通常以为机械视觉“是通过光学装置和非接触传感器自动地接受和处置一个真实场景的图像，通过度析图像获得所需信息或用于节造机械运动的装置”，即能够理解为是通过工业相机等图像传感器采集图像信息，通过度析处置转化的图像信息继而节造后续的自动化设备的流程作为。
能够看出智能图像处置技术在机械视觉中占有举足轻沉的地位。
那么机械视觉与图像处置技术之间的关系和联系是什么呢？图像处置技术在机械视觉中有哪些利用呢？
1、图像处置技术的利用
机械视觉的 图像处置系统对现场的数字图像信号依照具体的利用要求进走运算和分析，凭据获得的处置了局来节造现场设备的作为，其常见利用如下：
（1）图像采集
图像采集就是从工作现场获取场景图像的过程，是机械视觉的第一步，采集工具大多为CCD或CMOS拍照机或摄像机。
拍照机采集的是单幅的图像，摄像机能够采集陆续的现场图像。就一幅图像而言，它现实上是三维场景在二维图像平面上的投影，图像中某一点的彩色（亮度和色度）是场景中对应点彩色的反映。这就是我们能够用采集图像来代替真实场景的底子凭据地点。
若是相机是模仿信号输出，必要将模仿图像信号数字化后送给推算机（蕴含嵌入式系统）处置。此刻大部门相机都可直接输出数字图像信号，能够免去模数转换这一步骤。不仅如此，此刻相机的数字输出接口也是尺度化的，如USB、VGA、1394、HDMI、WiFi、Blue Tooth接口等，能够直接送入推算机进行处置，以免去在图像输出和推算机之间加接一块图像采集卡的麻烦。后续的图像处置工作往往是由推算机或嵌入式系统以软件的方式进行。
（2）图像预处置
对于采集到的数字化的现场图像，由于受到设备和环境成分的影响，往往会受到分歧水平的滋扰，如噪声、几何形变、彩色失调等，城市故障接下来的处置环节。为此，必须对采集图像进行预处置。常见的预处置蕴含噪声解除、几何校对、直方图平衡等处置。
通常使用时域或频域滤波的步骤往来除图像中的噪声 ；选取几何变换的法子来校对图像的几何失真 ；选取直方图平衡、同态滤波等步骤来减轻图像的彩色偏离。
总之，通过这一系列的图像预处置技术，对采集图像进杏装加工”，为机械视觉利用提供“更好”、“更有效”的图像。
（3）图像宰割图像
宰割就是按呼利用要求，把图像分成各具特点的区域，从中提取出感兴致指标。在图像中常见的特点有灰度、彩色、纹理、边缘、角点等。例如，对汽车装配流水线图像进行宰割，分成布景区域和工件区域，提供给后续处置单元对工件装置部门的处置。
图像宰割多年来一向是图像处置中的难题，至今已有种类繁多的宰割算法，但是成效往往并不梦想。最近，人们利用基于神经网络的深度进建步骤进行图像宰割，其机能胜过传统算法。
（4）指标鉴别和分类
在造作或安防等行业，机械视觉都离不开对输入图像的指标进行鉴别和分类处置，以便在此基础上实现后续的判断和操作。鉴别和分类技术有好多一样的处所，时时在指标鉴别实现后，指标的类别也就明确了。最近的图像鉴别技术在逾越传统步骤，形成以神经网络为主流的智能化图像鉴别步骤，如卷积神经网络（CNN）、回归神经网络（RNN）等一类机能优越的步骤。
（5）指标定位和丈量
在智能造作中，最常见的工作就是对指标工件进行装置，但是在装置前往往必要先对指标进行定位，装置后还需对指标进行丈量。装置和丈量都必要维持较高的精度和速度，如毫米级精度（甚至更。，毫秒级速度。
这种高精度、高速度的定位和丈量，倚靠通常的机械某人为的步骤是难以办到的。在机械视觉中，选取图像处置的法子，对装置现场图像进行处置，依照指标和图像之间的复杂映射关系进行处置，从而急剧精准地实现定位和丈量工作。
（6）指标检测和跟踪
图像处置中的运动指标检测和跟踪，就是实时检测摄像机捕获的场景图像中是否有运动指标，并预测它下一步的运动方向和趋向，即跟踪。并实时将这些运动数据提交给后续的分析和节造处置，形成相应的节造作为。图像采集通常使用单个摄像机，若是必要也能够使用两个摄像机，模仿人的双目视觉而获得场景的立体信息，这样越发有利于指标检测和跟踪处置。
2、面对的挑战
在机械视觉的图像处置技术的发展中，还存在不少技术瓶颈，如：某种处置步骤往往在钻研和开发中阐发优良，但在复杂多变的利用环境中，却不断地出现问题。例如人脸鉴别系统，在指标配应时鉴别率可高达95%以上，但在现实监控环境下，鉴别率就会大大降落。
机械视觉系统要求图像鉴别和丈量的正确性靠近100%，任何微幼的误差都有可能带来不成预测的后果。例如指标定位的误差会使装配出来的设备不切合要求。
视觉检测设备的实时检测效能快，图像采集数据量大，若是图像的采集速度、处置速度较慢，再加上新近引入的深度进建类算法，加大了系统实时处置的难度，跟不上机械运行和节造的节拍，所以提高图像处置速度极度沉要。
3、提高图像处置速度的重要步骤
目前提高图像处置速度重要有两种步骤。
一是改进和优化图像处置算法。该算法应单一、急剧，并思考到现实成效 ；二是改进和优化实现算法的伎俩。
那么，机械视觉检测设备能够通过哪些方式来提高检测速度？
（1）专用集成电路(ASIC)
ASIC是针对于某一固定算法或利用而专门设计的硬件芯片，有很强的实时性。但在现实利用中存在开发周期相对较长、成本高、适应性和矫捷性差等弊端。
（2）现场可编程门阵列(FPGA)
FPGA由多个可编程的根基逻辑单元组成的一个2维矩阵，逻辑单元之间以及逻辑单元与I/O单元之间通过可编程连线进行衔接。FPGA能在设计上拥有很强的矫捷性，集成度、工作速度也在不休提高，可实现的职能也越来越强;同时其开发周期短，系统易于守护和扩大，可能大大地提高图像数据的处置速度。
（3）通用推算机网络并行处置
这种处置结构选取“多客户机+服务器”的方式，一个图像传感器对应一台客户机，服务器实现信息的合成，图像处置的大部门工作由软件来实现。该结构固然比力重大，但升级守护方便、实时性较好。
（4）数字信号处置器(DSP)
DSP是一种怪异的微处置器，是以数字信号来处置大量信息的器件。其工作道理是将接管到的模仿信号转换为“0”或“1”的数字信号，再对数字信号进行批改、删除和强化，并在其他系统芯片中把数字数据解译回模仿数据或现实环境体式，其实时运行速度远远超过通用微处置器。但是，DSP的系统仍是串行指令执行系统，并且只是对某些固定的运算进行硬件优化，故不能满足多多的算法要求。
实时图像处置系统中，底层的信号数据量大，对处置速度的要求高，但运算结构相对比力单一，适合选取FPGA以硬件方式来实现 ；高层处置算法的特点是处置的数据量相对较少，但算法和节造结构复杂，可使用DSP来实现。所以，能够把二者的利益结合在一路以两全实时性和矫捷性。
