基于机器视觉的工件识别和定位文献综述
计算机视觉文献综述
计算机视觉文献综述计算机视觉是一种利用计算机技术对图像和视频进行处理、分析、理解和解释的技术。
它可以模拟人类视觉系统，对图像进行分类、分割、检测、跟踪、重建等操作，具有成像能力和智能处理能力。
在人工智能和机器人技术领域中有着广泛的应用前景。
近年来，计算机视觉领域的研究日益深入。
其中重要的一项研究是目标检测。
目标检测是指在图像或视频中自动地检测和定位特定对象，这些对象可以是车辆、行人、人脸等。
它是计算机视觉中的一个基础技术，具有广泛的应用价值。
传统的目标检测方法主要是基于特征提取和分类的，如Haar、HOG、SIFT等特征。
但这些方法存在着计算复杂性高、准确性差、运算速度慢等问题。
因此，近年来出现了一些基于深度学习的目标检测算法，如Faster R-CNN、YOLO、SSD等，它们在准确性、速度和可扩展性上都有了极大的提升。
此外，在计算机视觉领域中，人脸识别也是一个热门研究方向。
人脸识别是指根据人脸的特征信息，对识别出的人脸进行辨认和验证，是一项人机交互中重要的技术。
人脸识别技术已经被广泛应用于公共安全、金融、机场、银行等领域。
近年来，基于深度学习的人脸识别算法逐渐成为主流。
主要的算法包括FaceNet、DeepID、VGGFace 等。
这些算法的准确性已经超过了传统的基于手工特征的方法，而且计算速度也更快。
在计算机视觉领域中，深度学习已经成为一个重要的方法。
深度学习是一种多层次的神经网络模型，可有效地处理大数据和高维数据。
深度学习中的卷积神经网络（CNN）已经成为图像处理和计算机视觉中的一种主流算法。
其优点在于可以自动地提取图像中的特征，并能有效解决传统方法中存在的问题。
总之，计算机视觉技术的发展已经成为人工智能和机器人技术的重要组成部分。
目标检测、人脸识别等技术已经被广泛应用，随着深度学习的发展，计算机视觉领域中将会有更多的创新和突破。
机器视觉技术发展现状文献综述 (2)
机器视觉技术发展现状人类认识外界信息的80%来自于视觉，而机器视觉就是用机器代替人眼来做测量和判断，机器视觉的最终目标就是使计算机像人一样，通过视觉观察和理解世界，具有自主适应环境的能力。
作为一个新兴学科，同时也是一个交叉学科，机器视觉是通过对相关的理论和技术进行研究，从而建立由图像或多维数据中获取“信息”的人工智能系统，其特点是可提高生产的柔性和自动化程度。
目前机器视觉技术已经在很多工业制造领域得到了应用，并逐渐进入我们的日常生活。
一、机器视觉简介机器视觉就是用机器代替人眼来做测量和判断。
机器视觉主要利用计算机来模拟人的视觉功能，再现于人类视觉有关的某些智能行为，从客观事物的图像中提取信息进行处理，并加以理解，最终用于实际检测和控制。
机器视觉是一项综合技术，其包括数字处理、机械工程技术、控制、光源照明技术、光学成像、传感器技术、模拟与数字视频技术、计算机软硬件技术和人机接口技术等，这些技术相互协调才能构成一个完整的工业机器视觉系统[1]。
机器视觉强调实用性，要能适应工业现场恶劣的环境，并要有合理的性价比、通用的通讯接口、较高的容错能力和安全性、较强的通用性和可移植性。
其更强调的是实时性，要求高速度和高精度，且具有非接触性、实时性、自动化和智能高等优点，有着广泛的应用前景[1]。
一个典型的工业机器人视觉应用系统包括光源、光学成像系统、图像捕捉系统、图像采集与数字化模块、智能图像处理与决策模块以及控制执行模块。
通过CCD或CMOS摄像机将被测目标转换为图像信号，然后通过A/D 转换成数字信号传送给专用的图像处理系统，并根据像素分布、亮度和颜色等信息，将其转换成数字化信息。
图像系统对这些信号进行各种运算来抽取目标的特征，如面积、数量、位置和长度等，进而根据判别的结果来控制现场的设备动作[1]。
