机器视觉的发展历程

  机器视觉的发展历史过程

随着人工智能的发展，机器视觉技术也试图在这项能力上匹敌甚至超越人类，那么你对计算机视觉的发展历史了解么?知道它是如何应用于图像检测、缺陷检测等领域的么?

1966年，人工智能学家Minsky在给学生布置的作业中，要求学生通过编写一个程序让计算机告诉我们它通过摄像头看到了什么，这也被认为是计算机视觉早期的任务描述。

七八十年代，随着现代电子计算机的出现，计算机视觉技术也初步萌芽。人们开始尝试让计算机回答出它看到了什么东西，于是首先想到的是从人类看东西的方法中获得借鉴。

借鉴之一是当时人们普遍认为，人类能看到并理解事物，是因为人类通过两只眼睛可以立体地观察事物。因此要想让计算机理解它所看到的图像，必须先将事物的三维结构从二维的图像中恢复出来，这就是所谓的“三维重构”的方法。

借鉴之二是人们认为人之所以能识别出一个苹果，是因为人们已经知道了苹果的先验知识，比如苹果是红色的、圆的、表面光滑的，如果给机器也建立一个这样的知识库，让机器将看到的图像与库里的储备知识进行匹配，是否可以让机器识别乃至理解它所看到的东西呢，这是所谓的“先验知识库”的方法。

这一阶段的应用主要是一些光学字符识别、工件识别、显微/航空图片的识别等等，

九十年代，计算机视觉技术取得了更大的发展，也开始广泛应用于工业领域。一方面原因是CPU、DSP等图像处理硬件技术有了飞速进步;另一方面是人们也开始尝试不同的算法，包括统计方法和局部特征描述符的引入。

进入21世纪，得益于互联网兴起和数码相机出现带来的海量数据，加之机器学习方法的广泛应用，计算机视觉发展迅速。以往许多基于规则的处理方式，都被机器学习所替代，自动从海量数据中总结归纳物体的特征，然后进行识别和判断。

这一阶段涌现出了非常多的应用，包括典型的相机人脸检测、安防人脸识别、车牌识别等等。

2010年以后，借助于深度学习的力量，计算机视觉技术得到了爆发增长和产业化。通过深度神经网络，各类视觉相关任务的识别精度都得到了大幅提升。

在全球威望的计算机视觉竞赛ILSVR(ImageNet Large Scale VisualRecognition Competition)上，千类物体识别Top-5错误率在2010年和2011年时分别为28.2%和25.8%，从2012年引入深度学习之后，后续4年分别为16.4%、11.7%、6.7%、3.7%，出现了明显突破。

计算机视觉技术的应用场景也快速扩展，除了在比较成熟的安防领域应用外，也有应用在金融领域的人脸识别身份验证、电商领域的商品拍照搜索、医疗领域的智能影像诊断、机器人/无人车上作为视觉输入系统等，包括许多有意思的场景：照片自动分类(图像识别+分类)、图像描述生成(图像识别+理解)等等。

计算机视觉中的三个概念

计算机视觉：指对图像进行数据采集后提取出图像的特征，一般处理的图像的数据量很大，偏软件层

机器视觉：处理的图像一般不大，采集图像数据后进行较低数据流的计算，偏硬件层，多用于工业机器人、工业检测等

图像处理：对图像数据进行转换变形，方式包括降噪、傅利叶变换、小波分析等，图像处理技术的主要内容包括图像压缩，增强和复原，匹配、描述和识别3个部分。

计算机视觉是指利用计算机来模拟人的视觉，是人工智能中的“看”。从技术流程上来说，分为目标检测、目标识别、行为识别三个部分。根据识别的目标种类可以分为图像识别、物体识别、人脸识别、文字识别等。在智能机器人领域，计算机视觉可以对静态图片或动态视频中的物体进行特征提取、识别和分析，从而为后续的动作和行为提供关键的信息。

近年来，基于计算机视觉的智能视频监控和身份识别等市场逐渐成熟扩大，机器视觉的技术和应用趋于成熟，广泛应用于制造、 安检、图像检索、医疗影像分析、人机交互等领域。

 是一家专注于提供机器视觉、智能制造等技术服务及解决方案，是专门定制机器视觉集成设备的提供商。