机器视觉系统具有高效率、高度自动化的特点，可以实现很高的分辨率精度和速度。机器视觉系统与被检测对象无接触，安全可靠。人工检测与机器视觉自动检测的主要区别有：
【系统组成】
一个典型的机器视觉系统包括以下部分：
1.照明(光照系统)
照明是影响机器视觉系统输入的重要因素，它直接影响输入数据的质量和应用效果。由于没有通用的机器视觉光源照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，以达到最佳的效果。光源可分为可见光和不可见光，常见的几种可见光源有白炽灯、日光灯、水银灯和钠光灯。可见光的缺点是光能不稳定。所以如何使光能在一定的程度上保持稳定，是目前急需解决的问题；另一方面，环境光有可能影响图像的质量，所以可采用加防护屏的方法来减少环境光的影响。
照明系统按照照射方法可分为：背向照明、前向照明、结构光和频闪光照明等。其中，背向光照明是被测物放在光源和摄像机之间，它的优点是能获得高对比度的图像；前向照明是光源和摄像机位于被测物的同侧，这种方式便于安装；结构光照明是将光栅或光源等投射到被测物上，根据它们产生的即便，调解出被测物体的三维信息。频闪光照明是将高频率的光脉冲照射到物体上，摄像机拍摄要求与光源同步。
2.镜头
工业镜头
FOV（Field Of vision）=所需分辨率亚像素相机尺寸/PRTM（零件测量公差）
选择镜头需要注意：
①焦距②目标高度③影像高度④放大倍数⑤影像至目标的距离⑥中心点/节点⑦畸变
3.相机
按照不同标准可分为：标准分辨率数字相机和模拟相机等。要根据不同的实际应用场合选不同的相机和高分辨率相机：线扫描CCD和面阵CCD、单色相机和彩色相机。
4.图像采集卡
图像采集卡只是完整的机器视觉系统的一个部件，但是它扮演一个非常重要的角色；图像采集卡直接决定了摄像头的接口：黑白、彩色、模拟、数字等。
比较典型的是PCI或AGP兼容的捕获卡，可以将图像迅速地传送到计算机存储器进行处理，有些采集卡有内置的多路开关。例如，可以连接8个不同的摄像机，然后告诉采集卡采用那一个相机抓拍到的信息。有些采集卡有内置的数字输入以触发采集卡进行捕捉，当采集卡抓拍图像时数字输出口就触发闸门。
5.视觉处理器
视觉处理器集采集卡与处理器与一体。以往计算机速度较慢时，采用视觉处理器加快视觉处理任务，现在由于采集卡可以快速传输图像到存储器，而且计算机也快多了，所以现在视觉处理器用的较少了。
【工业镜头】
1.工业镜头的接口：
C型：C型接口镜头与摄像机接触面至镜头焦平面（摄像机CCD光电感应处的位置）的距离为17.5mm
CS型:CS型接口距离为12.5mm,CS型镜头与CS型摄像机可以配合使用。C型镜头与CS型摄像机之间增加一个5mm的C/CS转接环可以配合使用，CS型镜头与C型摄像机无法配合使用。
F型：通用型接口，一般适用于焦距大于25mm的镜头。
2.相机数据传输的接口种类及优劣：
【基本参数】
视场：即FOV，也叫视野范围，指观测物体的可视范围，也就是充满相机采集芯片的物体部分。
工作距离：即WD，指从镜头前部到受检测物体的距离，即清晰成像的表面距离。
分辨率：图像系统可以测到的受检验物体上的最小可分辨率特征尺寸，在多数情况下，视野越小，分辨率越好。
景深：即DOF，物体离最佳焦点较近或比较较远时，镜头保持所需分辨率的能力。
焦距（f）：是光学系统中衡量光的聚集或发散的度量方式，指从透镜的光心到光聚焦之焦点的距离，也是照相机中，从镜片中心到底片或CCD等成像平面的距离。
焦距大小的影响情况：焦距越小，景深越大；焦距越小，畸变越大；焦距越小，渐晕现象越严重，使像差边缘的照度降低。
失真：又称为畸变，指被摄物平面内的主轴直线，经光学系统成像后变为曲线，则此光学系统的成像误差称为畸变，畸变像差只影响影像的几何形状，而不影响影像的清晰度。
光圈与F值：光圈是一个用来控制镜头通光量的装置，它通常是在镜头内，表达光圈大小我们是用F值，如f2,f4。
【工业相机的选择要点】
1.视野范围、光学放大倍数及期望的工作距离：在选择镜头时，我们会选择比被测物体视野稍大一点的镜头，有利于运动控制。
2.景深要求：对于对景深有要求的项目，尽可能使用小光圈；在选择放大倍率的镜头时，在项目许可下尽可能选用低倍率镜头；如果项目要求比较苛刻时，倾向选择高景深的尖端镜头。
3.芯片大小和相机接口：例如2/3镜头支持最大的工业相机耙面为2/3，它是不能支持1英寸以上的工业相机。
