機器視覺是人工智能的重要前沿技術，也是制造業升級的重要利器。通過模擬人類的視覺系統，賦予機器“看”和“認知”的能力，機器視覺具備識別、測量、定位、檢測四大基礎功能。以遠超人類視覺的性能，助力傳統自動化向智能化方向發展。

目前，機器視覺設備的應用如火如荼，隨著國內制造升級，全球高端制造產能向國內轉移，將同步提高對高端精密機器視覺的需求。從縱向來看，機器視覺的發展繼續朝著高端精密的方向發展；從橫向看，機器視覺的應用領域，也會慢慢的拓展到制造業的各個產業。為此，本文盤點這個擁有千億市場的產業，在制造業的應用情況。

開端：汽車制造的應用

在汽車制造中，機器視覺應用非接觸測量技術，逐步發展成固定式在線測量站與機器人柔性在線測量站等在線測量系統，可嚴格監控車身尺寸波動，提供數據支持。除傳統三坐標測量、激光在線測量外，藍光掃描測量、表面缺陷測量等視覺測量方法，可進行更加精細地測量，對車身基本特征尺寸、車體裝配效果、缺陷等提供高精度監控。

三坐標測量：將被測物體至于三坐標測量機的測量空間，可獲得被測物體各測點的坐標位置，根據這些點的空間坐標值，經過數學運算，求出被測的幾何尺寸、形狀和位置。

激光在線測量：基于三角測量原理，利用線狀激光構造被測特征，結合有效照明獲得被測特征的表面信息。通過圖像處理技術得到被測特征在圖像上的二維坐標，在通過三角測量模型，將二維坐標轉換為傳感器坐標下的三維空間坐標。

藍光掃描測量：由3D掃描儀，多軸機器人、機器人動作及測量步驟編程軟件、檢查分析軟件及安全系統構成，掃描儀采用藍光投影技術，測量頭由左右兩個高分辨率工業CCD相機和條紋投影單元組成，采用結構光測量方式，投影單元將包含不同間隔和相位信息的條紋投影到被測工件表面，左右兩個高分辨率工業相機同步采集條紋圖像，利用雙目立體視覺測量原理，在極短時間內獲取高密度電云的三維數據。利用標記點拼接技術，實現不同角度和位置下測量數據的自動對齊，最終獲得完整的測量數據。

表面缺陷測量：由機器人、顯示器、計算機與相機構成。基于反射式條紋偏折法，測量時首先通過計算機控制顯示器投影正弦條紋到被測曲面上，經反射后由相機采集，被測曲面上的面型變化會使條紋發生變形，利用相位提取算法對條紋的相位信息進行提取，即可實現對被測曲面面型的測量。

興盛：消費電子行業的應用

機器視覺在消費電子領域，以PCB/FPCAOI檢測、零部件及整機外觀檢測、裝配引導等應用為主，并呈現出越來越多的新應用場景。可以說，消費類電子制造業的興起，帶動了機器視覺的市場。

PCB缺陷檢測主要是焊點缺陷檢測和元器件檢測兩大部分。傳統的人工目視檢測法容易漏檢，并且效率不高，成本低下。機器視覺PCB的優勢在于能夠保證操作者在加上PCB以前能夠及時處理相關問題。此外，發現缺陷時可以有效避免返修或廢棄的情況，操作者能夠及時得到反饋，明確處于操作中的印刷工藝操作是否良好，達到預防缺陷生產的目的。

康耐視機器視覺產品

AOI光學檢測是工業生產中執行測量、檢測、識別和引導等任務的新興科學技術，廣泛應用于PCB缺陷檢測過程。其采用光學照明與圖像傳感技術，獲取被測量物體信息，通過數字圖像處理增強目標特征，利用模式識別、機器學習、深度學習等算法提取特征信息，并進行分類與表征，最后反饋給執行控制機構，實現產品分類、分組分選、質量控制等生產目標。基本原理就是用各種光學成像技術與系統模擬人眼的視覺成像功能，用計算機處理系統代替人腦執行實時圖像處理、特征識別與分類，用執行機構代替人手完成操作。

消費類電子的元器件尺寸小，質量標準高，機器視覺能夠很好解決生產過程中的問題。加上消費類電子生命周期短，需求量大，極大的拉動了機器視覺市場的需求。據研究報告顯示，機器視覺在消費電子、半導體領域的市場規模在2019年接近30億的水平。

未來：機器視覺應用不斷擴寬

從大趨勢來看，機器視覺未來的商機幾乎是無限的。一方面，制造業向高端方向發展，機器視覺有人眼無可比擬的優勢。另一方面，把生產任務交給機器，服務給人是未來經濟模式。機器視覺代替人眼，不僅能夠提高生產效率，而且有效降低人力成本。

從應用來看，除了傳統的汽車制造以及新興的電子行業，食品包裝與制藥行業外，倉儲物流等領域，對視覺技術應用的探索不斷深化。

機器視覺在食品包裝領域適用范圍廣泛，可用于檢測瓶子的分類和液體測量、標簽、外包裝檢測等等。食品包裝是食品質量的重要保障，可以保護食品在流通過程中免受污染。同時，食品包裝的觀賞性也會刺激消費者購買欲望。為此，食品包裝檢測是控制不合格食品流入市場的關鍵環節。

制藥企業在生產過程中，藥品關系到人的生命健康。即使微小的缺陷，都可能引發醫療事故。目前，在數粒、打碼、泡罩版卻粒、藥名殘缺和短片、編碼識別等檢測環節上，機器視覺的檢測內容豐富、穩定、精確，滿足了企業生產質量把控要求。

在物流倉儲行業，QR-code、射頻識別(RFID)、定位系統等技術，廣泛應用於物流業運輸、倉儲、配送、包裝、裝卸等環節。AI、機器學習等先進技術，還可讓物流系統擁有推理判斷和自行解決物流中某些問題的能力。

結語

機器視覺的應用領域會越來越廣泛，那么應用領域拓寬的推動力，除了市場因素外，技術的推動力在哪里？專業人士指出，深度學習技術是機器視覺拓寬應用場景的推力。目前，主流的機器視覺技術，仍采用傳統的方式，即將數據表示為一組特征，分析特征或輸入模型后，輸出得到預測結果，在結構化場景下定量檢測具有高速、高準確率、可重復等優勢。但隨著機器視覺應用領域擴大，傳統方式顯示出通用性低，難以復制。深度學習對原始數據通過多步特征轉換，得到更高層次、更加抽象的特征表示，并輸入預測函數得到最終結果，同時將機器視覺的效率和魯棒性與人類視覺的靈活性相結合，完成復雜環境的檢測。