機器視覺（Machine Vision）是人工智能領(lǐng)域中發(fā)展迅速的一個重要分支，目前正處于不斷突破、走向成熟的階段。一般認(rèn)為機器視覺“是通過光學(xué)裝置和非接觸傳感器自動地接受和處理一個真實場景的圖像，通過分析圖像獲得所需信息或用于控制機器運動的裝置”，可以看出智能圖像處理技術(shù)在機器視覺中占有舉足輕重的位置。

智能圖像處理是指一類基于計算機的自適應(yīng)于各種應(yīng)用場合的圖像處理和分析技術(shù)，本身是一個獨立的理論和技術(shù)領(lǐng)域，但同時又是機器視覺中的一項十分重要的技術(shù)支撐。人工智能、機器視覺和智能圖像處理技術(shù)之間的關(guān)系如圖1所示。

圖1智能圖像處理的支撐作用

具有智能圖像處理功能的機器視覺，相當(dāng)于人們在賦予機器智能的同時為機器按上了眼睛，使機器能夠“看得見”、“看得準(zhǔn)”，可替代甚至勝過人眼做測量和判斷，使得機器視覺系統(tǒng)可以實現(xiàn)高分辨率和高速度的控制。而且，機器視覺系統(tǒng)與被檢測對象無接觸，安全可靠。

1、機器視覺技術(shù)

機器視覺的起源可追溯到20世紀(jì)60年代美國學(xué)者L.R.羅伯茲對多面體積木世界的圖像處理研究，70年代麻省理工學(xué)院（MIT）人工智能實驗室“機器視覺”課程的開設(shè)。到80年代，全球性機器視覺研究熱潮開始興起，出現(xiàn)了一些基于機器視覺的應(yīng)用系統(tǒng)。90年代以后，隨著計算機和半導(dǎo)體技術(shù)的飛速發(fā)展，機器視覺的理論和應(yīng)用得到進一步發(fā)展。

進入21世紀(jì)后，機器視覺技術(shù)的發(fā)展速度更快，已經(jīng)大規(guī)模地應(yīng)用于多個領(lǐng)域，如智能制造、智能交通、醫(yī)療衛(wèi)生、安防監(jiān)控等領(lǐng)域。目前，隨著人工智能浪潮的興起，機器視覺技術(shù)正處于不斷突破、走向成熟的新階段。

在中國，機器視覺的研究和應(yīng)用開始于20世紀(jì)90年代。從跟蹤國外品牌產(chǎn)品起步，經(jīng)過二十多年的努力，國內(nèi)的機器視覺從無到有，從弱到強，不僅理論研究進展迅速，而且已經(jīng)出現(xiàn)一些頗具競爭力的公司和產(chǎn)品。估計隨著國內(nèi)對機器視覺研究、開發(fā)和推廣的不斷深入，趕上和超越世界水平已不是遙不可及的事情了。

常見機器視覺系統(tǒng)主要可分為兩類，一類是基于計算機的，如工控機或PC，另一類是更加緊湊的嵌入式設(shè)備。典型的基于工控機的機器視覺系統(tǒng)主要包括：光學(xué)系統(tǒng)，攝像機和工控機（包含圖像采集、圖像處理和分析、控制/通信）等單元，如圖2所示。機器視覺系統(tǒng)對核心的圖像處理要求算法準(zhǔn)確、快捷和穩(wěn)定，同時還要求系統(tǒng)的實現(xiàn)成本低，升級換代方便。

圖2 機器視覺系統(tǒng)示例

2、智能圖像處理技術(shù)

機器視覺的圖像處理系統(tǒng)對現(xiàn)場的數(shù)字圖像信號按照具體的應(yīng)用要求進行運算和分析，根據(jù)獲得的處理結(jié)果來控制現(xiàn)場設(shè)備的動作，其常見功能如下：

（1）圖像采集

圖像采集就是從工作現(xiàn)場獲取場景圖像的過程，是機器視覺的第一步，采集工具大多為CCD或CMOS照相機或攝像機。照相機采集的是單幅的圖像，攝像機可以采集連續(xù)的現(xiàn)場圖像。就一幅圖像而言，它實際上是三維場景在二維圖像平面上的投影，圖像中某一點的彩色（亮度和色度）是場景中對應(yīng)點彩色的反映。這就是我們可以用采集圖像來替代真實場景的根本依據(jù)所在。

如果相機是模擬信號輸出，需要將模擬圖像信號數(shù)字化后送給計算機（包括嵌入式系統(tǒng)）處理?，F(xiàn)在大部分相機都可直接輸出數(shù)字圖像信號，可以免除模數(shù)轉(zhuǎn)換這一步驟。不僅如此，現(xiàn)在相機的數(shù)字輸出接口也是標(biāo)準(zhǔn)化的，如USB、VGA、1394、HDMI、WiFi、Blue Tooth接口等，可以直接送入計算機進行處理，以免除在圖像輸出和計算機之間加接一塊圖像采集卡的麻煩。后續(xù)的圖像處理工作往往是由計算機或嵌入式系統(tǒng)以軟件的方式進行。