机器视觉一般都包括下面四个过程：二、机器视觉的发展历史机器视觉是在20 世纪50 年代从统计模式识别开始，当时的工作主要集中在二维图像分析、识别和理解上。
《基于机器视觉的工件识别与定位系统的设计与实现》
《基于机器视觉的工件识别与定位系统的设计与实现》一、引言随着工业自动化和智能制造的快速发展，工件识别与定位技术在生产线上扮演着越来越重要的角色。
传统的人工识别与定位方式不仅效率低下，而且易受人为因素的影响。
因此，基于机器视觉的工件识别与定位系统应运而生，其通过计算机视觉技术实现对工件的快速、准确识别与定位，从而提高生产效率和质量。
本文将介绍一种基于机器视觉的工件识别与定位系统的设计与实现。
二、系统设计1. 硬件设计本系统硬件部分主要包括工业相机、光源、工控机等。
其中，工业相机负责捕捉工件图像，光源提供合适的照明条件，以保证图像质量，工控机则负责图像处理和算法运行。
硬件设备需具备高稳定性、高精度和高速度的特点，以满足生产线上的实时性要求。
2. 软件设计软件部分主要包括图像预处理、工件识别和工件定位三个模块。
图像预处理模块负责对原始图像进行去噪、增强等处理，以提高图像质量。
工件识别模块通过训练好的机器学习模型对预处理后的图像进行识别，提取出工件的特征信息。
工件定位模块则根据识别结果，确定工件在图像中的位置信息。
三、算法实现1. 图像预处理图像预处理是工件识别与定位的前提。
本系统采用去噪、二值化、边缘检测等算法对原始图像进行处理，以提高图像质量和特征提取的准确性。
其中，去噪算法用于消除图像中的噪声干扰，二值化算法将图像转化为黑白二值图像，便于后续的特征提取和识别。
2. 工件识别工件识别是本系统的核心部分。
本系统采用深度学习算法训练机器学习模型，实现对工件的快速、准确识别。
具体而言，我们使用卷积神经网络（CNN）对大量工件图像进行训练，提取出工件的特征信息，并建立特征库。
在识别过程中，系统将预处理后的图像与特征库中的特征信息进行比对，找出最匹配的工件类型。
3. 工件定位工件定位是在识别的基础上，确定工件在图像中的具体位置。
本系统采用模板匹配算法实现工件定位。
具体而言，我们首先在特征库中选取与待定位工件相似的模板图像，然后在预处理后的图像中搜索与模板图像相匹配的区域，从而确定工件的位置信息。
基于机器视觉的工件识别和定位文献综述
基于机器视觉的工件识别和定位文献综述1.前言1.1工业机器人的现状与发展趋势机器人作为一种最典型的应用范围广、技术附加值高的数字控制装备，在现代先进生产制造业中发挥的作用越来越重要，机器人技术的发展将会对未来生产和社会发展起到强有力的推动作用。
《2l 世纪日本创建机器人社会技术发展战略报告》指出，“机器人技术与信息技术一样，在强化产业竞争力方面是极为重要的战略高技术领域。
培育未来机器人产业是支撑2l 世纪日本产业竞争力的产业战略之一，具有非常重要的意义。
”研发工业机器人的初衷是为了使工人能够从单调重复作业、危险恶劣环境作业中解脱出来，但近些年来，工厂和企业引进工业机器人的主要目的则更多地是为了提高生产效率和保证产品质量。
因为机器人的使用寿命很长，大都在10 年以上，并且可以全天后不间断的保持连续、高效地工作状态，因此被广泛应用于各行各业，主要进行焊接、装配、搬运、加工、喷涂、码垛等复杂作业。
伴随着工业机器人研究技术的成熟和现代制造业对自动生产的需要，工业机器人越来越被广泛的应用到现代化的生产中。
现在机器人的价格相比过去已经下降很多，并且以后还会继续下降，但目前全世界范围的劳动力成本都有所上涨，个别国家和地区劳动力成本又很高，这就给工业机器人的需求提供了广阔的市场空间，工业机器人销量的保持着较快速度的增长。
工业机器人在生产中主要有机器人工作单元和机器人工作生产线这两种应用方式，并且在国外，机器人工作生产线已经成为工业机器人主要的应用方式。
