机器视觉的核心技术是指支撑其完成“图像获取—处理—分析—决策”全过程的关键技术模块。这些技术共同决定了系统的精度、速度、鲁棒性和适用场景。以下是机器视觉的五大核心技术：
1. 图像采集与传感技术
这是机器视觉的“眼睛”，负责将物理世界的光学信息转化为数字信号。
工业相机：高分辨率、高帧率、全局快门（避免运动模糊）。
镜头与光学系统：远心镜头（用于精密测量）、变焦镜头、滤光片等。
光源设计：结构光、同轴光、背光、红外/紫外照明，用于增强目标特征、抑制干扰。
3D传感技术：
双目立体视觉
激光三角测量
结构光投影（如iPhone Face ID）
ToF（飞行时间）
核心目标：获取清晰、稳定、特征突出的原始图像。
2. 图像预处理技术
对原始图像进行优化，为后续分析提供高质量输入。
去噪（中值滤波、高斯滤波）
对比度增强（直方图均衡化）
几何校正（畸变矫正、透视变换）
图像二值化、边缘锐化
背景差分（用于动态目标提取）
核心目标：提升信噪比，突出关键特征。
3. 特征提取与表示
从图像中提取可用于识别或测量的“关键信息”。
传统方法：
边缘检测（Canny、Sobel）
角点检测（Harris、FAST）
形状描述子（Hu矩、轮廓傅里叶描述）
纹理分析（LBP、GLCM）
深度学习方法：
CNN自动学习多层次特征（如ResNet、EfficientNet）
Vision Transformer（ViT）捕捉全局依赖
核心目标：将图像转化为可计算、可比较的数值特征。
4. 目标检测、识别与测量
这是机器视觉的“大脑”，实现具体任务逻辑。
模板匹配：用于定位已知形状（如零件定位）
OCR（光学字符识别）：读取产品序列号、日期码
缺陷检测：
基于规则（阈值、形态学）
基于深度学习（AutoEncoder、YOLOv8-seg、U-Net）
尺寸测量：像素标定 → 实际尺寸换算（需高精度标定板）
三维重建与位姿估计：用于机器人抓取、装配引导
核心目标：从图像中“理解”内容并量化结果。
5. 系统集成与实时决策
将算法嵌入到实际工业或应用场景中，形成闭环。
嵌入式视觉系统：如NVIDIA Jetson、Intel Movidius
通信协议：GigE Vision、USB3 Vision、Camera Link
与PLC/机器人联动：通过Modbus、EtherCAT等控制执行机构
软件平台：Halcon、VisionPro、OpenCV、PyTorch + 自研框架
核心目标：实现高速、稳定、可靠的自动化闭环控制。
补充：新兴融合技术
深度学习 + 传统视觉：用AI提升泛化能力，保留传统方法的可解释性与低延迟。
多传感器融合：视觉 + 激光雷达 + IMU，提升环境感知鲁棒性。
自监督/小样本学习：解决工业场景中标注数据稀缺的问题。
Tags：滤光片 变焦镜头