。2D的研究方向主要有图像处理、图像识别等，3D的研究方向主要是点云处理。接下来简单介绍下不同方向要求的技能和工资。

  机器视觉中的图像处理主要是对图像进行预处理、特征提取和图像增强等操作，以便后续的分析和理解。它涉及到图像的滤波、边缘检测、图像增强、图像分割、特征提取等技术。

  图像识别是指通过分析图像内容来识别和理解其中的对象、场景或特征。它涉及到更高级的算法和技术，如特征提取、模式识别、机器学习等。图像识别的目标是从图像中提取有意义的信息，并将其与预定义的类别或模型进行匹配。

  虽然图像处理和图像识别在机器视觉中有一定的重叠，但它们的重点和方法略有不同。图像处理更侧重于对图像的低级处理，而图像识别更关注于从图像中提取高层次的语义信息。但一般都需要熟悉编程语言和opencv算法库。

  点云处理是指对三维点云数据进行各种操作和分析的过程。点云是由大量的离散点构成的三维数据集，通常是通过激光雷达或RGB-D相机等设备获取的。

  常见的有三方面，分别是数据预处理：包括点云的滤波、去噪、重采样、配准等操作，以提高点云数据的质量和准确性；特征提取：通过计算点云的表面法线、曲率、颜色等特征，用于点云的分类、分割、识别等任务；点云配准：将多个点云数据进行对齐，以获得一个整体一致的点云。

  点云处理在整个三维视觉领域占有非常重要的地位，几乎涉及到所有相关领域，例如自动驾驶感知定位、SLAM、三维场景重建、AR/VR、SFM、姿态估计、三维识别、结构光、立体视觉、三维测量、视觉引导等。需要熟悉点云库PCL，有一定的编程能力，熟悉深度学习框架。

  这个方向那是相当的难, 你如果有雄心的话可能会做出相当好的成果, 你先看看opencv这个库能看懂多少, 之后再说别的. 编程这个方面确实很吃天赋, 我原来有两个同事, 一个是计算机硕士, 啥都写不出来, 全组的人都把他当废物看, 还有一个是个物流硕士, 那程序写的一个溜, 前端后端算法都写的清清楚楚, 他都有希望冲击架构师的, 希望题主正视自己, 不要妄自菲薄, 也不要妄自尊大, 顺其自然就好.

  随着微处理器、半导体技术的进步，以及劳动力成本上升和高质量产品的需求，国外机器视觉于20世纪90年代进入高速发展期，广泛运用于工业控制领域。据业内人士预计，到2025年，全球机器视觉组件的销售额将达到惊人的190亿美元，几乎是现在的二倍。在机器视觉行业，新标准和新技术正在以前所未有的速度发展，据业内人士分析，2018年机器视觉行业有五大发展趋势。

  一、跨行业协作：机器视觉组件的多种新用途，将使视觉制造商遭遇很多他们并不熟悉的接口标准，例如显微镜领域的HDMI 1.3标准、广播领域的SDI标准、国防领域的3G-SDI标准、交通成像领域的LVDS标准以及汽车行业的GMSL标准。为了解决这些标准之间的差异问题，各方需要合作共享各自的专业知识，以便更好地从相机传感器中获取数据、并将其发送到PC中进行处理。

  二、智能城市:作为“智能城市”概念的一部分，视觉系统将被大量部署，用于交通状况的监控和车牌识别，这两方面均是出于交通安全方面的考虑。先进的视觉技术（包括连网的车辆技术）将有助于减少车辆碰撞、死亡和伤害数量。预计2017-2025年间，智能交通系统（ITS）市场将增长9％甚至更多。由于很多现有的ITS系统依然模拟的，这样的系统已经老旧过时，因此CoaXPress标准（其使传统同轴网络迁移到数字传输）将继续在ITS领域获得发展动力。

  三、视觉引导的零售:亚马逊正在其公司总部进行无人商店的测试，顾客利用机器视觉相机、传感器和RFID标签，完成购物。当顾客离开商店时，购物费用将从客户的亚马逊账户中被自动扣除。再也没有排队结账的情况发生了。预计在未来的3-5年内，零售商可能会积极拥抱视觉技术，希望这种“移动商店”会成为他们尚存的实体店的救星。最近的一项研究发现，零售商80％以上的业务仍在实体店，因此提高实体店的效率就等同于成功的购物体验。

  四、CoaXPress与USB3 Vision/GigE Vision的对决:在速率低于400MB/s的应用领域，USB3是领导者；但对于希望在此基础上升级获得额外益处的客户，或者想从GigE Vision升级中获得显著益处的客户，他们的选择将是迁移到单一链路的CoaXPress解决方案。凭借600MB/s的数据传输速率，以及消除了USB3和GigE Vision在延迟、中断、电缆和I/O方面的所有挑战，CoaXPress将成为低数据速率领域的行业领导者。CoaXPress较低的硬件价格，确保了GigE Vision和USB3 Vision系统客户可以轻松做出决定。