（2）圖像預(yù)處理

對于采集到的數(shù)字化的現(xiàn)場圖像，由于受到設(shè)備和環(huán)境因素的影響，往往會受到不同程度的干擾，如噪聲、幾何形變、彩色失調(diào)等，都會妨礙接下來的處理環(huán)節(jié)。為此，必須對采集圖像進行預(yù)處理。常見的預(yù)處理包括噪聲消除、幾何校正、直方圖均衡等處理。

通常使用時域或頻域濾波的方法來去除圖像中的噪聲；采用幾何變換的辦法來校正圖像的幾何失真；采用直方圖均衡、同態(tài)濾波等方法來減輕圖像的彩色偏離?？傊?，通過這一系列的圖像預(yù)處理技術(shù)，對采集圖像進行“加工”，為體機器視覺應(yīng)用提供“更好”、“更有用”的圖像。

（3）圖像分割

圖像分割就是按照應(yīng)用要求，把圖像分成各具特征的區(qū)域，從中提取出感興趣目標(biāo)。在圖像中常見的特征有灰度、彩色、紋理、邊緣、角點等。例如，對汽車裝配流水線圖像進行分割，分成背景區(qū)域和工件區(qū)域，提供給后續(xù)處理單元對工件安裝部分的處理。

圖像分割多年來一直是圖像處理中的難題，至今已有種類繁多的分割算法，但是效果往往并不理想。近來，人們利用基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法進行圖像分割，其性能勝過傳統(tǒng)算法。

（4）目標(biāo)識別和分類

在制造或安防等行業(yè)，機器視覺都離不開對輸入圖像的目標(biāo)進行識別和分類處理，以便在此基礎(chǔ)上完成后續(xù)的判斷和操作。識別和分類技術(shù)有很多相同的地方，常常在目標(biāo)識別完成后，目標(biāo)的類別也就明確了。近來的圖像識別技術(shù)正在跨越傳統(tǒng)方法，形成以神經(jīng)網(wǎng)絡(luò)為主流的智能化圖像識別方法，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、回歸神經(jīng)網(wǎng)絡(luò)（RNN）等一類性能優(yōu)越的方法。

（5）目標(biāo)定位和測量

在智能制造中，最常見的工作就是對目標(biāo)工件進行安裝，但是在安裝前往往需要先對目標(biāo)進行定位，安裝后還需對目標(biāo)進行測量。安裝和測量都需要保持較高的精度和速度，如毫米級精度（甚至更?。撩爰壦俣?。這種高精度、高速度的定位和測量，倚靠通常的機械或人工的方法是難以辦到的。在機器視覺中，采用圖像處理的辦法，對安裝現(xiàn)場圖像進行處理，按照目標(biāo)和圖像之間的復(fù)雜映射關(guān)系進行處理，從而快速精準(zhǔn)地完成定位和測量任務(wù)。

（6）目標(biāo)檢測和跟蹤

圖像處理中的運動目標(biāo)檢測和跟蹤，就是實時檢測攝像機捕獲的場景圖像中是否有運動目標(biāo)，并預(yù)測它下一步的運動方向和趨勢，即跟蹤。并及時將這些運動數(shù)據(jù)提交給后續(xù)的分析和控制處理，形成相應(yīng)的控制動作。圖像采集一般使用單個攝像機，如果需要也可以使用兩個攝像機，模仿人的雙目視覺而獲得場景的立體信息，這樣更加有利于目標(biāo)檢測和跟蹤處理。

3、機器視覺的應(yīng)用

如圖3所示，機器視覺應(yīng)用廣泛，如安防、制造、教育、出版、醫(yī)療、交通、軍事領(lǐng)域等。在這些機器數(shù)額的應(yīng)用中，智能圖像處理都是不可或缺的，這里僅簡要介紹其中幾個方面的應(yīng)用。

圖3 常見機器視覺應(yīng)用場合

（1）智能制造

為了實現(xiàn)中國智能制造2025這一宏偉目標(biāo)，離不開機器視覺。例如，在智能圖像處理一直處于領(lǐng)先地位的廣東迅通科技股份有限公司（以下簡稱“迅通科技”）針對這一需求開發(fā)出了機器視覺分析儀平臺，見圖4。其中，迅通科技為某知名汽車廠商裝配流水線開發(fā)的車門限位器自動定位、檢測和識別的系統(tǒng)，見圖5。該系統(tǒng)通過智能圖像識別方式，自動檢測型號是否正確，定位是否準(zhǔn)確，完全代替了人工操作，檢測準(zhǔn)確率達到100%。此前，每個工位需要4個工人用眼睛來檢查、定位16種型號限位器，員工不僅很容易疲勞，還時常出現(xiàn)差錯。

圖4 迅通機器視覺分析儀平臺

圖5 工件識別/定位檢測系統(tǒng)（現(xiàn)場）

（2）教育考試

考試試卷時常發(fā)現(xiàn)因排版或印刷錯誤影響學(xué)生考試，利用智能圖像處理技術(shù)，機器自動對印刷后的試卷和原版試卷進行比對，發(fā)現(xiàn)不一致之處，會自動提示并報警，完全替代之前只能通過人工對試卷進行校驗。

