【MV】Machine Vision Fundamentals: MV vs. CV Explained

文章目录

• 1、相关科学之间的关系
• 2、计算机视觉（CV）
• 3、机器视觉（MV）
• 4、计算机视觉与机器视觉
• 5、数字图像处理

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：

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：

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：

±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。

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