文章目录
1、相关科学之间的关系
2、计算机视觉（CV）
Machine vision
computer vision
eg：computer vision for people counter
以前的 concept video，现在很多技术都已成为现实
人脸识别
人流密集场所监控，枪球摄像头联动，左边枪机，右边球机
3、机器视觉（MV）
machine vision
传送带过某个位置触发，打灯，看，处理，yes 通过，气泵吹走分拣
eg：传送带上机器人抓取，打灯，看，判断 ok or NG，然后操作机器分拣
eg：机器人定位装配，工件装到特定的三个位置
eg：并行机器手抓取
eg：三维视觉引导，识别工件的位置（每次从蓝色盒子里面拿最高的工件），夹取（吸铁石），摆放到指定位置，堆叠摆放
4、计算机视觉与机器视觉
计算机视觉（Computer Vision）更关注"看懂是什么（What）"；
机器视觉（Machine Vision）更关注"测得有多准（How much）"。
如果用一句话概括：计算机视觉更偏向"认知（Perception）"，机器视觉更偏向"测量（Measurement）"。
假设桌子上放着一个苹果。
计算机视觉关心的是
- 这是苹果还是橘子？
- 苹果有没有坏？
- 苹果是什么品种？
- 苹果被遮挡了吗？
- 苹果成熟了吗？
最后输出可能是：
text
类别：苹果
置信度：99.3%
成熟度：85%这里得到的是性质（Qualitative），
计算机视觉偏重于"质"。
机器视觉关心的是
- 苹果中心坐标是多少？
- 半径多少？
- 偏了几毫米？
- 离机械臂还有多少厘米？
- 能不能抓？
最后输出：
text
X = 235.62 mm
Y = 118.35 mm
Z = 82.14 mm
直径 = 73.5 mm
偏心 = 0.12 mm这里全部都是数字。
机器视觉偏重于"量"。
Computer Vision 目标：
让机器理解世界。
例如：
- 自动驾驶
- 人脸识别
- 图像分割
- 视频理解
- OCR
- 姿态估计
它追求的是：
"理解"
因此重点指标通常是：
- Accuracy
- Recall
- mAP
- IoU
这些都是：有没有识别出来。
Machine Vision 目标：
让机器完成生产。
例如：
工厂里检测手机屏幕。
机器人不是关心：
"这是屏幕。"
而是关心：
"屏幕偏了0.08 mm。"
因为机器人夹爪可能允许误差只有：
text
±0.05 mm所以它关注的是：
- 长度
- 宽度
- 面积
- 角度
- 圆度
- 平面度
- 同轴度
- 厚度
- 深度
全部都是：连续数值。
--
不过，这句话也不能理解得太绝对，现代工业视觉已经把两者大量融合。
text
摄像头
│
▼
计算机视觉
（识别"是什么"）
│
▼
机器视觉
（测量"在哪里""多远""多大"）
│
▼
机器人执行动作与其说：
计算机视觉侧重于质，机器视觉侧重于量。
不如说：
| 对比维度 | 计算机视觉（CV） | 机器视觉（MV） |
|---|---|---|
| 核心目标 | 理解图像内容 | 完成工业测量与控制 |
| 更关注 | 是什么（What） | 有多少（How much） |
| 输出 | 类别、语义、目标 | 坐标、尺寸、距离、角度、误差 |
| 评价指标 | mAP、Precision、Recall、IoU | 毫米误差、像素误差、重复精度、测量精度 |
| 偏向 | 认知（Qualitative） | 测量（Quantitative） |
现代机器人系统（如扫地机器人、机械臂、自动驾驶）通常需要两者协同工作：先理解，再测量，最后执行。
计算机视觉 + 工业自动化 -> 机器视觉
CV 与 MV 都离不开图像处理
5、数字图像处理
Digital Image Processing
eg：多光谱，统计城市绿化程度
演示数字图像处理系统
和以前的课程设计用 java 做出来的很像，哈哈哈