4.注意与光源的配合，选配合适的镜头。
5.可安装空间：在方案可选择情况下，让客户更改设备尺寸是不现实的。
【机器视觉的工作原理】
机器视觉检测系统是采用CCD照相机将被检测的目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号，图像处理系统对这些信号进行各种运算来收取目标的特征，如面积、数量、位置、长度，再根据预设的允许度和其他条件输出结果，包括尺寸、角度、个数、合格/不合格、有/无等，实现自动识别功能。
【机器视觉特点】
⒈摄像机的拍照速度自动与被测物的速度相匹配，拍摄到理想的图像;
⒉零件的尺寸范围为2.4mm到12mm，厚度可以不同;
⒊系统根据操作者选择不同尺寸的工件，调用相应视觉程序进行尺寸检测，并输出结果;
⒋针对不同尺寸的零件，排序装置和输送装置可以精确调整料道的宽度，使零件在固定路径上运动并进行视觉检测;
⒌机器视觉系统分辨率达到2448×2048，动态检测精度可以达到0.02mm;
⒍废品漏检率为0;
⒎本系统可通过显示图像监视检测过程，也可通过界面显示的检测数据动态查看检测结果;
⒏具有对错误工件及时准确发出剔除控制信号、剔除废品的功能;
⒐系统能够自检其主要设备的状态是否正常，配有状态指示灯;同时能够设置系统维护人员、使用人员不同的操作权限;
⒑实时显示检测画面，中文界面，可以浏览几次不合格品的图像，具有能够存储和实时察看错误工件图像的功能;
⒒能生成错误结果信息文件，包含对应的错误图像，并能打印输出。
【机器视觉的应用领域】
1.识别
2.标准一维码、二维码的解码
3.光学字符识别（OCR）和确认（OCV）
4.检测
5.色彩和瑕疵检测
6.零件或部件的有无检测
7.目标位置和方向检测和测量
8.尺寸和容量检测
9.预设标记的测量，如孔位到孔位的距离
10.机械手引导
11.输出空间坐标引导机械手精确定位
视觉是人类观察和认知世界的重要手段。随着信息技术的发展，人类逐渐把这种技能赋予计算机、机器人或者其他智能机器，这就是我们今天所要提到的机器视觉技术。
目前机器视觉技术已经实现了产品化、实用化，镜头、高速相机、光源、图像软件、图像采集卡、视觉处理器等相关产品功能日益完善。机器视觉技术在信息化时代正扮演着越来越重要的角色。
与计算机视觉相比，机器视觉偏重于计算机视觉技术工程化，能够自动获取和分析特定的图像，对准确度和处理速度要求都比较高，一般而言，计算机视觉多用来识别“人”，而机器视觉则多用来识别“物”。
具体来讲，计算机视觉应用的场景相对复杂，要识别的物体类型也多，形状不规则、规律性不强，有时甚至很难用客观量作为是被的依据，比如识别年龄、性别，对于光线、距离、角度等条件要求较低；而对准确度和处理速度要求都比较高，一般机器视觉的分辨率远高于计算机视觉，而且往往要求实时，处理速度非常关键。
那么一个典型的机器视觉系统应该包括哪些硬件呢？
一个典型的机器视觉系统包括以下五大块：
1.照明
照明是影响机器视觉系统输入的重要因素，它直接影响输入数据的质量和应用效果。由于没有通用的机器视觉光源照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，已达到最佳效果。光源可分为可见光可不可见光。
2.镜头
工业镜头
FOV=所需分辨率亚像素相机尺寸/PRTM（零件测量公差比）
选择镜头时应注意：
①焦距②目标高度③影像高度④放大倍数⑤影像至目标的距离⑥中心点/节点⑦畸变
3.相机
按照不同的标准可分为：标准分辨率数字相机和模拟相机
要根据不同的实际应用场合选择不同的相机和高分辨率相机：线扫描CCD和面阵CDD、单色相机和彩色相机
4.图像采集卡
图像采集卡是完整的机器视觉系统的一个部件，但是它扮演的角色非常重要，图像采集卡直接决定了摄像头的接口：黑白、彩色、模拟、数字等。
5.视觉处理器
视觉处理器集采集卡与处理器与一体。以往计算机速度较慢时，采用视觉处理器加快视觉处理任务。现在由于采集卡可以快速传输图像到存储器，而且计算机也快很多，所以现在视觉处理器用的少了。
什么是机器视觉系统？
机器视觉系统是指通过机器视觉产品（即图像获取装置，分为CMOS和CCD两种）将被获取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
机器视觉的工作原理：
