機器視覺的研究是從20世紀60年代中期美國學者L.R.羅伯茲關于理解多面體組成的積木世界研究開始的。當時運用的預處理、邊緣檢測、輪廓線構成、對象建模、匹配等技術，后來一直在機器視覺中應用。羅伯茲在圖像分析過程中，采用了自底向上的方法。用邊緣檢測技術來確定輪廓線，用區(qū)域分析技術將圖像劃分為由灰度相近的像素組成的區(qū)域，這些技術統(tǒng)稱為圖像分割。其目的在于用輪廓線和區(qū)域對所分析的圖像進行描述，以便同機內存儲的模型進行比較匹配。實踐表明，只用自底向上的分析太困難，必須同時采用自頂向下，即把目標分為若干子目標的分析方法，運用啟發(fā)式知識對對象進行預測。這同言語理解中采用的自底向上和自頂向下相結合的方法是一致的。在圖像理解研究中，A.古茲曼提出運用啟發(fā)式知識，表明用符號過程來解釋輪廓畫的方法不必求助于諸如zui小二乘法匹配之類的數(shù)值計算程序。70年代，機器視覺形成幾個重要研究分支：①目標制導的圖像處理；②圖像處理和分析的并行算法；③從二維圖像提取三維信息；④序列圖像分析和運動參量求值；⑤視覺知識的表示；⑥視覺系統(tǒng)的知識庫等。在機器視覺系統(tǒng)中，獲得一張量的可處理的圖像是至關重要。系統(tǒng)之所以成功，首先要圖像質量好，特征明顯。一個機器視覺項目之所以失敗，大部分情況是由于圖像質量不好，特征不明顯引起的。要好的圖像，必須要選擇一個合適的光源。光源選型基本要素：對比度：對比度對機器視覺來說非常重要。機器視覺應用的照明的重要的任務就是使需要被觀察的特征與需要被忽略的圖像特征之間產生zui大的對比度，從而易于特征的區(qū)分。對比度定義為在特征與其周圍的區(qū)域之間有足夠的灰度量區(qū)別。好的照明應該能夠需要檢測的特征突出于其他背景。亮度：當選擇兩種光源的時候，zui佳的選擇是選擇更亮的那個。當光源不夠亮時，可能有三種不好的情況會出現(xiàn)。一，相機的信噪比不夠；由于光源的亮度不夠，圖像的對比度必然不夠，在圖像上出現(xiàn)噪聲的可能性也隨即增大。其次，光源的亮度不夠，必然要加大光圈，從而減小了景深。另外，當光源的亮度不夠的時候，自然光等隨機光對系統(tǒng)的影響會zui大。魯棒性：另一個測試好光源的方法是看光源對部件的位置敏感度zui小。當光源放置在攝像頭視野的不同區(qū)域或不同角度時，結果圖像應該不會隨之變化。方向性很強的光源，增大了對高亮區(qū)域的鏡面反射發(fā)生的可能性，這不利于后面的特征提取。好的光源需要能夠使你需要尋找的特征非常明顯，除了是攝像頭能夠拍攝到部件外，好的光源應該能夠產生zui大的對比度、亮度足夠且對部件的位置變化不敏感。光源選擇好了，剩下來的工作就容易多了。具體的光源選取方法還在于試驗的實踐經驗。在布匹的生產過程中，像布匹質量檢測這種有高度重復性和智能性的工作只能靠人工檢測來完成，在現(xiàn)代化流水線后面常常可看到很多的檢測工人來執(zhí)行這道工序，給企業(yè)增加巨大的人工成本和管理成本的同時，卻仍然不能的檢驗合格率（即“零缺陷”）。對布匹質量的檢測是重復性勞動，容易出錯且效率低。流水線進行自動化的改造，使布匹生產流水線變成快速、實時、準確、的流水線。在流水線上，所有布匹的顏色、及數(shù)量都要進行自動確認（以下簡稱“布匹檢測”）。采用機器視覺的自動識別技術完成以前由人工來完成的工作。在大批量的布匹檢測中，用人工檢查產品質量效率低且精度不高，用機器視覺檢測方法可以大大提高生產效率和生產的自動化程度。