机器视觉与计算机视觉的区别？
接收最新推文！
简单来说，计算机视觉学术一些，更偏软件；机器视觉软硬件都包括（采集设备，光源，镜头，控制，机构，算法等），指的是系统，更偏实际应用。因此更多的是把机器视觉，叫做机器视觉系统。
学科：
机器视觉作为一门系统工程"学科"，有别于计算机视觉，是计算机科学基础的一种形式;
计算机视觉属于计算机"科学"，涉及到从图像中提取信息的人工系统背后的理论,她跨学科。领域：
机器视觉是计算机视觉在工厂自动化中的应用，传统的机器视觉主要应用于工业领域，计算机视觉不限于工业领域。
从狭义的视觉系统角度出发，计算机视觉属于机器视觉系统的一部分。
信息处理程度：
机器视觉主要是提取信息，计算机视觉提取并理解信息（定义区分）
软硬件
机器视觉系统中一定包含硬件。
计算机视觉系统中不一定包含硬件，偏算法。
机器视觉与计算机视觉这两个名字，感觉差不多，都是视觉。很多人都有这种相同的想法，但其实它们之间是不同的学科。
一. 定义
A.机器视觉：Machine vision(MV)
维基百科：“机器视觉一词的定义各不相同，但都包括用于自动从图像中提取信息的技术和方法。”
它与图像处理相反，图像处理的输出是另一幅图像。提取的信息可以是简单的好部分/坏部分信号，也可以是一组复杂的数据，比如图像中每个对象的id、位置和方向。该信息可用于工业上的自动检测、机器人和过程制导、安全监控和车辆制导等应用。这一领域包括大量的技术、软件和硬件产品、综合系统、行动、方法和专门知识。在工业自动化应用中，机器视觉实际上是这些功能的唯一术语;
B.计算机视觉：Computer vision(CV)
维基百科：”计算机视觉是指从一张图像或一系列图像中自动提取、分析和理解有用信息。它涉及到理论和算法基础的发展，以实现自动视觉理解。“
它是一个跨学科的科学领域，研究如何使计算机从数字图像或视频中获得高层次的理解。从工程学的角度来看，它试图自动化人类视觉系统能够完成的任务。
⑴ 首先我们从定义上来看。
“机器视觉”是人工智能正在快速发展的一个分支。简单来说，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）把图像抓取到，然后将该图像传送至处理单元，通过数字化处理，根据像素分布和亮度、颜色等信息，来进行尺寸、形状、颜色等的判别，进而根据判别的结果来控制现场的设备动作。目前它被广泛应用于食品和饮料、化妆品、建材和化工、金属加工、电子制造、包装、汽车制造等行业。
“计算机视觉”则是指用计算机实现人的视觉功能，对客观世界的三维场景的感知、识别和理解。计算机视觉是一个处于指示前沿的领域，与研究人类或动物的视觉是不同的，它在透彻理解摄像机性能与物理成像过程的基础上，对每个像素进行简单的推理，将在多幅图像中可能得到的信息综合成和谐的整体，确定像素集之间的联系以便将它们彼此分割开，或推断一些形状信息，使用几何信息或概率统计技术来识别物体。
⑵ 其次，从实际应用上看。机器视觉更多注重广义图像信号（激光，摄像头）与自动化控制（生产线）方面的应用，而计算机视觉更多注重（2D, 3D）图像信号本身的研究以及和图像相关的交叉学科研究（图像分析）。
⑶ 最后，虽然两者的核心都涉及到视觉处理算法，但机器视觉是偏硬的视觉处理技术，主要用于工业机器人方面；而计算机视觉是偏软的视觉处理技术，主要用于识别方面。这样说，你可能就明白了吧。
机器视觉
1. 半导体
机器视觉系统在半导体器件制造中有着广泛的应用;事实上，如果没有机器视觉，计算机芯片的产量将会显著降低。机器视觉系统检查硅片、处理器芯片以及电阻和电容等子组件。
2. 汽车工业
机器视觉系统用于引导工业机器人，测量冲压金属部件的配合程度，并检查涂漆车辆的表面是否有缺陷。
3. 军事
虽然机器视觉技术是针对可见光谱开发的，但同样的处理技术也可应用于使用对其他形式的光(如红外线)敏感的成像仪拍摄的图像。
计算机视觉