以机器人为核心的自动化生产线适应了现代制造业多品种、少批量的柔性生产发展方向，具有广阔的市场发展前景和强劲生命力，已开发出多种面向汽车、电气机械等行业的自动化成套装备和生产线产品。
在发达国家，机器人自动化生产线已经应用到了各行各业，并且已经形成一个庞大的产业链。
像日本的FANUC、MOTOMAN，瑞典的ABB、德国的KUKA、意大利的COMAU 等都是国际上知名的被广泛用于自动化生产线的工业机器人。
基于机器视觉的物体识别与定位技术研究
基于机器视觉的物体识别与定位技术研究随着人工智能技术的快速发展，机器视觉作为其中的重要领域之一，在实际应用中日益受到广泛关注。
基于机器视觉的物体识别与定位技术作为机器视觉的核心内容之一，具有广泛的应用前景和研究价值。
本文将围绕物体识别与定位技术的研究进行探讨，详细介绍其背景、关键技术和应用场景。
背景介绍物体识别与定位技术是指让计算机通过摄像机等设备对所观测到的场景中的物体进行识别，并通过定位方法确定物体在场景中的位置。
这项技术在自动驾驶、物流仓储、智能安防等领域有着广泛的应用。
传统的物体识别和定位技术主要基于图像特征和图像匹配算法，存在着对光照、视角、背景等条件的依赖性，限制了其在复杂环境下的效果。
而基于机器视觉的物体识别与定位技术通过深度学习方法，可以更好地解决这些问题，具有更好的稳定性和准确性。
关键技术1. 深度学习：深度学习是当前物体识别与定位技术中最重要的技术手段之一。
通过深度学习的方法，可以提取图像的高层次特征，进而用于物体识别和定位。
深度学习模型中的卷积神经网络（Convolutional Neural Network，CNN）被广泛应用于图像特征的提取，其具有较好的图像识别能力。
2. 特征提取与表示：物体识别与定位技术中的关键问题之一是提取图像的有效特征，并将其表示为能够用于分类和定位的向量。
除了深度学习模型中的卷积层用于特征提取外，还可以使用一些网络结构，如SIFT、HOG等常见的特征描述子来提取图像的局部特征。
3. 目标检测与定位：目标检测是物体识别与定位技术中的核心内容，其目的是在图像中准确地定位出目标物体的位置。
基于机器视觉的物体识别与定位技术中常用的目标检测算法有Faster R-CNN、YOLO、SSD等。
这些算法通过对图像进行全局或局部的特征提取和定位来实现物体的检测与定位。
应用场景1. 自动驾驶：自动驾驶技术中的物体识别与定位技术是非常关键的。
通过摄像头等设备对道路上的车辆、行人、交通标志等物体进行识别和定位，可以帮助自动驾驶系统做出准确的决策和规划。
机器视觉文献综述(可打印修改)
文献综述河北科技师范学院文献综述题目：基于计算机视觉测量技术姓名：张力坤一．国内外现状机器视觉自起步发展到现在，已有将近20年的发展历史。
应该说机器视觉作为一种应用系统，其功能特点是随着工业自动化的发展而逐渐完善和发展的。
目前全球整个视觉市场总量大概在70~80亿美元，是按照每年8.8%的增长速度增长的。
而在中国，这个数字目前看来似乎有些庞大，但是随着加工制造业的发展，中国对于机器视觉的需求将承上升趋势。
何谓机器视觉？简言之，机器视觉就是用机器代替人眼来做测量和判断。
机器视觉系统是指通过机器视觉产品（即图像摄取装置，分CMOS和CCD两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
机器视觉系统的特点是提高生产的柔性和自动化程度。
在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉；同时在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。
而且机器视觉易于实现信息集成，是实现计算机集成制造的基础技术。
