件市场规模是42亿美元，2016年全球机器视觉系统及部件市场规模是62亿美元，2002-2016年市场年均复合增长率为12%左右。而机器视觉系统集成，根据北美市场数据估算，大约是视觉系统及部件市场的6倍。
中国机器视觉起步于80年代的技术引进，随着98年半导体工厂的整线引进，也带入机器视觉系统，06年以前国内机器视觉产品主要集中在外资制造企业，规模都较小，06年开始，工业机器视觉应用的客户群开始扩大到印刷、食品等检测领域，2011年市场开始高速增长，随着人工成本的增加和制造业的升级需求，加上计算机视觉技术的快速发展，越来越多机器视觉方案渗透到各领域，到2016年我国机器视觉市场规模已达近70亿元。
机器视觉中，缺陷检测功能，是机器视觉应用得最多的功能之一，主要检测产品表面的各种信息。在现代工业自动化生产中，连续大批量生产中每个制程都有一定的次品率，单独看虽然比率很小，但相乘后却成为企业难以提高良率的瓶颈，并且在经过完整制程后再剔除次品成本会高很多（例如，如果锡膏印刷工序存在定位偏差，且该问题直到芯片贴装后的在线测试才被发现，那么返修的成本将会是原成本的100倍以上），因此及时检测及次品剔除对质量控制和成本控制是非常重要的，也是制造业进一步升级的重要基石。
1.在检测行业，与人类视觉相比，机器视觉优势明显
1）精确度高：人类视觉是64灰度级，且对微小目标分辨力弱；机器视觉可显著提高灰度级，同时可观测微米级的目标；
2）速度快：人类是无法看清快速运动的目标的，机器快门时间则可达微秒级别；
3）稳定性高：机器视觉解决了人类一个非常严重的问题，不稳定，人工目检是劳动非常枯燥和辛苦的行业，无论你设计怎样的奖惩制度，都会发生比较高的漏检率。但是机器视觉检测设备则没有疲劳问题，没有情绪波动，只要是你在算法中写好的东西，每一次都会认真执行。在质控中大大提升效果可控性。
4）信息的集成与留存：机器视觉获得的信息量是全面且可追溯的，相关信息可以很方便的集成和留存。
2.机器视觉技术近年发展迅速
1）图像采集技术发展迅猛
CCD、CMOS等固件越来越成熟，图像敏感器件尺寸不断缩小，像元数量和数据率不断提高，分辨率和帧率的提升速度可以说日新月异，产品系列也越来越丰富，在增益、快门和信噪比等参数上不断优化，通过核心测试指标（MTF、畸变、信噪比、光源亮度、均匀性、色温、系统成像能力综合评估等）来对光源、镜头和相机进行综合选择，使得很多以前成像上的难点问题得以不断突破。
2）图像处理和模式识别发展迅速
图像处理上，随着图像高精度的边缘信息的提取，很多原本混合在背景噪声中难以直接检测的低对比度瑕疵开始得到分辨。
模式识别上，本身可以看作一个标记过程，在一定量度或观测的基础上，把待识模式划分到各自的模式中去。图像识别中运用得较多的主要是决策理论和结构方法。决策理论方法的基础是决策函数，利用它对模式向量进行分类识别，是以定时描述（如统计纹理）为基础的；结构方法的核心是将物体分解成了模式或模式基元，而不同的物体结构有不同的基元串（或称字符串），通过对未知物体利用给定的模式基元求出编码边界，得到字符串，再根据字符串判断它的属类。在特征生成上，很多新算法不断出现，包括基于小波、小波包、分形的特征，以及独二分量分析；还有关子支持向量机，变形模板匹配，线性以及非线性分类器的设计等都在不断延展。
3）深度学习带来的突破
传统的机器学习在特征提取上主要依靠人来分析和建立逻辑，而深度学习则通过多层感知机模拟大脑工作，构建深度神经网络（如卷积神经网络等）来学习简单特征、建立复杂特征、学习映射并输出，训练过程中所有层级都会被不断优化。在具体的应用上，例如自动ROI区域分割；标点定位（通过防真视觉可灵活检测未知瑕疵）；从重噪声图像重检测无法描述或量化的瑕疵如橘皮瑕疵；分辨玻璃盖板检测中的真假瑕疵等。随着越来越多的基于深度学习的机器视觉软件推向市场（包括瑞士的vidi，韩国的SUALAB，香港的应科院等），深度学习给机器视觉的赋能会越来越明显。
4）3d视觉的发展
3D视觉还处于起步阶段，许多应用程序都在使用3D表面重构，包括导航、工业检测、逆向工程、测绘、物体识别、测量与分级等，但精度问题限制了3D视觉在很多场景的应用，目前工程上最先铺开的应用是物流里的标准件体积测量，相信未来这块潜力巨大。
3.要全面替代人工目检，机器视觉还有诸多难点有待攻破
1）光源与成像：机器视觉中优质的成像是第一步，由于不同材料物体表面反光、折射等问题都会影响被测物体特征的提取，因此光源与成像可以说是机器视觉检测要攻克的第一个难关。比如现在玻璃、反光表面的划痕检测等，很多时候问题都卡在不同缺陷的集成成像上。
2）重噪音中低对比度图像中的特征提取：在重噪音环境下，真假瑕疵的鉴别很多时候较难，这也是很多场景始终存在一定误检率的原因，但这块通过成像和边缘特征提取的快速发展，已经在不断取得各种突破。
3）对非预期缺陷的识别：在应用中，往往是给定一些具体的缺陷模式，使用机器视觉来识别它们到底有没有发生。但经常遇到的情况是，许多明显的缺陷，因为之前没有发生过，或者发生的模式过分多样，而被漏检。如果换做是人，虽然在操作流程文件中没让他去检测这个缺陷，但是他会注意到，从而有较大几率抓住它，而机器视觉在这点上的“智慧”目前还较难突破。