  五、高光谱应用:基于PC的高光谱成像用于肉眼无法完成的材料识别、物体发现或过程检测。制造领域以外的应用，正在推动高光谱相机的强劲增长，高光谱相机将光谱学与数字成像相结合。军事监控应用占据了高光谱成像市场中的最大份额，其次是环境测试、采矿和矿物应用。另外，在各种医疗和诊断中，高光谱成像也将被广泛采用。分析和处理高光谱成像的数据相对复杂，这也是阻碍市场发展的一个主要障碍，另一个障碍就是高光谱相机的成本较高。目前制造商现正在努力克服这些缺点。机器视觉发展至今，早已不是单一的应用产品。机器视觉的软硬件产品已逐渐成为生产制造各个阶段的必要部分，这就对于系统的集成性提出了更高的要求。工业自动化企业要求能够与测试或控制系统协同工作的一体化工业自动化系统，而非独立的视觉应用。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。在我国制造业转型升级的背景下，未来需要投入大量工业机器人等自动化设备。

  机器视觉主流供应商：马克拉伯致力于技术的不断研究、创新、突破，为合作伙伴提供世界领先的机器视觉产品及技术。马克拉伯社区提供免费的机器视觉软件供各位学习商用，SGVision无需编程、数百种算法、设计即用、快速部署，解决90%视觉项目问题。缺陷检测、外观检测、尺寸测量，视觉引导定位，自动化产线改造，工件测量系统等功能可根据客户需求定制化的智能产品。以高效·低成本·模块化的方式为自动化集成商、自动化设备厂商、机器人厂家提供机器视觉的相关解决方案。

  目前机器视觉在国内更多是的工业自动化的应用，另一个用的还比较多一些的是医疗设备。

  机器视觉目前比较成熟的应用还主要集中在定位、尺寸测量、OCR/OCV、特征有无等领域，至于外观缺陷检测是一个有很大检测需求，但是还很难做到批量或者准备的检测应用（主要还是缺陷的特征的差异性如划痕、以及产品的多样性复杂性造成的）。

  视觉的市场需求目前尚未饱和，还有很大的空间。一方面是人力成本的提高，改善劳动强度的需求，另一方面于产业增值有很大的关系，比如一般的工业自动化设备增加上视觉部分一般而言立马显得“高端大气上档次”了，正如当年的PLC等东东刚用起来的一样的效果。

  视觉行业人才比较缺，当前学校本科和烟酒省很少有这个专业或者课程（研究生大多是一些图像处理的可能，现在也有一些老师做视觉方向的研究于应用了），不想PLC等工控产品大学自动化专业基本都有该课程。所以目前从事这个行业的大多数人都属于“半路出家”，要么自学成才，所以人员水平也是参差不齐。

  机器视觉产品部件当前成本已经降了不少，这两年随着市场的发展，大量的应用降低了硬件成本，同时竞争逐渐激烈以及一些国产厂商的介入和成长，促使硬件成本的降低，推动了机器视觉普及。

  软件处理算法其实感觉没有太大的进步，主要进步是计算机硬件的发展。因为图像处理对计算能力是一考验，使更大的图像和更快地的处理要求实现可能。

  机器视觉在安防，自动驾驶及人工智能等领域思佳（高薪及蓝海方向）都有极其重要的应用价值，读研期间，建议深入学习一门编程语言，并在算法方面做好实践积累。

  前景当然好啊，就现在这个大背景下cv的需求量很大。最简单的例子，ai和自动驾驶最近几年火到不行。但说实话，国内高校做这块的基本都不在机械学院。。好像都在电光？

  职业的划分多种多样，机器视觉行业里面职业也分很多种。行业和每个人都有关系，说到底，工作开心点，薪资待遇好一点。最重要的是有点盼头。

  3.机器视觉细分市场还是很有潜力，仍具备较大发展前景，创业公司层出不穷。

  慧算智能技术（上海）有限公司 查看所有职位上海-闵行区 1年经验 本科 招2人

  五险一金股票期权员工旅游交通补贴餐饮补贴通讯补贴专业培训年终奖金定期体检弹性工作

  题主我们加个好友，我跟您一样，也是研究生，马上研二了，机械转机器视觉，想请教您一些问题

  基本上没有任何编程基础，计算机基础，对机器视觉感兴趣。直白点说是对更好的工作环境和更高的工资感兴趣吧。

  机器视觉是人工智能正在快速发展的一个分支。简单说来，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，得到被摄目标的形态信息，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。

  马克拉伯视觉开放社区，提供免费的机器视觉软件SGVision,定期分享更新相关案例与教程，接下来让我们来学习一下样品像素统计检测。

  本案例实现通过像素统计检测样品牙口有无缺料，缺失。如图所示；检测标准为：样品牙口无缺失。

  ① 、为了将面板表面上的污点打亮，这里选用平行背光源，相机从上往下垂直拍摄，产品置于平行背光源上

  ② 、为了检测达到足够分辨率，这里选用工业500万像素级16mm变焦镜头

  （1）、在产品本身的特性等因素已经排除情况下，因为每次检测位置略微有些偏差，这边需要先设置一个位置配准算法，选择位置配准算法类型中的“特征匹配”算法作为待检测产品的匹配源，具体参数自己而定；

  （2）、由于需要检测样品牙口缺料，缺失，这边选择检测算法里面的“像素统计”计算。

  四、所有算法设置完，点击右下方的测试按钮，检测所有算法设置是否无错误，若无，点击确定退回主界面，点击主界面“检测”按钮即可开始检测产品。