计算机视觉包括场景重建、事件检测、视频跟踪、目标识别、三维姿态估计、运动估计和图像恢复。
任何视觉系统（计算机视觉或者机器视觉）的两个重要指标：
灵敏度：是机器在昏暗光线下观察的能力，或在不可见波长下探测微弱脉冲的能力。
分辨率：是机器区分物体的程度。一般来说，分辨率越高，视野范围就越狭窄。
当在其他因素保持不变的情况下，它们的关系是，增加灵敏度降低分辨率，提高分辨率降低灵敏度。
a.机器视觉系统的组件
简单的机器视觉系统包含以下组件:
一个光学传感器
黑白相机
照明（确保图像清晰）
帧捕获器（计算机摄像头接口卡）
图像处理的计算机软件（用于图像的分析和处理，根据所分析图像的性质，可以使用模式匹配或其他算法）
数字信号硬件或用于报告结果的网络连接
光学传感器一旦确定物体在传送带上移动到了待检查位置，它就触发相机对该物体拍照，机器视觉系统中的照明设计是用于物体高亮显示感兴趣的特征，并使不感兴趣的特征的外观变得模糊或最小化。相机的图像由帧捕捉器捕捉。帧捕获器是一种计算机卡，它将摄像机的输出转换为数字格式，并将图像存储在计算机内存中，以便机器视觉软件对其进行处理。该软件通常会采取几个步骤来处理图像。通常首先对图像进行处理，减少噪声或将灰度图转换为二值图。在最初的简化之后，软件将对图像中的对象计数、测量和/或识别图像中的对象。作为最后一步，软件根据编程标准来判断物体是否通过。如果某个物体出现故障，软件会向机器人发出信号，让其拒绝接受该物体;另外，系统会提示人工修复导致故障的生产问题。
商业和开源的机器视觉系统包通常包括许多不同的图像处理技术，如: - 像素计数:计算亮像素或暗像素的数量 - 阈值化:将灰度图像转换为黑白图像 - 连通性和分割:通过区分像素的亮连接区域和暗连接区域来定位和/或计数部件 - 条码读取:机器读取或扫描一维和二维条码的解码 - 光学字符识别:自动读取文本 - 测量:测量物体的尺寸 - 边缘检测:寻找目标边缘 - 模板匹配:查找、匹配和/或计数特定的模式 - 鲁棒模式识别:对象的位置，可以旋转，被另一个对象临时遮挡，或改变大小
在大多数情况下，机器视觉系统将使用这些处理技术的组合来执行完整的检查。
机器视觉不同于计算机视觉，计算机视觉是一个“学术研究领域”，通常被归为人工智能的子领域。
计算机视觉扩展到与机器人和人类视觉的机器表示相关主题。机器视觉是指在工厂、装配厂和其他工业环境中使用的自动化成像“系统”。机器视觉系统是一种基于数字图像分析做出决策的计算机。正如在装配线上工作的检验人员通过目视检查零件来判断工艺质量一样，机器视觉系统也使用数码相机和图像处理软件进行类似的检查。
如果我们把机器视觉看作一个系统的主体，那么计算机视觉就是视网膜、视神经、大脑和中枢神经系统。机器视觉系统使用摄像机来查看图像，然后计算机视觉算法对图像进行处理和解释，然后指示系统中的其他组件对这些数据采取行动。
计算机视觉可以单独使用，而不需要成为大型机器系统的一部分。但是一个机器视觉系统如果没有计算机和其核心的特定软件是无法工作的。这远远超出了图像处理。在计算机视觉(CV)术语中，图像甚至不必是照片或视频;它可能是来自热或红外传感器、运动探测器或其他来源的“图像”。
除了以机器视觉为代表的视觉技术广泛应用于工业制作外，在消费级领域，随着数据量上涨、运算力提升和深度学习算法的发展，计算机视觉技术越来越多地被应用在各类消费级应用场景中，典型的如人脸识别服务，具体包括人脸检测、人脸关键特征点、人脸对比、人脸搜索、人脸属性、人脸聚类、人力活体检测等。计算机视觉是指用计算机实现人的视觉功能，对客观世界的三维场景的感知、识别和理解。计算机视觉与研究人类或动物的视觉不同，它借助于几何、物理和学习技术来构筑模型，从而用统计的方法来处理数据。