4.机器视觉产业链情况
1）上游部件级市场
主要包括光源、镜头、工业相机、图像采集卡、图像处理软件等提供商，近几年智能相机、工业相机、光源和板卡都保持了不低于20%的增速。根据中国机器视觉产业联盟（CMVU）调查统计，现在已进入中国的国际机器视觉品牌已近200多家（如康耐视、达尔萨、堡盟等为代表的核心部件制造商，以基恩士、欧姆龙、松下、邦纳、NI等为代表的则同时涉足机器视觉核心部件和系统集成），中国自有的机器视觉品牌也已有100多家（如海康、华睿、盟拓光电、神州视觉、深圳灿锐、上海方诚、上海波创电气等），机器视觉各类产品代理商超过300家（如深圳鸿富视觉、微视新纪元、三宝兴业、凌云光、阳光视觉等）。很多国内机器视觉的部件市场都是从代理国外品牌开始，很多企业均与国外的同行有较好的合作，且这种合作具有一定的排他性，这给潜在进入者带来了一定的门槛，因此优质产品的代理商也都有不错的市场竞争力和利润表现。同时，以海康、华睿为代表的国产工业视觉核心部件正在快速崛起。
2）中游系统集成和整机装备市场
国内中游的系统集成和整机装备商有100多家，他们可以给各行业自动化公司提供综合的机器视觉方案，如凌云光、微视新纪元、嘉恒、凌华、阳光视觉、鼎信、大恒图像等。由于国内产品与国际依然有不小差距，很多中游系统集成商和整机装备商又是从核心零部件的贸易做起来的，因此很多在视觉产品的选择方面，依然更为青睐国外品牌。国内品牌为推广自己的软硬件产品，往往需要发展自己的方案集成能力，才能更好的面对市场竞争。
3）下游应用市场
机器视觉下游，主要是给终端用户提供非标自动化综合解决方案的公司，行业属性非常强，核心竞争力是对行业和生产的综合理解和多类技术整合。由于行业自动化的更迭有一定周期性，深受行业整体升级速度、出货量和利润状况影响，因此近两年来看，拉动机器视觉应用普及最主要的还是在电子制造业，其次是 汽车 和制药。
i. 半导体和电子生产行业：从国内机器视觉工业上的应用分布来看，46％都集中在电子及半导体制造行业，包括晶圆加工制造的分类切割、PCB检测（底片、内／外层板、成品外观终检等）、SMT贴装检测、LCD全流程的AOI缺陷检测、各种3c组件的表面缺陷检测、3c产品外观检测等
ii. 汽车 ：车身装配检测、零件的几何尺寸和误差测量、表面和内部缺陷检测、间隙检测等
iii. 印刷、包装检测：烟草外壳印刷、食品的包装和印刷、药品的铝塑板包装和印刷等
iv. 农业：对农产品的分级、检验和分类
v. 纺织：对异纤、云织、经疵、纬疵等瑕疵检测、织物表面绒毛鉴定、纱线结构分析等等。
5.机器视觉系统未来发展趋势
1）嵌入式解决方案发展迅猛，智能相机性能与成本优势突出，嵌入式PC会越来越强大
2）模块化的通用型软件平台和人工智能软件平台将降低开发人员技术要求和缩短开发周期
3）3d视觉将走向更多应用场景
固建工业机器人的视觉系统主要有模式识别，计数，视觉定位，尺寸测量和外观检测着四大类组成，像是无人驾驶，人脸识别等等这些都可以归为机器人视觉的范畴。
光源是国产工业机器人最充分环节。光源的好坏在于对比度、亮度和对位置变化的所产生的敏感程度，机器视觉行业主要采用LED 光源产品，光源行业国产化程度较高，竞争相对比较激烈。
低端镜头国内企业具备一定竞争力，高端镜头基本上还是依靠进口。镜头的基本功能是实现光束调制，将目标成像在图像传感器的光敏面上完成信号传递。
1. 基于建筑机器人的机器人视觉系统
应用场合：
（1）建筑钢结构工厂
焊接机器人：板料加工、 板料上下料、 工件组立、焊缝跟踪、焊缝品质检测
喷漆机器人：焊接件表面处理、喷漆工件位置识别、喷漆质量检测
(2) 建筑现场施工
抹墙机器人：抹墙位置识别、施工质量检查
地面铺装机器人：地砖位置检测
建筑机器人大量的现场应用需要对于加工或者施工对象做精确定位，然而现有的工业机器人仅能在严格定义的结构化环境中执行预定指令动作，缺乏对环境的感知与应变能力，这极大地限制了机器人的应用。
机器人视觉技术的大大提高了机器人的实际工作效率，减少甚至取消了了对于机器人运动轨迹进行示教或者离线编程的环节，从而节约了大量的编程时间，提高了生产效率和生产质量。
2. 建筑焊接机器人应用：
在建筑机器人焊接领域有两个刚需的机器人视觉的应用
（1） 现有的建筑机器人焊接需要人工通过编程和示教来保证机器人焊接的轨迹。构件多品种，小批量，每次产品更换都需要更改夹具，重新示教，通过多次编程才能确定最终的编程方案，严重影响生产效率。
（2） 焊接过程中，由于工件尺寸公差大，工装本身尺寸误差，或者焊接热应力导致的变形，会导致实际焊缝轨迹与编程轨迹存在差异，而焊接机器人无法识别并修正该差异，从而导致焊接品质出现差异。
以上就是关于什么是机器视觉？有人能解释一下吗？全部的内容，如果了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！