正是由于机器视觉系统可以快速获取大量信息，而且易于自动处理，也易于同设计信息以及加工控制信息集成，因此，在现代自动化生产过程中，人们将机器视觉系统广泛地用于工况监视、成品检验和质量控制等领域。
在中国，这种应用也在逐渐被认知，且带来最直接的反应就是国内对于机器视觉的需求将越来越多。
机器视觉在国内外的应用现状在国外，机器视觉的应用普及主要体现在半导体及电子行业，其中大概40%左右都集中在半导体行业。
具体如PCB印刷电路：各类生产印刷电路板组装技术、设备；单、双面、多层线路板，覆铜板及所需的材料及辅料；辅助设施以及耗材、油墨、药水药剂、配件；电子封装技术与设备；丝网印刷设备及丝网周边材料等。
基于机器视觉的物体识别与定位研究
基于机器视觉的物体识别与定位研究随着人工智能的快速发展，机器视觉技术日益成熟，被广泛应用于各个领域。
其中，基于机器视觉的物体识别与定位技术在自动驾驶、智能制造等领域具有巨大潜力。
本文将探讨这一领域的研究进展、应用前景以及面临的挑战。
一、物体识别技术的发展随着深度学习技术的发展，机器视觉领域取得了重大突破。
从最初的基于手工设计特征的方法，到如今的基于卷积神经网络（CNN）的方法，物体识别的准确率和鲁棒性得到了极大提升。
传统的物体识别方法主要依赖于特征提取和分类器的组合，而CNN通过端到端的训练，不仅能够自动学习特征，还能够提高分类器的性能。
物体识别的关键问题之一是目标检测。
目标检测的任务是在图像或视频中确定物体的位置和边界框。
传统的目标检测方法主要基于人工规则或手工设计的特征，这些方法对于目标的表征能力有一定的局限性。
而基于CNN的目标检测方法（如R-CNN、Fast R-CNN和Faster R-CNN）通过利用深度学习的优势，取得了更好的检测效果。
这些方法将物体检测转化为区域提取和分类的问题，充分利用了CNN 在图像识别中的优势。
二、物体识别与定位的应用物体识别与定位技术在各个领域都有广泛的应用。
其中，自动驾驶是一个重要的应用领域。
自动驾驶车辆需要实时地通过摄像头或激光雷达等设备感知周围的环境，精确地识别和定位道路上的交通标志、车辆、行人等物体。
通过基于机器视觉的物体识别与定位技术，自动驾驶车辆可以更加准确地感知和理解周围环境，从而做出正确决策和行驶路径规划。
物体识别与定位技术还在智能制造领域发挥着关键作用。
在工厂生产线上，机器人通过视觉系统可以准确地识别和定位待加工的工件，从而实现自动化生产。
利用机器视觉技术，可以提高生产线的效率和准确性，降低生产成本。
除了自动驾驶和智能制造，物体识别与定位技术还应用于智能家居、安防监控、无人机等领域。
无人机通过机器视觉技术可以对目标进行追踪和定位，实现航拍和监控功能。
《基于机器视觉的工件识别与定位系统的设计与实现》
《基于机器视觉的工件识别与定位系统的设计与实现》一、引言随着科技的进步和工业自动化程度的提高，机器视觉在制造业中的应用越来越广泛。
基于机器视觉的工件识别与定位系统作为自动化生产线上的重要一环，能够快速、准确地识别和定位工件，从而提高了生产效率和产品质量。
本文将介绍一种基于机器视觉的工件识别与定位系统的设计与实现。
二、系统需求分析（一）系统目标本系统旨在实现工件的快速、准确识别与定位，以满足自动化生产线的高效、精准作业需求。
（二）功能需求1. 工件识别：系统能够识别不同类型的工件，包括形状、尺寸、颜色等特征。
2. 工件定位：系统能够准确判断工件的位置，为后续的抓取、装配等操作提供精确的坐标信息。
3. 实时性：系统应具备较高的处理速度，以满足实时生产线的作业需求。
4. 稳定性：系统应具备较高的稳定性，以适应不同环境下的工件识别与定位。
三、系统设计（一）硬件设计1. 工业相机：负责捕捉工件的图像信息。
2. 光源：提供合适的光源，以保证图像的清晰度和对比度。
3. 工业计算机：负责图像处理、算法运算等任务。
4. 传输设备：将工业计算机与自动化生产线连接起来，实现数据的实时传输。
