文 / 小编阿牛 · GIAI 激埃特光电

大约二十年前，我第一次接触机器视觉。那是一台需要自动寻找产品定位片的设备，定位片只有指甲盖大小，人眼扫一下就能看到，换成机器却没那么轻松：找一次要等上好几秒，等出了结果，还经常是错的。

那种感觉我到今天都记得，就像看老奶奶穿绣花针，线头在针眼前面来回试探，明明只差一点点，却总是对不准。站在旁边的人干着急，它还在不紧不慢地找。

需要说明的是，这只是我当年碰到的那一台设备、那一个应用，代表不了当时整个行业的水平。但对第一次见识机器视觉的我来说，它留下的第一印象确实有点笨拙。

一晃二十年过去了。当年让我等得着急的这项技术，如今发展到了什么程度？从找一块定位片，到检查细小缺陷，再到引导机器人从一堆零件里伸手取物，中间到底经历了什么？

趁着 2026 年中国（深圳）机器视觉展暨机器视觉技术及工业应用研讨会举办，小编阿牛想和大家一起把这段历史捋一捋。

一、机器的第一眼：从一张婴儿照片说起

要给机器视觉找一个公认的“生日”并不容易。图像数字化、模式识别、人工智能、光学成像和工业自动化，几条线索各自发展、逐渐交汇，才有了今天的样子。如果要挑一个有代表性的早期节点，有一张照片很合适。

1957 年，在美国国家标准局，也就是今天美国国家标准与技术研究院（NIST）的前身，研究人员 Russell Kirsch 和同事把一张婴儿照片扫描进了计算机。照片上是他的儿子，图像只有 176 × 176 个像素，用今天的眼光看实在算不上清晰，却是数字图像发展史上一个标志性的成果。它解决的是最基础的问题：把现实中的图像变成计算机能够处理的数字。^[2]

可是有了数字，机器就知道照片里是一个婴儿了吗？还差得很远。人看照片时，会很自然地把人物和背景分开，认出眼睛、鼻子和脸；计算机拿到的只是一组组像素值，它得从这些数值里判断哪里有亮暗变化，哪些变化连成边界，哪些边界又属于同一个物体。

1963 年，Lawrence G. Roberts 在麻省理工学院完成博士论文《三维实体的机器感知》，研究如何从图像中分析具有明确几何形状的物体，这是早期计算机视觉的重要工作之一。^[3]

之所以先从积木这类几何体入手，是因为它们的边、面和结构都比较清楚。先在一个简化的世界里弄明白轮廓和空间的关系，才谈得上去处理更复杂的物体。

1966 年，MIT 又留下了一份颇有名气的文件《夏季视觉计划》。它设想先把图像划分成可能的物体、背景等区域，再对这些区域进行描述，最后识别出物体。今天回头再看，这份计划里的不少问题，依然写在现代视觉系统的任务清单上。^[4]

从像素中找出物体，再由物体推断真实世界，这条路人们已经走了几十年。

二、走进工厂：先把一道具体的题做对

研究人员关心的是机器如何理解世界，工厂关心的则是另一类问题：这个零件装反了没有？字符印对了没有？产品有没有漏装？目标的中心到底在哪里？

这些任务有个共同点，就是范围可以约束。工厂可以固定相机、布置光源、设计夹具，让产品从预定的位置经过。问题被限定得足够清楚，机器就有机会把一件事反复做好，这也是工业视觉的发展始终离不开现场条件控制的原因。

硬件也在一步步铺路。1969 年，Willard Boyle 和 George Smith 在贝尔实验室提出了 CCD，也就是电荷耦合器件，由此发展起来的 CCD 图像传感器，成为电子成像的重要基础之一。^[5]

相机把图像转换成电信号，计算设备处理这些信号，工业控制系统再根据结果执行动作，从成像到生产决策的完整链条逐渐成形。

1982 年，Cognex 推出了 DataMan 工业字符识别系统，用来读取产品表面的字母、数字和符号。这是早期工业视觉商业化的一个具体例子，也说明早在上世纪八十年代，机器视觉就已经走进了实际生产。^[6]

同样是 1982 年，David Marr 的《视觉》一书出版。他从计算的角度讨论视觉，试图解释图像如何一步步形成对外部环境的表示，这本书对后来的视觉研究影响深远。^[7]

