軋製過程

[拼音]：jiqi shijue

[英文]：machine vision

計算機根據輸入的二維影象來分析、理解原來三維物景的過程和技術，又稱計算機視覺，是人工智慧的一個重要分支。計算機視覺的實現過程是：首先將輸入的影象變換為便於進一步處理的影象，稱影象預處理，接著抽取影象的特徵，建立影象基元，並判定影象所屬的類（見模式識別）；然後是理解階段，根據事先儲存的知識對輸入影象本身及其所反映的物景進行描述或解釋。在人工智慧的早期研究中，景物分析的術語常用來強調三維物景與二維影象處理的區別（見影象分析）。

機器視覺的研究是從 20世紀 60年代中期美國學者L.R.羅伯茲關於理解多面體組成的積木世界研究開始的。當時運用的預處理、邊緣檢測、輪廓線構成、物件建模、匹配等技術，後來一直在機器視覺中應用。羅伯茲在影象分析過程中，採用了自底向上的方法。用邊緣檢測技術來確定輪廓線，用區域分析技術將影象劃分為由灰度相近的畫素組成的區域，這些技術統稱為影象分割。其目的在於用輪廓線和區域對所分析的影象進行描述，以便同機記憶體儲的模型進行比較匹配。實踐表明，只用自底向上的分析太困難,必須同時採用自頂向下,即把目標分為若干子目標的分析方法，運用啟發式知識對物件進行預測。這同言語理解中採用的自底向上和自頂向下相結合的方法是一致的。在影象理解研究中，A.古茲曼提出運用啟發式知識，表明用符號過程來解釋輪廓畫的方法不必求助於諸如最小二乘法匹配之類的數值計算程式。

70年代，機器視覺形成幾個重要研究分支：

（1）目標制導的影象處理；

（2）影象處理和分析的並行演算法；

（3）從二維影象提取三維資訊；

（4）序列影象分析和運動參量求值；

（5）視覺知識的表示；

（6）視覺系統的知識庫等。

機器視覺的應用主要有檢測和機器人視覺兩個方面。

（1）檢測：又可分為高精度定量檢測（例如顯微照片的細胞分類、機械零部件的尺寸和位置測量）和不用量器的定性或半定量檢測（例如產品的外觀檢查、裝配線上的零部件識別定位、缺陷性檢測與裝配完全性檢測）。

（2）機器人視覺：用於指引機器人在大範圍內的操作和行動，如從料斗送出的雜亂工件堆中揀取工件並按一定的方位放在傳輸帶或其他裝置上（即料斗揀取問題）。至於小範圍內的操作和行動，還需要藉助於觸覺感測技術。

機器視覺技術比較複雜，最大的困難在於人的視覺機制尚不清楚。人可以用內省法描述對某一問題的解題過程，從而用計算機加以模擬。但儘管每一個正常人都是“視覺專家”，卻不可能用內省法來描述自己的視覺過程。因此建立機器視覺系統是十分困難的任務。

參考書目