（二）软件设计1. 图像预处理：对捕捉到的图像进行去噪、二值化等处理，以便后续的识别与定位。
2. 特征提取：提取工件的形状、尺寸、颜色等特征，为识别与定位提供依据。
3. 算法设计：采用机器视觉算法，如模板匹配、深度学习等，实现工件的快速、准确识别与定位。
4. 界面设计：设计友好的人机交互界面，方便操作人员使用。
四、算法实现与优化（一）算法实现本系统采用基于机器视觉的算法实现工件的识别与定位。
具体包括图像预处理、特征提取、模板匹配等步骤。
其中，深度学习算法在特征提取和识别过程中发挥了重要作用。
通过训练大量的样本数据，系统能够自动学习工件的特征，提高识别的准确性和速度。
（二）算法优化为了提高系统的实时性和稳定性，我们采取了以下优化措施：1. 优化图像预处理算法，减少处理时间。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于机器视觉的工件识别和定位文献综述1.前言1.1工业机器人的现状与发展趋势机器人作为一种最典型的应用范围广、技术附加值高的数字控制装备，在现代先进生产制造业中发挥的作用越来越重要，机器人技术的发展将会对未来生产和社会发展起到强有力的推动作用。
《2l 世纪日本创建机器人社会技术发展战略报告》指出，“机器人技术与信息技术一样，在强化产业竞争力方面是极为重要的战略高技术领域。
培育未来机器人产业是支撑2l 世纪日本产业竞争力的产业战略之一，具有非常重要的意义。
”研发工业机器人的初衷是为了使工人能够从单调重复作业、危险恶劣环境作业中解脱出来，但近些年来，工厂和企业引进工业机器人的主要目的则更多地是为了提高生产效率和保证产品质量。
因为机器人的使用寿命很长，大都在10 年以上，并且可以全天后不间断的保持连续、高效地工作状态，因此被广泛应用于各行各业，主要进行焊接、装配、搬运、加工、喷涂、码垛等复杂作业。
伴随着工业机器人研究技术的成熟和现代制造业对自动生产的需要，工业机器人越来越被广泛的应用到现代化的生产中。
现在机器人的价格相比过去已经下降很多，并且以后还会继续下降，但目前全世界范围的劳动力成本都有所上涨，个别国家和地区劳动力成本又很高，这就给工业机器人的需求提供了广阔的市场空间，工业机器人销量的保持着较快速度的增长。
工业机器人在生产中主要有机器人工作单元和机器人工作生产线这两种应用方式，并且在国外，机器人工作生产线已经成为工业机器人主要的应用方式。
以机器人为核心的自动化生产线适应了现代制造业多品种、少批量的柔性生产发展方向，具有广阔的市场发展前景和强劲生命力，已开发出多种面向汽车、电气机械等行业的自动化成套装备和生产线产品。
在发达国家，机器人自动化生产线已经应用到了各行各业，并且已经形成一个庞大的产业链。
像日本的FANUC、MOTOMAN，瑞典的ABB、德国的KUKA、意大利的COMAU 等都是国际上知名的被广泛用于自动化生产线的工业机器人。
这些产品代表着当今世界工业机器人的最高水平。
我国的工业机器人前期发展比较缓慢。
当将被研发列入国家有关计划后，发展速度就明显加快。
特别是在每次国家的五年规划和“863”计划的重点支持下，我国机器人技术的研究取得了重大发展。
在机器人基础技术和关键技术方面都取得了巨大进展，科技成果已经在实际工作中得到转化。
以沈阳新松机器人为代表的国内机器人自主品牌已迅速崛起并逐步缩小与国际品牌的技术差距。
机器人涉及到多学科的交叉融合，涉及到机械、电子、计算机、通讯、控制等多个方面。
在现代制造业中，伴随着工业机器人应用范围的扩大和机器人技术的发展，机器人的自动化、智能化和网络化的程度也越来越高，所能实现的功能也越来越多，性能越来越好。
机器人技术的内涵已变为“灵活应用机器人技术的、具有实在动作功能的智能化系统。
