專業的人清楚機器視覺和計算機視覺的區別，但對于剛入行的人來說，就很不了解這兩者有什么區別，這兩者的作用是什么？帶著這兩個疑問，我們現在就隨東莞康耐德智能一起來了解下吧!

　　機器視覺 Machine Vision, MV，

　　計算機視覺 Computer Vision, CV。

　　東莞康耐德智能告訴您，從學科分類上， 二者都被認為是 Artificial Intelligence，下屬科目簡單來說區別首先是應用場景不一樣，MV眼睛對著機器，CV眼睛對著人。計算機視覺學術一些，更偏軟件;

　　機器視覺軟硬件都包括(采集設備，光源，鏡頭，控制，機構，算法等。)，指的是系統，更偏實際應用。因此更多的是把機器視覺，叫做機器視覺系統。

　　主觀感覺上：

　　MV 機器視覺更多注重廣義圖像信號(激光，攝像頭)與自動化控制(生產線)方面的應用。

　　CV 計算機視覺更多注重(2D, 3D)圖像信號本身的研究以及和圖像相關的交叉學科研究(醫學圖像分析，地圖導航)

　　其次，我感覺比較大的區別，在于技術要求的側重點不一樣，甚至差別很大。

　　計算機視覺，主要是對質的分析，比如分類識別，這是一個杯子那是一條狗。或者做身份確認，比如人臉識別，車牌識別。或者做行為分析，比如人員入侵，徘徊，遺留物，人群聚集等。

　　機器視覺，主要側重對量的分析，比如通過視覺去測量一個零件的直徑，一般來說，對準確度要求很高。我記得以前接觸過一個需求: 視覺測量鐵路道岔缺口。

　　當然，也不能完全按質或量一刀切，有些計算機視覺應用也需要分析量，比如商場的人數統計。有些機器視覺也需要分析質，比如零件自動分揀。但計算機視覺一般來說對量的要求不會很高，商場人數統計誤差個百分之幾死不了人的，但機器視覺真的會，比如那個道岔缺口測量。

　　既然要求這么高，是不是機器視覺就比計算機視覺難呢?也不是的，應該說各有各的難處。

　　計算機視覺的應用場景相對復雜，要識別的物體類型也多，形狀不規則，規律性不強。有些時候甚至很難用客觀量作為識別的依據，比如識別年齡，性別。所以深度學習比較適合計算機視覺。而且光線，距離，角度等前提條件，往往是動態的，所以對于準確度要求，一般來說要低一些。

　　機器視覺則剛好相反，場景相對簡單固定，識別的類型少(在同一個應用中)，規則且有規律，但對準確度，處理速度要求都比較高。關于速度，一般機器視覺的分辨率遠高于計算機視覺，而且往往要求實時，所以處理速度很關鍵，目前基本上不適合采用深度學習。

　　以上討論的是技術，商業方面，計算機視覺的應用面更廣一些，畢竟很多業務是跟人相關，比如人臉識別，行為分析等，很多垂直領域都有計算機視覺潛在需求，相對來說，更適合創業;

　　而機器視覺顧名思義，業務主要跟機器相關，而且對準確度甚至安全性要求很高，也就在資質品牌方面有較高的門檻，所以寡頭壟斷嚴重，一般來說，更適合上班而不是創業。

　　機器視覺與計算機視覺的主要區別應該是應用上的不同，機器視覺側重于工業視覺，計算機視覺側重于商用視覺應用

　　另外是在計算能力上，在計算機和機器人的計算能力中，前者幾乎可以是無限的，而后者的算法必須考慮控制計算規模。

       通過以上的分析，相信您已經對機器視覺與計算機視覺的區別有所了解，如果您還有疑問，可聯系我們！