機器視覺是通過計算機模擬人類視覺功能，讓機器獲得相關視覺信息和加以理解。可分為“視”和“覺”兩部分原理。

“視”是將外界信息通過成像來顯示成數字信號反饋給計算機，需要依靠一整套的硬件解決方案，包括光源、相機、圖像采集卡、視覺傳感器等?！坝X”則是計算機對數字信號進行處理和分析，主要是軟件算法。

機器視覺在工業上應用領域廣闊，核心功能包括：測量、檢測、識別、定位等。產業鏈可以分為上游部件級市場、中游系統集成/整機裝備市場和下游應用市場

機器視覺中，缺陷檢測功能，是機器視覺應用得最多的功能之一，主要檢測產品表面的各種信息。在現代工業自動化生產中，連續大批量生產中每個制程都有一定的次品率單獨看雖然比率很小，但相乘后卻成為企業難以提高良率的瓶頸，并且在經過完整制程后再剔除次品成本會高很多，因此及時檢測及次品剔除對質量控制和成本控制是非常重要的，也是制造業進一步升級的重要基石

機器視覺技術近年發展迅速

1）圖像采集技術發展迅猛

CCD、CMOS等固件越來越成熟，圖像敏感器件尺寸不斷縮小，像元數量和數據率不斷提高，分辨率和幀率的提升速度可以說日新月異，產品系列也越來越豐富，在增益、快門和信噪比等參數上不斷優化，通過核心測試指標來對光源、鏡頭和相機進行綜合選擇，使得很多以前成像上的難點問題得以不斷突破。

2）圖像處理和模式識別發展迅速

圖像處理上，隨著圖像高精度的邊緣信息的提取，很多原本混合在背景噪聲中難以直接檢測的低對比度瑕疵開始得到分辨。在特征生成上，很多新算法不斷出現，包括基于小波、小波包、分形的特征，以及獨二分量分析；還有關子支持向量機，變形模板匹配，線性以及非線性分類器的設計等都在不斷延展。

3）深度學習帶來的突破

傳統的機器學習在特征提取上主要依靠人來分析和建立邏輯，而深度學習則通過多層感知機模擬大腦工作，構建深度神經網絡來學習簡單特征、建立復雜特征、學習映射并輸出，訓練過程中所有層級都會被不斷優化。隨著越來越多的基于深度學習的機器視覺軟件推向市場，深度學習給機器視覺的賦能會越來越明顯

4）3D視覺的發展

3D視覺還處于起步階段，許多應用程序都在使用3D表面重構，包括導航、工業檢測、逆向工程、測繪、物體識別、測量與分級等，但精度問題限制了3D視覺在很多場景的應用，目前工程上最先鋪開的應用是物流里的標準件體積測量，相信未來這塊潛力巨大。

我國智能制造裝備產業結構轉型和技術提升的市場空間巨大，機器視覺行業將受益?！笆濉逼陂g，中國將進一步深化產業結構調整，推進制造業的科技創新和智能制造水平，著力從要素驅動向技術及創新驅動轉變。產業結構的轉型升級以及制造業的進一步智能化將推動機器視覺行業發展