”目前，工业机器人技术正在向智能机器和智能系统的方向发展，其发展趋势主要为：结构的模块化和可重构化；控制技术的开放化、PC 化和网络化；伺服驱动技术的数字化和分散化；多传感器融合技术的实用化；工作环境设计的优化和作业的柔性化以及系统的网络化和智能化等方面。
1.2机器视觉在工业机器人中的应用工业机器人是FMS（柔性加工）加工单元的主要组成部分，它的灵活性和柔性使其成为自动化物流系统中必不可少的设备，主要用于物料、工件的装卸、分捡和贮运。
目前在全世界有数以百万的各种类型的工业机器人应用在机械制造、零件加工和装配及运输等领域，不过这些应用都是基于先精确的示教后运行，而且工作环境都是预先安排好的，所以机器人能成功地抓取物体。
但是我们知道很多情况下特别是流水线的场合工件的位姿常常是不固定的，实际目标物体的位姿与理想目标物体位姿总是有偏差的，这种偏差哪怕很小就会导致机器人操作任务的失败。
这种由于环境的变化而导致机器人不能很好地完成任务的情况极大地限制了机器人的实际应用范围。
随着现代生产制造技术的进步，进一步提高生产线的柔性的要求也日益迫切，对工业机器人系统应用领域、灵活性和自主性要求也越来越高，而机器人具备一定自主性的前提是对自身环境有一定的了解，这迫使人们增加传感器来提高机器人对环境的感知能力，在这方面，视觉、接近觉、触觉和力觉具有重大的作用。
其中机器人视觉被认为是机器人最重要的感觉能力，从智能机器人的研究实例中，也能清除地看到这一点。
视觉是人类观察世界和认知世界的重要手段。
据统计表明，人类从外部世界获得的信息约有80％的信息是通过视觉或视觉传感器而获取的，这既说明了视觉信息量大，也表明了人类对视觉信息有较高的利用率，同时也体现了人类视觉功能的重要性。
机器人视觉是模拟人类视觉在机器人上的体现。
采用视觉传感器比采用其他传感器来获取工作环境及工件信息还有以下几方面的优势：首先，机器视觉系统可以快速获取大量信息，而且易于自动处理，也易于同设计信息以及加工控制信息集成，在提高生产的柔性和自动化程度方面有着重要的作用；其次，即使在丢失了绝大部分的信息后，其所提供的关于周围环境的信息仍然比激光雷达与超声波更多更准确；最后，视觉的采样周期比超声波和激光雷达短，这也意味着视觉系统的实时性要好，所以更适合工件的在线检测、识别、定位等。
由于具有以上这些优点，基于视觉的智能机器人具有广阔的发展空间。
因而使用视觉来提高机器人的智能水平，具有重要的现实意义和研究价值。
1.3国外基于视觉的工业机器人发展历史机器人视觉技术是20 世纪80 年代发展起来的新兴技术，它的产生和发展是与机器视觉和机器人技术的发展密不可分的。
近年来，机器人视觉技术已成为高技术领域一个重要的研究课题，它为可行走机器人、装配机器人、抓取机器人以及其他种类机器人解决视觉问题提供了技术基础。
它将使传统的工业生产面貌发生巨大变化，对人类社会的生活和生产产生深远的影响。
目前国内外都在竞相开展有关机器人视觉的基础理论、基本技术以及应用方面的研究工作。
机器视觉是一个相当新且发展十分迅速的研究领域，并成为计算机科学的重要研究领域之一。
机器视觉是在50 年代从统计模式识别开始的，当时的工作主要集中在二维图像的分析和识别上，如光学字符识别、工件表面、纤维图片和航空图片的分析和解释。
60 年代，Roberts 通过计算机程序从数字图像中提取出诸如立方体、楔形体、棱柱体等多面体的三维结构，并对物体形状及物体的空间关系进行描述。
Roberts的研究工作开创了以理解三维场景为目的的三维机器视觉的研究。
Roberts 的创造性研究给人们以极大的启发，到了70 年代，已经出现了一些视觉应用系统。
1954年，美国的George C.Devol设计并制作了世界上第一台机器人实验装置。
60年代机器人产品正式问世，机器人技术开始形成。
1961年MIT的Lincoln实验室开始把一个配有接触传感器的遥控操纵器的从动部分与一台计算机连接起来，这样形成的机器人可以凭触觉感知物体的状态。
