Machine Vision (MV) es una subdisciplina de la visión por computadora que se ocupa de la adquisición, análisis e interpretación de imágenes digitales para reconocer y comprender automáticamente el entorno. Es la aplicación de técnicas y algoritmos de procesamiento de imágenes digitales para interpretar, analizar y actuar sobre información visual para identificar, localizar y clasificar objetos en una imagen.
MV se utiliza a menudo en automatización industrial y robótica para identificar, localizar y rastrear objetos, personas o estructuras en una variedad de entornos. Es especialmente útil para aplicaciones con un grado de complejidad o variación que los algoritmos o sensores tradicionales no pueden manejar de manera efectiva.
Las aplicaciones comunes de MV incluyen visión robótica, inspección y clasificación de piezas, reconocimiento facial, inspección de ensamblajes, reconocimiento de objetos y navegación. Otras aplicaciones incluyen imágenes médicas, videovigilancia y aplicaciones de vigilancia y seguridad.
MV es un campo de rápido crecimiento con muchos productos comerciales disponibles ahora. Muchos factores contribuyen al desarrollo de soluciones existentes y futuras: bibliotecas de software de código abierto, plataformas de hardware y una potencia computacional cada vez mayor.
Los sistemas de MT generalmente constan de un sensor (normalmente una cámara digital o un conjunto de cámaras), un procesador (normalmente una PC o un dispositivo integrado) y una etapa de salida (normalmente un brazo robótico o una máquina herramienta). El sensor captura una imagen de la escena, que luego se transmite al procesador para su interpretación y acción.
MV tiene varias ventajas sobre los sistemas de visión tradicionales, incluyendo velocidad, precisión, confiabilidad y flexibilidad. Dado que las máquinas pueden detectar objetos de forma más rápida y fiable que los humanos, MV se puede utilizar para líneas de producción mucho más rápidas, así como para una categorización de objetos más precisa. Además, la flexibilidad de MV significa que se puede utilizar para una variedad de aplicaciones, como la identificación de objetos que son difíciles de diferenciar. Por último, la MV suele ser mucho más rentable que los métodos tradicionales para una aplicación determinada.