（3）出版印刷

和教育考試類似，專業(yè)出版印刷廠由于印刷的圖書、報紙雜志，以及承接來自企業(yè)產(chǎn)品包裝和宣傳資料的種類多，數(shù)量大，排版和印刷中經(jīng)常出錯。為此，需安排不少專業(yè)人員進行校對，耗費大量的資金和時間。通過利用智能圖像處理技術(shù)進行自動校對，既提高了校對準(zhǔn)確度，又縮短了校對時間，降低了印刷成本，縮短了出版物的交付周期。

（4）安防監(jiān)控

這是當(dāng)前備受機器視覺關(guān)注的一個領(lǐng)域。機器視覺打破了傳統(tǒng)視頻監(jiān)控系統(tǒng)的限制，增加了系統(tǒng)的智能，使得智能視頻分析得以逐步實現(xiàn)。以公共場所的視頻監(jiān)控為例，通過運用機器視覺技術(shù)，可以實現(xiàn)對可疑人物的自動檢測、人臉識別、實時跟蹤，必要時還可以實現(xiàn)多攝像機接連跟蹤，同時發(fā)出告警，存儲現(xiàn)場信息。

（5）智能交通

機器視覺在交通領(lǐng)域有著廣泛的應(yīng)用。例如，在高速公路上及卡口處，對來往車輛進行車型、牌照等識別，甚至對行駛車輛的違規(guī)行為進行識別。在汽車上對駕駛員面部圖像進行分析，判斷駕駛員是否處于疲勞駕駛狀態(tài)。再如，無人駕駛汽車借助于機器視覺技術(shù)，使用攝像頭、激光/毫米波/超聲波雷達、GPS等感知道路環(huán)境信息，自動規(guī)劃和控制車輛的安全行駛。

有數(shù)據(jù)顯示，2016年全球機器視覺系統(tǒng)的市場規(guī)模約46億美元， 2017年約50億美元，預(yù)計2018年達到55億美元，年增長率為10%左右。中國機器視覺市場的增長是從2010年開始的，2017年市場規(guī)模約68億元，預(yù)計到2020年或達780億元，市場增長率將超過100%。

4、技術(shù)瓶頸及今后的發(fā)展

在機器視覺的智能圖像處理技術(shù)的發(fā)展中，還存在不少技術(shù)瓶頸，如：

（1）穩(wěn)定性：某種處理方法往往在研究和開發(fā)中表現(xiàn)良好，但在復(fù)雜多變的應(yīng)用環(huán)境中，卻不時地出現(xiàn)問題。例如人臉識別系統(tǒng)，在目標(biāo)配合時識別率可高達95%以上，但在實際監(jiān)控環(huán)境下，識別率就會大大下降。

（2）實時性：如果圖像的采集速度、處理速度較慢，再加上新近引入的深度學(xué)習(xí)類算法，加大了系統(tǒng)實時處理的難度，跟不上機器運行和控制的節(jié)奏。

（3）準(zhǔn)確性：機器視覺系統(tǒng)要求圖像識別和測量的準(zhǔn)確性接近100%，任何微小的誤差都有可能帶來不可預(yù)測的后果。例如目標(biāo)定位的誤差會使裝配出來的設(shè)備不符合要求。

（4）系統(tǒng)能力：目前的嵌入式圖像處理系統(tǒng)，存在芯片的計算能力不足，存儲空間有限等問題，常常不能滿足運算量較大的圖像處理運算，如神經(jīng)網(wǎng)絡(luò)的迭代運算，大規(guī)模矩陣運算等。

今后機器視覺中智能圖像處理的發(fā)展主要體現(xiàn)在以下幾個方面：

（1）算法：傳統(tǒng)算法繼續(xù)不斷有所突破，新一波人工智能浪潮帶來不少新的性能優(yōu)良的圖像處理算法，如深度學(xué)習(xí)（DL），卷積神經(jīng)網(wǎng)絡(luò)（CNN），生成對抗網(wǎng)絡(luò)（GAN），等等。

（2）實時性：出現(xiàn)更多結(jié)構(gòu)新穎、資源充足、運算快速的硬件平臺支撐，例如基于多CPU、多GPU的并行處理結(jié)構(gòu)的計算機，海量存儲單元等。

（3）嵌入式：新的高速的信號處理器陣列，超大規(guī)模FPGA芯片。

（4）融合處理：從單圖像傳感器發(fā)展到多傳感器（多視點）的融合處理，可更加充分地獲取現(xiàn)場信息。還可融合多類傳感器，如圖像傳感器、聲音傳感器、溫度傳感器等共同完對現(xiàn)場目標(biāo)定位、識別和測量。

總之，無論是“中國制造2025”還是“工業(yè)4.0”都離不開人工智能，離不開計算機視覺，而智能圖像處理是機器視覺的核心技術(shù)，隨著圖像處理水平的不斷提高，一定會有力地推動機器視覺的迅速發(fā)展。