随后，用电视摄像头作为输入，把计算机图像处理和物体识别技术也引入到机器人系统。
至此，视觉技术正式引入机器人系统。
70年代中期，麻省理工学院（MIT）人工智能（AI）实验室正式开设“机器视觉”课，同时，MIT的AI实验室吸引了国际上许多知名学者参与机器视觉的理论、算法、系统设计的研究。
David Marr教授应邀于1973年到该实验室领导一个以博士生为主体的研究小组。
1977年提出了不同于“积木世界”分析方法的计算视觉理论，该理论在80年代成为机器视觉研究领域中的一个十分重要的理论框架，可以说对机器视觉的全球性研究热潮是从20世纪80年代开始的，到了80年代中期，机器视觉获得了蓬勃发展，新概念、新方法、新理论不断涌现，比如，基于感知特征群的物体识别理论框架、主动视觉理论框架、视觉集成理论框架等。
由于国外对视觉技术的研究以及将其和机器人相结合都起步比较早，因此发展的较好，并且已经出现了一些商品化的计算机视觉系统。
美国在这方面开展的较早，在20世纪70年代，美国GM公司试制了能识别传送带上机械零件的视觉检查系统。
到了80年代，由于微处理器的普及，各行业对视觉系统都表现出了极大的兴趣。
80年代初在国际市场上作为商品出售的一个通用机器人系统PUMA/VC-100，具有识别物体，确定物体位置坐标的能力，其所使用的视觉算法允许在材料加工或装配系统中对工件进行检测。
视觉系统是通过示教训练得到的。
以美国国家科学基金委员会为中心的实用视觉系统的研究飞速发展。
在日本的国家产业政策中，也把大力发展实用视觉系统放在了首要地位，进入90年代以后，在电子、汽车、制药、食品等高效、劳动密集的生产线上，工业视觉系统已是不可缺少的一部分，起到了人眼所不能起的作用，有力地保证了产品质量。
斯坦福研究所早期研制的机器人（Shkey）是一种典型的“眼－车”系统，它的主要功能是在视野范围内识别对象，依靠积累的经验求解行动规划，以及运用逻辑推理的问答能力。
它可以穿行房间，搜索、识别指定的对象，并进行“智能”的操作。
通用汽车公司开发出可以在噪声环境下工作的机器人视觉系统。
Adept 公司是全球知名的工业机器人制造公司，它在研制第一代机器人的时候就考虑了加入视觉系统，因此在二十几年的发展过程中，获得了丰富的经验和比较成熟的技术，使得其成为美国最大的工业机器人制造公司。
经过多年的发展，美国的智能机器人研究已经走在了世界的前列。
日本在借鉴其他国家研究智能机器人方面的经验之后，现在在这方面的研究已经走在了世界的前列。
日立中央研究所研制的具有自主控制功能的智能机器人，可以用来完成按图装配产品的作业。
德国Siemens 公司在工业图像处理方面拥有超过20 年的经验积累，SIMATIC VIDEOMAT 是第一个高性能的单色和彩色图像处理系统，并成为SIMATIC自动化系统中极重要的产品。
而1999 年推出的SIMATIC VS710 是业内第一个智能化的、一体化的、带PROFIBUS 接口的、分布式的灰度级工业视觉系统，它将图像处理器、CCD、1/O 集成在一个小型机箱内，提供PROFIBUS 的联网方式（通讯速率达12Mbps）或集成的UO 和RS232 接口。
OMS 视觉系统，是由原联邦德国制造生产的商业通用系统，它能够完成物体的识别及特征的检测等任务，操作模式可以是交互式的、主动的以及被动的三种，典型的应用是机械零件的分类、装配以及质量控制等。
此外，加拿大、比利时等国，在图像采集、图像处理等方面都具有丰富的经验。
1.4国外机器人制造商生产的视觉工业机器人产品伴随着科技的进步和生产技术的发展，基于机器视觉技术的工业机器人的研究越来越得到广泛的关注，并且已经出现一大批科技成果，并在实际生产中得到了很好的应用。
国外在对基于机器视觉的工业机器人的研究上已经做了很多工作，并且已经有很多突破性成果。