当前，工业自动化程度越来越高，对产品的检测也提出了更高要求，因此机器视觉设备开始进入飞速发展阶段。机器视觉是人工智能正在快速发展的一个分支，简单而言，机器视觉就是用机器代替人眼来做测量和判断。机器视觉对比人工检测有着强大的优势，同创仪器拥有13年机器视觉研发生产经验，将主要针对机器视觉的功能及优势进行简单分析。
机器视觉的应用及功能：
1、识别功能：机器视觉可用于对一维码及二维码光学字符的识别与确认、颜色及形状的识别等；
2、缺陷检测：机器视觉可以用于对产品表面进行精密检测，包括目标方向及位置检测，产品表面的压伤、破损、刮伤、脏污检测，印刷表面的瑕疵检测等；
3、产品测量：机器视觉可以在非接触情况下，对产品尺寸进行精密测量，以确定产品外观尺寸方面的误差；
4、视觉定位：机器视觉采用先进的图像视觉检测技术，对高速运动的工业产品进行实时的视觉定位分析，此功能主要用于自动装配及生产；
5、机器人引导：当前工业机器人已经大范围应用于自动化流水线中，机器人在操作过程中，需要通过机器视觉系统实时了解工作环境的变化，相应调整动作以保证任务的正确完成；
仪器作为国内知名机器视觉方案提供商，一直致力于为客户提供更合适的机器视觉非标定制解决方案，今天将针对机器视觉系统的优势进行分析：
1、非接触：机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统。机器视觉在测量工件过程中，无需与工件进行接触，与传统的人工检测方式相比，减少了工件接触过程中所带来的损伤。同时，非接触的特点也使得机器视觉系统能够在危险环境下进行工作，这无疑提高了生产的安全性；
2、精度高：现在工业制造对工件的精密度要求越来越高，人工检测虽然能够做到，但是操作过程繁琐，而且在检测过程中难免会出现误差。而机器视觉在线检测过程中，能够保证精度达到5μ，完全能够达到工件的精密度要求；
3、速度快：生产效率是发展机器视觉系统最主要的速度，因为传统的检测方式如果需要检测的位置很多，速度会很慢，而机器视觉的检测效率相对人工来说成几何倍数的增加，而且机器视觉无需休息，工作时间更长，在检测速度上，对比传统人工检测有着不可比拟的优势。在一些应用行业，一台机器视觉系统的工作效率能够相当于20个熟练工人。
4、自动化：目前的机器视觉系统能够达到极高的自动化程度，包括自动上料、在线检测及自动分选归仓等等；
5、多测量集成：机器视觉系统可以通过多工位测量方式，一次性完成待检产品的轮廓、尺寸、外观缺陷、产品高度等多技术参数的测量；
6、易操作：机器视觉系统提供模块化和以点、线、弧等基本元素为基础的客户自定义测量两种测量方式，而且软件系统界面简洁，功能设置方便易学，就算是普通员工经过短期培训后，就可以熟练操作；
7、重复性：人工检测因为过程繁琐，劳动强度大，而且大批量的重复检测很容易造成视觉和身体疲劳，这样难免会造成检测的精度和合格率无法保证。而机器视觉就完全克服了这一问题，即使一天20小时以上的不间断检测都完全没有问题；
8、数字化：机器视觉系统工作过程中所产生的所有测量数据，均可独立拷贝或者以网络连接方式拷出，便于生产过程统计和分析。同时还可在测量后导出测量数据并生成报表，无需人工一一添加。
9、智能化：随着制造业转型升级步伐加快，机器视觉技术与产品的需求逐步提高，应用领域逐渐扩大，机器视觉将融合3D监测、彩像处理、人工智能、运动控制、信息网络等多种技术，由单一的检测、定位、测量功能向大数据分析、智能控制方向发展。基于机器视觉的自动化监测、智能控制系统将广泛应用于工业生产各个领域，并主要从中端生产线向前端制造和后端物流环节延伸，成为提升产业自动化水平的重要抓手。
图像的分割
图像分割是将图像分成若干部分，每一部分对应于某一物体表面，在进行分割时，每一部分的灰度或纹理符合某一种均匀测度度量。某本质是将像素进行分类。分类的依据是像素的灰度值、颜色、频谱特性、空间特性或纹理特性等。图像分割是图像处理技术的基本方法之一，应用于诸如染色体分类、景物理解系统、机器视觉等方面。
图像分割主要有两种方法：一是鉴于度量空间的灰度阈值分割法。它是根据图像灰度直方图来决定图像空间域像素聚类。但它只利用了图像灰度特征，并没有利用图像中的其它有用信息，使得分割结果对噪声十分敏感；二是空间域区域增长分割方法。它是对在某种意义上（如灰度级、组织、梯度等）具有相似性质的像素连通集构成分割区域，该方法有很好的分割效果，但缺点是运算复杂，处理速度慢。其它的方法如边缘踪法，主要着眼于保持边缘性质，跟踪边缘并形成闭合轮廓，将目标分割出来；锥体图像数据结构法和标记松弛迭代法同样是利用像素空间分布关系，将边邻的像素作合理的归并。而基于知识的分割方法则是利用景物的先验信息和统计特性，首先对图像进行初始分割，抽取区域特征，然后利用领域知识推导区域的解释，最后根据解释对区域进行合并。
