从今天起，在接下来的一段时间里，我想带领大家进军机器视觉领域，不奢望有多精深，但起码对机器视觉有一个了解，入门就行．最后，并通过一个企业项目实战来锻炼大家所学的知识．
本文目录
什么是机器视觉？
这个领域是干嘛的？跟我们有什么关系？
机器视觉系统的组成？
机器学习与算法与这个有什么关系？
机器视觉领域需要哪些知识？
机器视觉的发展瓶颈？
１． 什么是机器视觉？
说简单点，就是具有视觉检测功能的机器．
我们来看下标准定义．
机器视觉是配备有感测视觉仪器的检测机器，其中光学检测仪器占有比重非常高，可用于检测出各种产品的缺陷，或者用于判断并选择出物体，或者用来测量尺寸...等，应用在自动化生产线上对物料进行校准与定位。是计算机视觉中最具有产业化的部分，主要大量应用于工厂自动化检测及机器人产业等。
既然我们知道了机器视觉就是实现检测功能的检测机器，下面我们看下这个领域的应用以及对我们的生活有什么关系和影响．
２． 机器视觉的应用及影响
这是很普遍的在产品包装检测的应用．检测产品的包装是否合格．
这是机器视觉在识别方面的应用．我们常见的车牌号识别，条形码识别等等．
这是机器视觉在测量与检测方面的应用．检测圆珠的个数，芯片的尺寸等．
这是机器视觉技术在医药检测方面的应用，例如检测药丸是否有缺陷，药丸的个数，形状等等．
最后，还有大家熟知的在机器人上的应用．
３． 机器视觉系统的组成？
机器视觉系统主要由图像的获取、图像的处理和分析、输出或显示三部分组成。主要用计算机软件来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理并最终用于实际检测、测量和控制。
图像处理单元——大脑
图像处理单元由图像处理软件完成，图像处理软件包含大量图像处理算法。在取得图像后，用这些算法对数字图像进行处理，分析计算，并输出结果。软件是机器视觉的大脑，只有在软件将采集到的图像数据化以后，机器才能进行识别和检测等功能。
光源
光源是机器视觉系统中重要的组件之一，一个合适的光源是机器视觉系统正常运行的必备条件。使用光源的目的是将被测物体与背景尽量明显分别，获得高品质、高对比度的图像。
镜头——晶状体
镜头的作用是光学成像。尽管照相机、分析软件和照明对于机器视觉系统都是十分重要的，可最关键的元件还是相机镜头。系统若想完全发挥其功能，镜头必须要能够满足要求才行。决定镜头性能的参数主要有焦距，工作距离、视场、景深、分辨率等。景深，是指镜头能够获得最佳图像时，被摄物体离此最佳焦点前后的距范围。视场，表示摄像头所能观测到的最大范围，通常以角度表示，一般说来视场越大，观测范围越大。工作距离，是指镜头到被摄物体的距离，工作距离越长，成本越高。
相机——眼球
机器视觉相机（“眼球”）的目的是将通过镜头投影到传感器的图像传送到能够储存、分析和（或者）显示的机器设备上。按照芯片类型可以分为CCD相机、CMOS相机。
图像采集单元——视觉神经
图像采集单元中最重要的元件是图像采集卡，它是图像采集部分和图像处理部分的接口。
输出单元
在完成图像采集和处理工作之后，需要将图像处理的结果输出，并作出与结果匹配的动作，如剔废、报警灯，并通过人机界面显示生产信息。
４． 机器学习与算法与这个有什么关系？
算法可谓是机器视觉的核心了，企业竞争力也主要体现在算法上．好的算法，运行速度快，检测精度高，在市场上自然具有较强的竞争力．因此，在企业中，都在核心算法上下功夫，形成自己的核心竞争力．
５． 机器视觉领域需要哪些知识？
线性代数
概率论
随机过程
微积分
上面四个是基本的数学能力，只有掌握了基本的数学知识，才能看懂式子．看文献．
第五项是最主要的，
计算机视觉的顶级期刊有PAMI和IJCV，顶级会议有ICCV和CVPR．
多看，对于一些比较经典的，精读．
６． 机器视觉的瓶颈
最大的问题就是准确性．因为图像的影响因素有很多，例如产品的外部光照条件，镜头畸变等．在软件上，不同的算法的效果可能有很大的差距．
通用性．这个在实际的项目中可能感触更深．因为不同的产品外观不同，形状不同，缺陷不同，材料不同，尺寸不同等等，很难仅仅使用一种通用的检测算法，甚至，缺陷特征不同，就必须重新编写算法．
硬件与软件．硬件就是相机镜头的处理速度，软件就是算法的优越性．
恩，时候不早了，就先到这了．今天主要介绍了机器视觉的应用及概述，希望大家对机器视觉有一个大概的了解，那我也不枉此行了．
下回继续分享，请大家持续关注．有问题可以留言哦．