我們人類從第一次打開眼睛的那天便開始學習識別各種圖案。那是一只鳥!這是一架飛機!那些是字母A，B和C!如果我們無法從環境中挑出特定的物體并對它們進行分類，那么我們的視覺將幾乎沒有用處。

機器視覺系統也需要能夠發現和識別圖案。任何機器視覺任務中的第一步都是圖案匹配，即基于如邊緣這樣的形狀屬性在視場內定位對象。這個過程如何工作?

事實證明，執行圖案匹配有很多方法，因為這是一項涉及大量數據處理的任務，而且對優化流程至關重要。在最基本的層面上，它涉及到使用圖像中各個像素的強度來確定形狀的輪廓(或邊緣)所在的位置。如果這些輪廓的排列與基于統計分析的模板圖案的排列合理相似，則視覺系統將輸出匹配。

對比度為王

由于邊緣的檢測基于各個像素不同的強度，所以良好的對比度非常重要。這一要求已經締造了各種照明技術的創新，例如照明垂直于表面的同軸照明，以及從各個方向提供一致照明的圓頂照明。盡量減少環境光線的影響和來自反射表面的眩光也十分必要。良好的照明可以最大限度地檢測相關邊緣，并最大限度地減少對不存在的邊緣的感知。

有些情況下，僅有好的照明是不夠的，還需要一些圖像處理算法以顯示圖像的某些特征。這種圖像處理算法的一個例子是閾值處理，即生成不同像素強度的直方圖以計算強度閾值。該算法逐個像素地查看圖像，將低于閾值的所有像素設置為黑色，高于閾值以上的所有像素設置為白色。

Visionscape機器視覺軟件中的閾值示例。

查找圖案

機器視覺系統在產品線上玩工業版“大家來找茬”之前，它需要知道它在尋找什么。系統的操作員通過提供模板圖像來告訴它要尋找什么。然后系統記住形狀，包括邊緣的位置以及它們相對于模板圖案的整體大小相距多遠。視覺系統能夠以各種尺寸和方向找到相同的圖案，這一點非常重要。

一旦系統知道它想找到什么，它就開始分析捕獲圖像的像素數據。像素的強度范圍從0到255，這些值可用于計算。為了找到一個物體的邊緣，軟件通過執行像素減法來查找對比度的較大變化。如果減法的結果接近零，則兩個像素不包含邊緣。強度差異很大-無論是正值還是負值-都表明邊緣可能存在。

像素相減的結果存儲在數據結構中，并且軟件在修改后的圖像表示中水平和垂直掃描以找到輪廓。它會保持輪廓相對距離的選項卡，然后查找參考圖像與任何發現形狀之間的統計相似性。可以通過改變系統的統計容差以便使匹配更可能或更不可能。高容差度會使誤報更常見，而容差更低的系統更可能錯過真正的匹配。

未來的機器視覺：深度學習

在傳統的機器視覺中，您需要準確地告訴系統您想要查找的內容。這可能需要大量的編程工作。如果系統能夠找出自己想要尋找的東西，這不是很好嗎?這是將深度學習算法融入工業機器視覺系統的推動力量。

深度學習利用諸如卷積神經網絡(CNN)之類的高級算法使計算機能夠根據一組訓練數據學習他們需要做什么。不需要指定對象的確切輪廓，而是將一系列圖像呈現給系統，并告訴他們包含或不包含特定對象的規范。在此訓練期間，算法會自行發現圖像的哪些屬性指示該對象可能存在。這將大大提高識別率，因為視覺系統處理大量數據的能力使其在識別對象的定義特征方面比人類更好。

機器視覺正在迅速發展，專注于此的工程師們也在不斷展望未來。未來幾年在照明、相機和機器視覺算法等方面可能產生更多創新，使工業自動化比以往更加精簡和靈活。