理论研究和工业应用，就这样沿着各自的需求向前推进：一边追问视觉为什么能够发生，一边去解决生产线上必须解决的具体问题。

对工厂来说，一套系统值不值得买，要看它能否在规定的节拍内持续给出可用的判断。认出一个字符、找到一个孔、确认一个元件的方向，任何一项做得稳定可靠，都可能成为引进它的理由。

三、二十年前，一块定位片为什么也能难住机器

说到这里，再回头看我当年遇到的那台设备，就容易理解一些了。那时候机器视觉已经有相当多的成熟应用，难点在于把技术装进一台具体的设备，再让它适应某个真实的产品，要处理的事情远比“买台相机、跑个程序”多得多。

以找定位片为例，工程师通常要事先告诉系统：目标大致是什么形状，在哪个范围里搜索，允许旋转多少，图像相似到什么程度才算找到。

常用的方法包括利用亮暗差异分离区域、提取边缘，以及把当前图像与预先建立的模板做匹配。后来发展起来的几何匹配方法，更多依靠轮廓等几何特征，在适用条件下，对旋转、尺寸变化等情况的适应能力更好。Cognex 的资料记录其 PatMax 几何匹配工具推出于 1997 年。^[6]

这些方法到今天依然好用，一个轮廓清楚、背景稳定的定位任务，用合适的传统方法可以做得很快，结果也便于解释。

麻烦常常来自现场的变化：产品位置偏了一点，表面多了一层油膜，反光角度变了，背景里出现了相似的形状，或者同一批产品本身外观就有差异。工程师原以为稳定的特征，这时可能变得不再稳定。

系统于是可能找不到，也可能把别的东西当成目标；为了提高成功率去扩大搜索范围、增加匹配条件，又可能带来额外的计算量。

至于我当年看到的那台设备究竟慢在哪里、为什么会误判，今天已经没有足够的资料去复盘。算力、成像、算法、搜索设置和机械配合都可能影响它的表现，单凭一段记忆，没法把问题归到某一个原因上。

能确定的是，过去二十年的进步来自整套系统。处理器更强了，传感器和照明方案的选择更多了，软件工具更完整了，设备之间的连接也更规范了。

2006 年，GigE Vision 相机接口标准正式发布；GenICam 则为不同接口的相机提供了通用的编程接口，减少了系统集成时反复适配的工作量。^[8]

这些变化远不如“机器突然学会思考”那样吸引眼球，却实实在在让设备更容易开发、维护和复制，机器视觉也从一个高度依赖专门经验的项目，慢慢变成更多设备厂能够调用的工程工具。

四、2012 年以后，机器开始从样本中学习

传统视觉擅长处理规则明确的问题，可有些缺陷很难用几条规则写清楚。同样叫划伤，有的细长、有的弯曲，有的发亮、有的发暗，材料本身的天然纹理也可能长得像划伤。

再比如一个印得不完整的字符，人看着照样认得出来，按固定轮廓去匹配却可能遇到困难。工程师往往得为这些情况一条条补规则，规则之间还可能互相影响，产品一换，又得接着调。

2012 年，AlexNet 在 ImageNet 图像识别竞赛中取得突破。它借助深层卷积神经网络和 GPU 计算，展示了从大量图像中学习特征的潜力，成为深度学习推动视觉发展的一个重要节点。^[9]

这股变化随后逐渐进入工业领域：工程师收集样本，标注类别或缺陷区域，再训练模型，让系统学会哪些图像特征与任务相关。

说得直白一点，过去需要人把判断依据一条条写出来，现在可以把一部分特征学习交给模型。但任务怎么定义、样本是否可靠、判断标准怎么制定，仍然要由人来负责。

工业现场很快又碰到一个现实问题：好产品天天都有，某种严重缺陷却可能很久才出现一次，缺陷样本不够怎么办？

异常检测提供了另一种思路，先让模型学习正常产品的外观，再找出与正常模式明显不同的区域。2019 年提出的 MVTec AD 数据集为工业异常检测提供了重要的研究基准，它的训练集使用无缺陷图像，测试集则同时包含正常和异常情况。^[10]

不过，“看起来不正常”和“必须判废”之间，还隔着一道质量标准。允许存在的纹理差异可能被误报，外观变化不明显的缺陷也可能被漏掉。所以异常检测同样需要设定阈值，用有代表性的样本做验证，并与实际的验收要求对应起来。

