機器視覺相比智慧生物視覺的區別

機器視覺就像高等智慧生物的眼睛一樣，能夠快速、直觀地獲得外界空間的各類視覺資訊，實現所見即所得。機器無法像人類一樣觀察周圍的世界，是因為缺乏一雙與人一樣的眼睛，機器可以在某些單項能力方面遠遠超過人類，但綜合起來卻與人類又有很大的差別。
機器視覺

   1.現有視覺系統功能的單一性。以智慧交通系統為例：抓拍車號的相機只能拍車號，不能測速，不能自動辨別車型，而且必須在固定位置，必須有外部輔助光源和拍照觸發和啟動感測裝置；對於闖紅燈和超速的車輛檢測和識別，必須要另行配置相機完成。

　　2.現有視覺系統的專業侷限性和複雜性。現有的機器視覺系統，都需要有專業技術人員進行專門的程式設計和系統設計。一個功能對應一套軟體和一套專門的系統，這樣的系統一般都對應著高昂的價格和高階的人才，無法為普通使用者所掌握。
　　3.現有視覺系統與被攝物和環境的強相關性。不同的被攝物，不同的功能要求，需要不同的軟體，同時系統需要配備專用的相機、專用的鏡頭、專用的輔助流水線和專用的輔助燈光和對背景進行特定設定等等。只要被攝物發生任何改變，例如：規格、大小、型號、擺放位置、標籤等發生改變，都必須對程式進行修改和重新設計。
　　4.現有視覺系統一般都是基於二維影像的視覺感知，基本不具備三維實時感知能力。對於三維感知，目前一般採用鐳射掃描或雙目加結構光的方式，這些方式有時還需要提前標定，還需要完成長時間的三維建模運算，有時還要固定應用場景或提前對被視物建模，另外，大部分需要一些人工干預以及延時和後期處理。
　　5.現有的影像識別採用的機器學習方法，對於影像的理解，一般針對特定影像類別和固定的應用場景，還不具有智慧生物的真正意義上的視覺感知和視覺理解能力。而且，智慧生物對於外部空間和物體是依靠三維感覺而形成，目前的影像機器學習演算法，一般都是基於二維影像資料，在對空間的感知和理解能力來說，具有先天的缺陷和弱點。
　　這些不足和問題，不僅侷限了機器視覺的應用範圍，還讓已有的技術應用複雜而困難。“我們之前所做的鐵路車輛線上測量就是這樣，複雜而又辛苦”，作為一個技術研發人員，希望通過技術改變些什麼。縱觀現有的機器視覺應用和技術，目前通用的“機器視覺”多數是由人工智慧計算來實現的，一種視覺對應一種特有的軟體和系統，完成一種固定的視覺任務，在演算法和資料層面無法實現各視覺系統在機器視覺上的統一。而且，對於影像內容的理解方面，由於神經網路存在的黑箱性質，機器無法達到令人信服的對視覺的理解要求。