前面虽然讲了一个案例，但那个案例仅用到了灰度直方图，想来想去，觉得一个案例没有太多的代表性，也体无法完全体现出机器视觉的工业应用场景。所以本篇还是再讲两个案例。同样的，也对案例中的技术做详细讲解。当然，暂时没有涉及到算法与代码，因为还没有讲图像灰度，图像变换，图像连续的算法等。
上面这个案例是一个茶包的检测，主要是通过检测黑边和计算包数。
再上一个案例。然后对这个案例中的图像处理关键技术进行一些讲解。
下面两张图是所有的算法（共用到十二个算法）。
然后再贴四张图一张通过的，三张失败的。分别针对讲解一下。
这张是通过的。
这张是被旋转处于打开状态，这个高度过高了。对比其它的图片就看得出。
这张图片是没有盖的。
这个是没有按压的。
技术上的处理主要还是灰度检测。
这里主要是左右的距离错误。
左边实际距离是22.41，而最大只允许15.超过了。所以报错。不通过。
没盖的这个，检测到直方图不合格。
没按压嘴的这个出错是：
再展示一个正常的。
这两个尖峰的距离明显宽一点。这个算法用到了边缘。以列为单位每一列左边减右边，那么全白和全黑的地方相减，因为值相同，所以为0，只有在两个有边边缘的地方才会有值。这两上尖峰就是表示这个地方的。
这个图就是无按压喷嘴的边缘处理后的效果。
其实工业上的一些项目场景为追求稳定，一般都是用比较简单的算法达到目的，当然不是说所有的算法都只用了这个有一些就会比较复杂。像车牌识别。
我稍稍简单的描述一下车牌识别的过程。
一般因为相机是固定的，而车进来时是不固定的，所以因为车头对应拍照后的效果都是不理想的。
第一步 拍到车头后然后去色先要通过去色
第二步 然后利用边缘把车牌所有的区域找出来，主要是车牌定位。
第三步 然后再把车牌的图像从整个图像加抠出来
第四步 然后再对整个车牌进行四边形校正。得到常规的车牌。
第五步 则是对车牌上的字符进行识别。车牌字符识别，更是一个难题。不比人，机器视觉只是机器，它没有智能功能，所有的识别全部依靠数学方式来完成的。对于OCR，这个领域更难。一般就是在特定的字符上进去匹配再计算百分比。这里一个细节，不知道有没有人注意到，就是所有的车牌中，没有0，没有1，因为0，和英文字母O(o)太相似，则1，和I(i)相似，机器识别起来太困难，所以从车牌生产上，就直接把这两个数字去掉了。
当然我上面说的五个步骤，其实都是基于理想状态的，因为正常状态下，我们还要考虑白天，晚上，傍晚，下雨雪天，泥泞天等各种不同的场景下车牌识别的稳定性，还有不角度，不同距离。这个时间，神经网络算法也就是AI，真正的人工智能就起作用了。有兴趣的朋友，可以自己百度了解车牌识别。
贴一个车牌识别的图片（下图来自网络）。（回头具体讲算法时再详解。）