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

简单来说区别首先是应用场景不一样,MV 眼睛对着机器,CV 眼睛对着人。

计算机视觉学术一些,更偏软件;

机器视觉软硬件都包括(采集设备,光源,镜头,控制,机构,算法等。),指的是系统,更偏实际应用。因此更多的是把机器视觉,叫做机器视觉系统

主观感觉上:
MV 机器视觉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 计算机视觉更多注重(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)

机器视觉与计算机视觉有区别吗?-机器视觉_视觉检测设备_3D视觉_缺陷检测

其次,我感觉比较大的区别,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。

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。

机器视觉与计算机视觉的主要区别应该是应用上的不同,机器视觉侧重于工业视觉,计算机视觉侧重于商用视觉应用

另外是在计算能力上,在计算机和机器人的计算能力中,前者几乎可以是无限的,而后者的算法必须考虑控制计算规模。