深度学习扩大了机器能够应对的外观变化范围，但生产线最终要回答的问题没有变：哪些错误可以接受，哪些错误必须拦住。

实际方案也常常把多种方法组合起来，例如先用几何定位确定检测区域，再用学习模型识别缺陷，最后用尺寸、位置或工艺规则做进一步判断。工具之间完全可以协作，关键在于是否适合这项任务。

五、从平面找位置，到伸手抓住三维世界

如果零件都整整齐齐地躺在同一个平面上，二维图像往往已经能解决不少问题。可现实中的料箱经常是另一番景象：零件堆在一起、姿态各异、互相遮挡，有的平放，有的侧立，有的只露出一部分。

这时候只知道目标在画面里偏左还是偏右就不够了，系统还得知道它的高度和朝向，以及哪些位置适合夹爪接近。

三维视觉就是为这类空间信息提供支持的。它的研究起步很早，近些年的变化在于传感器、计算、软件和机器人系统配合得越来越好，让更多三维任务具备了实际应用的条件。

获取深度信息的技术路线各不相同。双目视觉利用不同视角之间的对应关系；结构光向物体投射已知图案，根据图案的变化恢复表面形状；激光三角测量则利用投射光线与观察方向之间的几何关系测量轮廓。^[11][12]

这些技术的结果常常表示为点云，也就是一组带有空间坐标的点，它为机器人规划抓取动作提供了所需的几何信息。

但从“拿到点云”到“抓住零件”，中间还有一连串工作要做：识别目标、估计姿态，把相机中的位置换算到机器人使用的坐标，选定抓取位置，再检查夹爪会不会和周围物体发生碰撞。

相机和机器人之间的坐标关系需要通过标定等步骤建立；视觉定位准了，机械执行也得跟上；夹爪选得不合适，图像分析做得再好，零件照样可能滑落。

三维视觉也有自己的难题。被遮挡的表面无法直接测出来；透明材料可能让光直接穿过去；强反光表面则可能把投射图案反射到别处，造成三维数据缺失或失真。^[12]

所以，看到机器人从乱堆里取出一个零件时，更值得关注的是它背后那条完整的链：看到了多少有效信息，怎样决定抓哪里，又如何把判断变成稳定的动作。所谓“眼到手到”，靠的正是这条链。

六、走到 2026 年，机器视觉到了哪一步

今天再问机器视觉发展到了什么程度，很难用“比以前快了多少倍”来回答。简单定位、复杂外观检测、三维重建和机器人操作，处理的数据量、难度和完成标准各不相同，放在一起比一个速度数字，意义有限。

更有用的看法，是看它如今能够参与哪些生产任务。

在条件受控的场景中，机器视觉可以完成定位、读码、装配检查和尺寸检测；配合合适的成像倍率、镜头、照明和标定，它也可以用于细小特征的观察与测量。不过检测精度必须对应具体的系统和测试条件，不能直接拿相机的像素数来代替。^[13]

在需要空间信息的场景中，三维视觉能够支撑表面测量、姿态估计，以及经过工程验证的机器人抓取任务。二维和三维各有适用范围，很多实际系统会同时利用外观信息和深度信息。

更前沿的探索，开始把图像、语言和动作联系起来。2023 年提出的 RT-2 是视觉语言动作模型的一项代表性研究，它尝试把视觉语言模型中的知识与机器人操作数据结合起来，让机器人根据观察和指令生成动作。^[14]

和传统的固定工位相比，研究者希望机器人能够借助对物体和语言的理解，去处理训练数据未直接覆盖、或没有逐项编写规则的新任务。

这类研究结果需要和已经通过工业验收的成熟工位分开来看：研究演示能完成某个操作，并不自动说明它可以满足一条产线对节拍、可靠性和维护的要求。

即便是在外观检测领域，换一盏灯、换一种材料、换一批表面纹理，仍可能影响模型的表现。MVTec AD 2 的研究就把透明及重叠物体、细小缺陷、照明变化等更贴近真实工业环境的问题纳入了评估，相关论文已于 2026 年发表在《国际计算机视觉杂志》上。^[15]

这些问题仍在被认真研究，说明机器视觉虽然已经很强，真实工厂里依然有大量值得解决的难题。

对使用者来说，还有两组数字特别容易混淆。

第一组是算法计算时间和设备完整节拍。处理一张图像的时间之外，还可能有触发、曝光、传输、通信和机械动作的等待，采购设备时需要核对从任务开始到结果落实的全过程。

第二组是测试准确率和现场损失。坏产品漏过去和好产品被误剔，代价并不相同，只看一个汇总比例，可能把关键问题掩盖掉；生产线更关心的，是在真实的产品比例、批次变化和连续运行条件下，系统分别会犯多少次这两类错误。