机器视觉检测系统采用CCD照相机将被检测的目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号，图像处理系统对这些信号进行各种运算来抽取目标的特征，如面积、数量、位置、长度，再根据预设的允许度和其他条件输出结果，包括尺寸、角度、个数、合格/不合格、有/无等，实现自动识别功能。
机器视觉与计算机视觉的区别？
计算机视觉，主要是对质的分析，比如分类识别，这是一个杯子那是一条狗。或者做身份确认，比如人脸识别，车牌识别。或者做行为分析，比如人员入侵，徘徊，遗留物，人群聚集等。
机器视觉，主要侧重对量的分析，比如通过视觉去测量一个零件的直径，一般来说，对准确度要求很高。我记得以前接触过一个需求: 视觉测量铁路道岔缺口。哥刚毕业的时候在铁路上班，做过控制系统，还开过内燃机车，很清楚道岔缺口的重要性，这玩意儿你说要是测不准，呵呵:)
当然，也不能完全按质或量一刀切，有些计算机视觉应用也需要分析量，比如商场的人数统计。有些机器视觉也需要分析质，比如零件自动分拣。但，计算机视觉一般来说对量的要求不会很高，商场人数统计误差个百分之几死不了人的，但机器视觉真的会，比如那个道岔缺口测量。
机器视觉是图像技术、模式识别技术以及计算机技术发展的产物，是实现智能化、自动化、信息化的先进技术领域。机器视觉的发展带动了人工智能的进步。
机器视觉系统从物理结构上来讲，一般包括以下几个部分：光源、摄像机和镜头、图像采集卡、机器视觉软件等运动控制部分。在机器视觉系统中，合适的光源为视觉系统提供良好的外界条件，使得系统得到的图像信号有很高的信噪比。
今天我们主要探讨一下光源。
判断机器视觉的照明的好坏，首先必须了解什么是光源需要做到的，光源的作用并不仅仅局限于使检测部件能够被摄像头“看见”，有时候，一个完整的机器视觉系统无法支持工作，很大一部分原因是光源造成的。
照明系统是机器视觉系统中最关键的部分之一，机器视觉光源直接影响到图像的质量，进而影响到系统的性能。好的打光设计能够使我们得到一幅好的图像，从而改善整个系统的分辨率，简化软件的运算。
影响光源的因素：
1.对比度：对比度对机器视觉来说非常重要，机器视觉应用照明的最重要的任务就是使需要被观察的特征与需要被忽略的图像特征之间产生最大的对比度，从而易于特征的区分。
2.亮度：当选择两种光源的时候，最佳的选择肯定是更亮的那个。因为当光源亮度不够时就会出现以下三种情况：一、相机的信噪比不够；二、图像的对比度不够，在图像上出现噪声的可能性也随之增大；三、光源的亮度不够，必然需要加大光圈，从而减少景深，并且自然光也会随机对系统加大影响。
3.鲁棒性：测试好光源的方法是看光源是否对部件的位置敏感度最小。当光源放置在摄像头视野的不同区域或不同角度时，结果图像应该不会随之变化。方向性很强的光源，增大了对高亮区域的镜面反射发生的可能性，这不利于后面的特征提取。在很多情况下，好的光源需要在实际工作中与其在实验室中有相同的效果。
4.光源可预测：当光源入射到物体表面的时候，光源的放映是可以预测的，光源可能被吸收或被放射，光可能被完全吸收（黑金属材料，表面难以照亮）或者被部分吸收（造成了颜色的变化及亮度的不同）。不被吸收的光就会被反射，入射光的角度等于反射光的角度。
5.物体表面：如果所有物体表面是相同的，在解决实际应用的时候就没有必要采用不同的光源技术了，但由于物体表面的不同，因此需要观察视野中的物体表面，并分析光源入射的反映。
6.光源的位置：既然光源按照入射角反射，因此光源的位置对获取高对比度的图像很重要，光源的目标是要达到使感兴趣的特征与其周围的背景对光源的反射不同。预测光源如何在物体表面反射就可以决定出光源的位置。
7.选择光源：光源应该按照照明形状的需要来选择，需要有足够的均匀度，且稳定性能要好。
在机器视觉系统中，光源的作用主要体现在：
1.突出测量特征，简化图像处理算法
2.客服环境光的干扰，提高图像信噪比
3.提高视觉系统的定位、测量、识别精度以及系统的运行速度
4.降低系统设计的复杂度
机器视觉的光源按形状通常可分为以下几类：
1.环形光源：环形光源提供不同照射角度、不同颜色组合，更能突出物体的三维信息；高密度LED阵列，高亮度；多种紧凑设计，节省安装空间；解决对角照射阴影问题；可选配漫射板导光，光线均匀扩散。
2.背光源：用高密度LRD阵列面提供高强度背光照明，能突出物体的外形轮廓特征。
