标签：
以前一直在实验室，接触的是图像的算法部分，至于是机器视觉还是计算机视觉傻傻分不清楚，也没有细分的必要，后来实习进入工业界，发现还是有必要把机器视觉单独拿出来，给他一个名分，同时整理一下自己对机器视觉的认识。
机器视觉，机器排在前面，当然离不开机器，机器越来越智能，代替人的工作，我们称之为机器人，经过多年的发展，工业机器人进化到第三代，第一代示教再现机器人，就是固定点位运动，第二代加入了对工作环境的仿真再规划路径，第三代智能机器人则加入了各种传感器，使之灵活调整工作状态，加入了相机镜头则引入了机器视觉这一概念，"机器视觉"，即采用机器代替人眼来做测量和判断。
机器视觉系统是指通过机器视觉产品（即图像摄取装置，分CMOS和CCD两种）把图像抓取到，然后将该图像传送至处理单元，通过数字化处理，根据像素分布和亮度、颜色等信息，来进行尺寸、形状、颜色等的判别。进而根据判别的结果来控制现场的设备动作。现在工业上主要用来定位，测量，检测。
以下是实习经历的体会：
1，算法不是全部
在工业运用当中，机器视觉系统设计是一个庞大的工程，它包括硬件选择，比如相机，镜头，采集卡，光源，PC或者FPGA,DSP之类；确定打光方案；算法设计。而在学校里面，学习的大部分是图像处理相关知识，针对给定的图像，设计合理算法，尽可能从算法上上解决问题，以为算法厉害了就万事大吉。而在工业上，则试图通过硬件选择和合理的打光来输出理想的图像，为算法设计提供最大方便，有时候，算法变得不那么重要，巧妙的打光可以化解大部分难题。所以想要在机器视觉方面有所作为不仅需要熟悉算法，更是要积累硬件，打光方面的经验。
2，解决疑难杂症
在学校实验室里验证新的算法的时候，我们总是试图找到某些理想的条件，比如一致性好的图片，特征明显的样本，来证明我们的算法能够很好地解决一类问题，一些疑难杂症被不自觉的屏蔽了。但是在工业运用时，主要需要解决的是就是疑难杂症，通过合理的打光，针对理想的输入图像，简单的算法就能搞定，但是对于不友好的图像，比如，图像的边缘处，对比度低的地方，当然不能不自觉的屏蔽掉，大部分时间都在想办法处理这些疑难杂症。
3，简单可靠省时
在学校里，总是爱给老的算法加上一些新鲜的成分，使他它变得更时髦，哪怕时间开销蹭蹭往上涨；对于一些简单问题，也喜欢用复杂的方法解决，表现出腻害的样子。但在工业上，这些都行不通了，我能说实习六个月，一个团队所有的工作，一个一点都不LOW的工程，算法工作的核心就是-----阈值，这个阈值看上去很简单，其实不然，能够保证在极端的情况下满足生产的要求，阈值也是巨大的生产力。工业上算法的选择都是权衡利弊的考虑，既要有效，又要时间开销小，不存在完美的算法，大部分的选择都是折中的结果，将简单算法的潜力发挥到极致，解决问题才是根本。
要解决的问题：
1，成像质量
2，一致性
标签：
原文地址：http://www.cnblogs.com/yssongest/p/4499118.html
