机器视觉与计算机视觉的区别和共同之处
1个回答
展开全部
计算机视觉与机器视觉,首先是应用场景不一样,就像视远图像赵旭回答的那样:你把摄像头对着人就是CV,对着车间就是MV。
计算机视觉和机器视觉应用场景不同,就像拉货车和载客车是的,侧重点不同而已,一个侧重人工智能分支,一个侧重工业应用!简单说起来的话,计算机视觉偏重于深度学习并且偏向软件,机器视觉偏重于特征识别同时对硬件方面要求也比较高,不过随着对智能识别要求越来越高的发展,这两个方向毕竟会互相渗透互相融合,区别也仅仅限于应用领域不同而已。
其次,我感觉最大的区别,在于技术要求的侧重点不一样,甚至差别很大。
计算机视觉,主要是对质的分析,比如分类识别,这是一个杯子那是一条狗。或者做身份确认,比如人脸识别,车牌识别。或者做行为分析,比如人员入侵,徘徊,遗留物,人群聚集等。
机器视觉,主要侧重对量的分析,比如通过视觉去测量一个零件的直径,一般来说,对准确度要求很高。我记得以前接触过一个需求: 视觉测量铁路道岔缺口。哥刚毕业的时候在铁路上班,做过控制系统,还开过内燃机车,很清楚道岔缺口的重要性,这玩意儿你说要是测不准,呵呵:)
当然,也不能完全按质或量一刀切,有些计算机视觉应用也需要分析量,比如商场的人数统计。有些机器视觉也需要分析质,比如零件自动分拣。但,计算机视觉一般来说对量的要求不会很高,商场人数统计误差个百分之几死不了人的,但机器视觉真的会,比如那个道岔缺口测量。
既然要求这么高,是不是机器视觉就比计算机视觉难呢?也不是的,应该说各有各的难处。
计算机视觉的应用场景相对复杂,要识别的物体类型也多,形状不规则,规律性不强。有些时候甚至很难用客观量作为识别的依据,比如识别年龄,性别。所以深度学习比较适合计算机视觉。而且光线,距离,角度等前提条件,往往是动态的,所以对于准确度要求,一般来说要低一些。
机器视觉则刚好相反,场景相对简单固定,识别的类型少(在同一个应用中),规则且有规律,但对准确度,处理速度要求都比较高。关于速度,一般机器视觉的分辨率远高于计算机视觉,而且往往要求实时,所以处理速度很关键,目前基本上不适合采用深度学习。
以上讨论的是技术,商业方面,计算机视觉的应用面更广一些,毕竟很多业务是跟人相关,比如人脸识别,行为分析等,很多垂直领域都有计算机视觉潜在需求,相对来说,更适合创业;
而机器视觉顾名思义,业务主要跟机器相关,而且对准确度甚至安全性要求很高,也就在资质品牌方面有较高的门槛,所以寡头垄断严重,一般来说,更适合上班而不是创业。
机器视觉(Machine Vision, MV) & 计算机视觉(Computer Vision, CV)
从学科分类上, 二者都被认为是 Artificial Intelligence 下属科目.
有几个分支:
一个是图像处理,主要是信号与系统,统计,优化
一个是求解景物与图像之间的关系,如立体视觉、三维重建,主要是几何
一个是模式识别,例如如何分割图像、识别目标,主要是人工智能
但实际提及时, 主观感觉上
MV 更多注重广义图像信号(激光,摄像头)与自动化控制(生产线)方面的应用。
CV 更多注重(2D, 3D)图像信号本身的研究以及和图像相关的交叉学科研究(医学图像分析,地图导航)。
计算机视觉和机器视觉应用场景不同,就像拉货车和载客车是的,侧重点不同而已,一个侧重人工智能分支,一个侧重工业应用!简单说起来的话,计算机视觉偏重于深度学习并且偏向软件,机器视觉偏重于特征识别同时对硬件方面要求也比较高,不过随着对智能识别要求越来越高的发展,这两个方向毕竟会互相渗透互相融合,区别也仅仅限于应用领域不同而已。
其次,我感觉最大的区别,在于技术要求的侧重点不一样,甚至差别很大。
计算机视觉,主要是对质的分析,比如分类识别,这是一个杯子那是一条狗。或者做身份确认,比如人脸识别,车牌识别。或者做行为分析,比如人员入侵,徘徊,遗留物,人群聚集等。
机器视觉,主要侧重对量的分析,比如通过视觉去测量一个零件的直径,一般来说,对准确度要求很高。我记得以前接触过一个需求: 视觉测量铁路道岔缺口。哥刚毕业的时候在铁路上班,做过控制系统,还开过内燃机车,很清楚道岔缺口的重要性,这玩意儿你说要是测不准,呵呵:)
当然,也不能完全按质或量一刀切,有些计算机视觉应用也需要分析量,比如商场的人数统计。有些机器视觉也需要分析质,比如零件自动分拣。但,计算机视觉一般来说对量的要求不会很高,商场人数统计误差个百分之几死不了人的,但机器视觉真的会,比如那个道岔缺口测量。
既然要求这么高,是不是机器视觉就比计算机视觉难呢?也不是的,应该说各有各的难处。
计算机视觉的应用场景相对复杂,要识别的物体类型也多,形状不规则,规律性不强。有些时候甚至很难用客观量作为识别的依据,比如识别年龄,性别。所以深度学习比较适合计算机视觉。而且光线,距离,角度等前提条件,往往是动态的,所以对于准确度要求,一般来说要低一些。
机器视觉则刚好相反,场景相对简单固定,识别的类型少(在同一个应用中),规则且有规律,但对准确度,处理速度要求都比较高。关于速度,一般机器视觉的分辨率远高于计算机视觉,而且往往要求实时,所以处理速度很关键,目前基本上不适合采用深度学习。
以上讨论的是技术,商业方面,计算机视觉的应用面更广一些,毕竟很多业务是跟人相关,比如人脸识别,行为分析等,很多垂直领域都有计算机视觉潜在需求,相对来说,更适合创业;
而机器视觉顾名思义,业务主要跟机器相关,而且对准确度甚至安全性要求很高,也就在资质品牌方面有较高的门槛,所以寡头垄断严重,一般来说,更适合上班而不是创业。
机器视觉(Machine Vision, MV) & 计算机视觉(Computer Vision, CV)
从学科分类上, 二者都被认为是 Artificial Intelligence 下属科目.
有几个分支:
一个是图像处理,主要是信号与系统,统计,优化
一个是求解景物与图像之间的关系,如立体视觉、三维重建,主要是几何
一个是模式识别,例如如何分割图像、识别目标,主要是人工智能
但实际提及时, 主观感觉上
MV 更多注重广义图像信号(激光,摄像头)与自动化控制(生产线)方面的应用。
CV 更多注重(2D, 3D)图像信号本身的研究以及和图像相关的交叉学科研究(医学图像分析,地图导航)。
长荣科机电
2024-10-27 广告
2024-10-27 广告
机器视觉系统是现代工业中不可或缺的重要技术,它通过模拟人类视觉功能,实现对物体的识别、测量和判断。在深圳市长荣科机电设备有限公司,我们致力于提供先进的机器视觉解决方案,助力企业提升生产效率和产品质量。我们的机器视觉系统集成了高精度图像采集、...
点击进入详情页
本回答由长荣科机电提供
推荐律师服务:
若未解决您的问题,请您详细描述您的问题,通过百度律临进行免费专业咨询