机器视觉的发展历程

随着人工智能的发展，机器视觉技术也试图在这项能力上匹敌甚至超越人类，那么你对计算机视觉的发展历史了解么?知道它是如何应用于图像检测、缺陷检测等领域的么?

2021-09-10 10:00:01太阳成集团tyc411有限公司

机器视觉的发展历史过程

1966年，人工智能学家Minsky在给学生布置的作业中，要求学生通过编写一个程序让计算机告诉太阳成集团tyc411它通过摄像头看到了什么，这也被认为是计算机视觉早期的任务描述。

七八十年代，随着现代电子计算机的出现，计算机视觉技术也初步萌芽。人们开始尝试让计算机回答出它看到了什么东西，于是首先想到的是从人类看东西的方法中获得借鉴。

借鉴之一是当时人们普遍认为，人类能看到并理解事物，是因为人类通过两只眼睛可以立体地观察事物。因此要想让计算机理解它所看到的图像，必须先将事物的三维结构从二维的图像中恢复出来，这就是所谓的“三维重构”的方法。

借鉴之二是人们认为人之所以能识别出一个苹果，是因为人们已经知道了苹果的先验知识，比如苹果是红色的、圆的、表面光滑的，如果给机器也建立一个这样的知识库，让机器将看到的图像与库里的储备知识进行匹配，是否可以让机器识别乃至理解它所看到的东西呢，这是所谓的“先验知识库”的方法。

这一阶段的应用主要是一些光学字符识别、工件识别、显微/航空图片的识别等等，

九十年代，计算机视觉技术取得了更大的发展，也开始广泛应用于工业领域。一方面原因是CPU、DSP等图像处理硬件技术有了飞速进步;另一方面是人们也开始尝试不同的算法，包括统计方法和局部特征描述符的引入。

进入21世纪，得益于互联网兴起和数码相机出现带来的海量数据，加之机器学习方法的广泛应用，计算机视觉发展迅速。以往许多基于规则的处理方式，都被机器学习所替代，自动从海量数据中总结归纳物体的特征，然后进行识别和判断。

这一阶段涌现出了非常多的应用，包括典型的相机人脸检测、安防人脸识别、车牌识别等等。

2010年以后，借助于深度学习的力量，计算机视觉技术得到了爆发增长和产业化。通过深度神经网络，各类视觉相关任务的识别精度都得到了大幅提升。

在全球威望的计算机视觉竞赛ILSVR(ImageNet Large Scale VisualRecognition Competition)上，千类物体识别Top-5错误率在2010年和2011年时分别为28.2%和25.8%，从2012年引入深度学习之后，后续4年分别为16.4%、11.7%、6.7%、3.7%，出现了明显突破。

计算机视觉技术的应用场景也快速扩展，除了在比较成熟的安防领域应用外，也有应用在金融领域的人脸识别身份验证、电商领域的商品拍照搜索、医疗领域的智能影像诊断、机器人/无人车上作为视觉输入系统等，包括许多有意思的场景：照片自动分类(图像识别+分类)、图像描述生成(图像识别+理解)等等。

计算机视觉中的三个概念

计算机视觉：指对图像进行数据采集后提取出图像的特征，一般处理的图像的数据量很大，偏软件层

机器视觉：处理的图像一般不大，采集图像数据后进行较低数据流的计算，偏硬件层，多用于工业机器人、工业检测等

图像处理：对图像数据进行转换变形，方式包括降噪、傅利叶变换、小波分析等，图像处理技术的主要内容包括图像压缩，增强和复原，匹配、描述和识别3个部分。

计算机视觉是指利用计算机来模拟人的视觉，是人工智能中的“看”。从技术流程上来说，分为目标检测、目标识别、行为识别三个部分。根据识别的目标种类可以分为图像识别、物体识别、人脸识别、文字识别等。在智能机器人领域，计算机视觉可以对静态图片或动态视频中的物体进行特征提取、识别和分析，从而为后续的动作和行为提供关键的信息。

近年来，基于计算机视觉的智能视频监控和身份识别等市场逐渐成熟扩大，机器视觉的技术和应用趋于成熟，广泛应用于制造、安检、图像检索、医疗影像分析、人机交互等领域。

太阳成集团tyc411有限公司是一家专注于提供机器视觉、智能制造等技术服务及解决方案，是专门定制机器视觉集成设备的提供商。