文/柳伟 深圳信息职业技术学院 副所长

机器视觉技术被称为“工业之眼”，是实现工业生产精密控制、智能化和自动化的有效途径。机器视觉主要用计算机来模拟人的视觉功能，但并不仅仅是人眼的简单延伸，更重要的是具有人脑的一部分功能一一从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。因此，机器视觉是一门涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理和模式识别等诸多领域的交叉应用学科。

典型的机器视觉系统主要包括光学系统，摄像机和工控机等单元，与普通的计算机视觉技术相比，面向工业视觉应用的机器视觉技术最大的特点是“三高一低”，即实时性要求高、精度要求高，稳定性要求高和成本要求低。

在国外，机器视觉的应用普及比较广泛，尤其在质量检测中占据着举足轻重的地位。在中国，机器视觉技术的应用开始于上世纪90年代，因为行业本身就属于新兴的领域，再加之机器视觉产品技术的普及不够，导致各行业的应用几乎空白。

目前国内机器视觉大多为国外品牌，国内大多机器视觉公司基本上是靠代理国外各种机器视觉品牌起家，随着机器视觉的不断应用，公司规模慢慢做大，技术上已经逐渐成熟。在行业应用方面，主要有制药、包装、电子、汽车制造、半导体、纺织、烟草、交通、物流等行业，用机器视觉技术取代人工，可以提供生产效率和产品质量。例如在物流行业，可以使用机器视觉技术进行快递的分拣分类，减少物品的损坏率，提高分拣效率，减少人工劳动。

限制机器视觉发展的瓶颈是多方面的，其中最重要的可以归结为三个方面：特征表达能力不足、认知理论未明以及精确识别与模糊特征之间的矛盾。

1. 如何找到特征的有效表达？机器视觉面向的研究对象主要是图像和视频，其特点是数据量庞大、冗余信息多、特征空间维度高，考虑到对象和问题的多样性，单一的特征提取算法（如颜色、空间朝向与频率、边界形状等等）难以满足算法对普适性的要求。因此，在设计普适性的特征提取算法时对计算能力和存储速度的要求非常高，造成开发成本大幅度提高。

2. 如何让机器认知这个世界？这一问题目前没有成熟的答案，早期的人工智能理论发展经历了符号主义学派、行为主义学派、连接主义学派等一系列的发展，但都没有找到令人满意的答案。目前较新的思想认为应该从分析、了解和模拟人类大脑的信息处理功能去构建智能机器视觉系统，但神经科学的发展目前只能做到了解和模拟大脑的一个局部，而不是整体（当然计算能力限制也是原因之一）。事实上，我们对人是如何对一个目标或场景进行认知的这一问题仍停留在定性描述而非定量描述上。

3. 如何实现模糊认知与精准识别的适配？目标越精细，越复杂，信息越大，则其模糊性和不确定性也越强。人类之所以能够较好地完成识别任务，其实也是以牺牲一定的准确性为代价的。机器视觉在做的事情一方面想要借鉴人脑或人眼系统的灵感去处理复杂而庞大的信息流，另一方面又想摒除人脑在模式识别方面存在的精确性不足的缺陷。要实现这种超人工智能显然还有很长的路要走。

综合以上三点，机器视觉的发展在短期内难有重大突破，当前的实用技术仍然还是会限定在特定性任务场景，聚焦开发特定性目标的识别算法。

随着中国加工制造业的发展，对于机器视觉的需求逐渐增多。机器视觉新产品不断出现，技术含量不断提高，国内机器视觉的应用状况由初期的低端走向高端，与之相应的自动化技术将朝着更集成和更智能方向发展。

一方面，机器视觉软硬件产品正逐渐从单一的产品检测扩展到协作生产制造过程中不同阶段，这就要求机器视觉产品大量采用标准化技术，产品接口要随着自动化过程的开放而逐渐开放，可以根据用户的需求进行二次开发。自动化企业也大力倡导软硬一体化解决方案，机器视觉的厂商在未来十年内也应该不单纯只是产品供应商，而是逐渐向一体化解决方案的系统集成商迈进。

另一方面，机器视觉系统广泛地用于设备健康管理、工况监视、成品检验和质量控制等领域。但是机器视觉任务比较复杂，最大的困难在于人的视觉机制尚不清楚。人可以用内省法描述对某一问题的解题过程，并用计算机加以模拟。但尽管每一个正常人都是“视觉专家”，却不可能用内省法来描述自己的视觉过程，因此建立智能机器视觉系统是十分困难的任务。

新一轮人工智能浪潮带来了不少性能优良的图像处理算法，也为机器视觉带来了新的希望和机遇。

结构新颖、资源充足、运算快速的硬件平台和新型高速信号处理阵列的出现为机器视觉的广泛应用注入源源不断的动力，融合处理技术为工业应用现场的数据获取、目标定位、识别和测量提供新的想象空间。

可以预计的是，随着机器视觉技术自身的成熟和发展，它将在现代和未来制造企业中得到越来越广泛的应用。