说起视觉，人们并不陌生。近年来，作为重要的生物识别技术之一的人脸识别技术飞速进步，“刷脸”可以实现考勤、支付、身份验证等操作，已经成为安全系数较高的身份识别技术。不过，人脸识别技术属于计算机视觉而非机器视觉，这两种技术既有区别又有联系。
张广军编著的《机器视觉》一书中这样区分两种技术：计算机视觉是采用图像处理、模式识别、人工智能技术相结合的手段，对目标物体进行识别，确定目标物体的位置和姿态；机器视觉则偏重于计算机视觉技术工程化，能够自动获取和分析特定的图像，功能主要为物体定位、特征检测、缺陷判断、目标识别、计数和运动跟踪等。
具体而言，计算机视觉应用的场景相对复杂，要识别的物体类型也多，形状不规则、规律性不强，有时甚至很难用客观量作为识别的依据，比如识别年龄、性别，深度学习比较适合计算机视觉，对于光线、距离、角度等条件要求较低；而机器视觉场景相对简单固定，在同一应用中识别的类型少，规则且有规律，但对准确度和处理速度要求都比较高，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，处理速度非常关键。一般而言，计算机视觉多用来识别“人”，而机器视觉则多用来识别“物”。
机器视觉应用广泛
只要是需要对物体进行识别、特征判断和检测，机器视觉就可以大展拳脚。如今，在农业、工业、医学等领域，机器视觉技术因其非接触、速度快、精度高、现场抗干扰能力强等突出优点，得到了广泛应用
近几十年来，视觉系统因其非接触、速度快、精度高、现场抗干扰能力强等突出优点，使机器视觉技术在农业、工业、医学等领域得到了广泛应用。只要是需要对物体进行识别、特征判断和检测，机器视觉就可以大展拳脚，将任务完成得又快又好。
比如在农业生产中，有一部分工作是对农作物或农产品的外观进行判断，如水果品质检测、果实成熟度判别、作物生长状况以及杂草的识别等。这些过去主要依靠人的视觉进行辨别和判断的工作可以由机器视觉技术部分或全部替代，从而实现农业自动化和智能化。例如，来自南京林业大学的黄秀玲团队就设计了一条可以对苹果品质进行动态、实时检测的智能化分级生产线。生产线上，均匀分布的3个摄像头一次性采集苹果表面信息，通过计算机智能控制系统对采集信息进行综合分析，从而对苹果进行分级。不过，也有专家表示，由于农田环境的复杂多变性以及非结构化特性，目前机器视觉在农业生产中的应用尚不成熟，仍需进一步完善。