从学科上，机器视觉（Machine Vision, MV）与计算机视觉（Computer Vision, CV）都被认为是人工智能的下属科目。两者既有联系又有区别。首先，机器视觉与计算机视觉有很多相似之处，在架构上都是基础层+技术层+应用层；并且两者的基本理论框架、底层理论、算法等是相似的，因此机器视觉与计算机视觉在技术和应用领域上会有一定重叠。
但两者确实是相互区别的，机器视觉与计算机视觉是两个不同的概念，并且侧重点不同。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，着重于一幅或多幅图像的计算机分析。图像可以由单个或者多个传感器获取，也可以是单个传感器在不同时刻获取的图像序列。
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，以控制相应的行为。具体的说，计算机视觉为机器视觉提供图像和景物分析的理论和算法基础，机器视觉为计算机视觉的实现提供传感器模型、系统构造和实现手段。二者共用一套理论系统，只是发展的方向不同，机器视觉侧重于在工业领域的实际应用，而计算机视觉侧重理论算法的研究。
从应用领域上，机器视觉大多应用在工业领域上，具体应用包括计量与检测、智能制造等；除了在工业领域应用外，在消费领域的众多场景中，多是计算机视觉的具体应用。由于理论的研究发展速度往往快于实践应用，即计算机视觉的发展远远超过了其时间实践。目前掌握的具体计算机视觉任务的方法，也仅仅适用于狭隘的人脸识别、指纹识别等简单任务，无法广泛的应用于不同场合。
从组成上看，机器视觉系统包含硬件和软件诸多元素，除了算法与软件是系统核心内容外，如传感器、控制器等也是核心组成部分。以天准科技为例，其成本90%以上是原材料，而原材料中，传感器类（镜头、相机、传感器）、机械类成本分别占41.5%、37.1%。在机器视觉产业链中，除了视觉系统、传感器、光源、镜头等零部件厂商外，中游还包括具备核心技术的装备制造商、以及其他众多的系统集成商。
而在消费级领域的应用，企业多提供解决方案，其中以算法与软件为核心，硬件成本不高。
由于机器视觉侧重工程的应用，因而强调实时性、高精度和高速度，以及算法的可靠性、系统的稳定性。从技术变革趋势来看，3D视觉、多光谱成像、高速成像与处理、深度学习是机器视觉持续改善性能的重要方向。当前机器视觉输入的图像仍以2D信息为主，后续结合新型传感器的3D视觉技术有望大幅提升机器视觉的应用范围。其次，高光谱和多光谱成像能够同时处理多个不同品类的产品检测，也是未来机器视觉演进的重要方向。另外，以线扫描为代表的高速成像技术能够提升成像速度，进而提升检测效率。最后，深度学习+机器视觉能够不断优化检测参数、增加检测灵活性，也是后续机器视觉创新的重要方向。
总结：工业级机器视觉和消费级机器视觉有本质的区别，在应用侧重点、结构上有着明显的差别，但是工业机器视觉和消费级机器视觉都源自人工智能的技术，感知和算法是核心技术，也就意味着产品和技术在各个领域的可延展性是比较强的。机器视觉是比较通用的底层技术，可以广泛应用在工业和非工业领域，对当前制造业的改造和升级，起到了至关重要的作用。机器视觉，以其可靠性和经济性正在广泛应用各个工业制造场景，未来的增长前景广泛。
原文链接：https://51qudong.com/ji-qi-shi-jue-yu-ji-suan-ji-shi-jue-de.html
004：Facebook 开源计算机视觉系统，从像素水平理解图像（附论文及代码）
009：从洗衣妹到谷歌首席科学家，她靠孤独改变了人工智能界！
019：机器人控制系统相关知识大汇集
020：机器人的工作原理，史上最详细的解析！
021：光源选型知识点
022：这才是机械手，这才是自动化，你那算什么？
023：摄像机和镜头的基础知识
024：物联网产业链全景图（附另13大电子行业全景图，必收藏）
025：日本到底强大到什么地步？让人窒息！看后一夜未眠
026：德国机械用行动惊艳全世界：无敌是多么寂寞
欢迎转发、留言、点赞、分享，感谢您的支持！