机器视觉的能力边界在扩大，评价它的方法也需要更加具体。

七、算法越来越强，光学为什么仍然不能凑合

聊到这里，做光学的朋友大概会想：我们天天打交道的镜头、光源和滤光片，在这段历史里扮演什么角色？

简单说，它们决定了送进算法的原始信息是什么样子。一个缺陷如果在图像里被反光盖住，或者和背景几乎没有差异，后面的判断就会非常困难。算法可以利用图像中已有的线索，却不能保证找回曝光饱和区域里已经丢失的细节。

还拿找定位片来说。人觉得它好找，部分原因在于人会自然地换个观察角度、避开反光，也知道该盯着哪一部分看。固定安装的相机通常不会像人一样主动调整视角，需要工程师提前把成像条件设计好，其中很重要的一项工作，就是提高目标与背景之间的有效对比度。

如果系统使用特定波段的主动照明，可以评估选用与之匹配的带通滤光片，减少通带以外的环境光进入相机。对于某些反光表面，也可以评估在照明端和接收端配合使用偏振方案，减弱干扰观察的镜面反射。^[16]

当然，滤光片并不会自动解决所有干扰：同样落在通带内的背景光仍然可能进入系统，偏振方案也要结合材料、角度和有效信号的损失综合评估。

选用干涉滤光片时，还应把入射角和光束的角度范围考虑进去。对常见的干涉型带通滤光片来说，入射角从垂直入射逐渐增大时，通带通常会向短波方向移动；当入射光包含一定角度范围时，还可能出现通带展宽、峰值透过率变化等情况。实际效果需要结合具体膜系与光束条件评估，不能只看垂直入射下的一条光谱曲线。^[16]

运动中的目标又带来另一组要求。曝光时间过长，物体在曝光期间发生移动，图像就会出现拖影；某些逐行曝光的快门方式还可能造成运动形变。全局快门有助于避免逐行曝光带来的形变，但要控制运动模糊，仍然需要合适的曝光时间和照明来配合。^[13]

所以，一个定位任务能不能跑好，牵涉到光源波段、照明方向、镜头成像、滤光方式、曝光、算法和运动控制之间的配合。

二十年来，计算能力大幅进步，这些光学和成像上的基本功也一直在进步。今天的好系统，往往在图像采集阶段就已经替后面的分析减少了很多困难。

八、这次逛展，阿牛更想看看“出了变化以后怎么办”

再去逛机器视觉展，我当然也想看看更快的相机、更清晰的成像，还有那些抓取动作干净利落的机器人。但如果能和展商多聊一会儿，我更想了解他们怎样应对实际生产中的变化。

同一个零件换个方向，还能不能继续检测？表面多一点反光，结果是否依然稳定？换了批次或型号，需要重新调多少参数？抓取失败之后，设备怎样发现问题，又怎样继续运行？这些细节，往往决定一个方案能不能真正放到车间里。

看检测演示时，不妨留意样品是否覆盖了正常差异和典型缺陷；看速度时，可以了解是否包含采集、处理和执行的完整过程；看三维抓取时，也可以多关注遮挡、料箱边角和最后剩下的少量零件这些情况。

如果能带上自己的样品、现场照片和需求去交流，通常更容易得到有用的答案，因为样品的尺寸、材质、表面状态、运动方式，以及希望识别的最小特征，都会影响方案的选择。

GIAI 激埃特光电从事光学滤光片、光学透镜、窗口及光学镀膜等相关产品与定制项目。对于机器视觉中的波段选择、光学元件和镀膜要求，可以结合图纸、规格或样品进行项目评估，欢迎大家在现场把具体问题拿出来聊一聊。

我依然记得二十年前，那台花了好几秒、还未必能找准定位片的设备。如今再看机器视觉，它的变化早已远远超出“找得快了一点”：能参与的任务更多了，能处理的变化更复杂了，和机器人动作的联系也更紧密了。

但无论技术走到哪一步，放到生产线上，终究还要落到一个很朴素的问题上：眼前这件事，能不能持续做对？

这一次，阿牛想去现场看看，大家给出了哪些新答案。