3.条形光源：条形光源是较大方形结构被测物的首先光源，颜色可根据需求搭配，自由组合，照射角度与安装随意可调。
4.AOI专业光源：不同角度的三色光照明，照射凸显锡焊三维信息；外加漫射板导光，减少反光不同角度组合。
5.球积分光源：具有积分效果的半球面内部，均匀反射从底部360°发射出的光线，使整个图像的照度十分的均匀。
6.线性光源：超高高度，采用柱面透镜聚光，适用于各种流水线连续检测场合。
7.同轴光：可以消除物体表面不平整引起的阴影，从而减少干扰，部分采用分光镜设计，减少光损失，提高成像清晰度，均匀照射物体表面。
8.点光源：大功率LED，体积小，发光强度高；光前卤素灯的替代品，尤其适合作为镜头的同轴光源等，高效散热装置，大大提高光源的使用寿命。
9.组合条形光：四边配置条形光，每边照明独立可控制；可根据被测物体要求调整所需照明角度，适用性广。
10.对位光源：速度快，视场大，精度高，体积小，便于检测集成，亮度高，可适配辅助环形光。
科技的发展促进技术的进步，越来越多的人意识到技术的重要性，今天小编想跟大家探讨关于计算机视觉的相关知识，欢迎提出意见
计算机视觉是一门研究如何使用机器“看”的科学，更进一步说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送仪器检测的图像。
计算机视觉寻求基于工程学科相关理论与模型来建立计算机视觉系统，这类系统的组成部分包括：
程序控制（工业机器人和无人驾驶汽车）
事件监测（图像监测）
信息组织（图像数据可和图像序列索引的建立）
物体与环境建模（工业检查、医学图像分析和拓扑建模）
交感互动（人机互动的输入设备）
【计算机视觉技术的图像处理方法】
计算机视觉系统中，视觉信息的处理技术主要依赖于图像处理方法，它包括图像增强、数据编码和传输、平滑、边缘锐化、分割、特征抽取、图像识别与理解等内容。经过这些处理后，输出图像的质量得到相当程度的改善，既改善了图像的视觉效果，又便于计算机对图像进行分析、处理和识别。
【图像增强】
图像增强用于调整图像的对比度，突出图像中的重要细节，改善视觉质量。通常采用灰度直方图修改技术进行图像增强。通过灰度直方图的形状，能判断该图像的清晰度和黑白对比度。
【图像平滑】
图像平滑处理技术即图像的去噪声处理，主要是为了去除实际成像过程中因成像设备和环境所造成的图像失真，提取有用的信息。
【图像数据编码和传输】
数字图像的数据量是相当庞大的，比如一副512*512个像素的数字图像的数据量为256K字节，假设每秒传输25帧图像，则传输的信道速率为52.4M比特/秒。因此传输过程中，对图像数据进行压缩显得非常重要。
【边缘锐化】
图像边缘锐化处理主要是加强图像中的轮廓边缘和细节，形成完成的物体边界，达到将物体从图像中分离出来或将表示同一物体表面的区域检测出来的目的。
【图像分割】
图像分割是将图像分成若干部分，每一部分对应某一物体表面，在进行分割时，每一部分的灰度或纹理符合某一种均匀测度度量。
【图像识别】
图像识别过程实际上可以看作是一个标记过程，即利用识别算法来辨别景物中已分割好的各个物体。
【计算机视觉的应用】
计算机视觉被称为自动化的眼睛，在国民经济、科学研究及国防建设等领域都有着广泛的应用。
1.工业上的应用。例如对烟叶品质进行图像处理过程中，借助MATLAB图像处理工具箱和神经网络技术，对各类型的烟叶的数字图形进行计算机视觉分析，包括边缘检测、轮廓提取、用图像工具箱进行提取烟叶数字图像特征，将待测烟叶样本与标准烟叶样本进行自适应学习训练，最后迭到自动识别待测烟叶样本品质的智能评定。
2.公安工作的应用。计算机人脸识别技术就是利用计算机对人脸图像进行分析，从中提取有效的识别信息，用来“辨别”身份的一门技术。他设计到图像处理、模式识别、计算机视觉和神经网络等。
3.商业上的应用。安防方面的应用就是当值班人员面对十、百、千的摄影机，无法真正的在风险产生时预测或干预，多数靠事后回放；在非安防方面的应用，如商业上人流量的统计、防盗等。
4.医学方面的应用。X-CT、放射性同位素扫描、B型超声、核磁共振成像等。
5.军事方面的应用。计算机视觉开辟了人工智能的一个全新领域，它模拟并帮助理解人类的视觉系统。在军事领域的应用：在执行低空突防飞行和其他空袭任务过程中，采用被动式地形侦察与勘测技术能够提高飞行隐秘性，解决易于被地方探测的需要
以上产品图片为公司产品（或国内代理），谢谢关注，一起交流，学习。