機器人視覺只是個攝像機加上間距探測（雷達），獲得對外部情況的“感知”。至於機器人對感知到的資訊能否有意識的去利用，就很值得懷疑了。據我所知，目前製造出來的機器人，其主觀能動性都是程式化的。其對語言的感知也是預定的，比如：一個語言單詞、片語或一句話所產生的聲波會分別對應於某個相關聯的資訊地址，實現某個答案的語言播放，僅此而已。語言，確實是大腦換醒（突現）某個資訊的存在機制，這個資訊被換醒之後，如果少了自我意識，就無法識別和深度利用（聯想思維），要想機器人具有主觀能動性，除了能夠把感覺到的資訊以某種狀態“潛伏”下來以外，還要對視覺感覺到的資訊與經驗資訊進行對比。透過對比，獲得知道，意識就產生了。然後思維在意識下對即時需求（對某個問題的關注點）進行調動經驗資訊（長期記憶資訊）做出擴散性聯想思維活動。所以人與機器人對感覺資訊的接收方式和利用方式是絕然不同的。

附：人的資訊獲得機制之本人之見

大腦獲取的各種資訊，來自於體內外。大腦獲取資訊的生理途徑來之於視、聽、嗅、味以及體內和體表的感受器。人的一切生理活動皆建立在這些感受器的基礎之上，可以說是這些感受器賦予了生命體的存在、進化、記憶存取以及自主運動和隨意運動的機能。

每一個感受器，在接受一種資訊內容的刺激時，都是感受器內群體性神經感受細胞共同興奮活動的過程。在這個活動過程中，每一個感受細胞各自獨立、各自運作、各具興奮度狀態，但又相互協作，在同一個時間段裡，把一個資訊內容整合在一起。整合，就是形成一個獨一無二的記憶單元（共同興奮體），並且以一個脈衝頻率波的形式，實現長期性、整體性和“困綁”在一起的興奮體狀態記憶。這個“興奮體狀態記憶”，在進入海馬前，還不具有長期記憶的存在機能，但也有初始資訊接受時的短期“印痕”，並在形成長期記憶以後，下次再提取此資訊時，埋下了被容易提取出來的“伏筆”（慣性衝動狀態）。以視覺感受器為例，視野資訊畫面藉助光入瞳孔，再經過晶狀體透鏡聚焦後投射至視網膜。

視網膜上進化出了密密麻麻的縱向排列著的柱狀視杆和視錐感受細胞。視野中，照片式資訊畫面內容被數以萬計的視網膜感受神經錐細胞所一一對應，視網膜上的感覺神經錐細胞將整體的視野照片式資訊畫面內容“分割”成了數以萬計的畫素點。“照片”內容中不同的區域，一般都存在著自然的黑白明暗差和色彩差，無論是黑白差還是色彩差，它們都是一種藉助光子下的衝動頻率波。對視網膜感受細胞的刺激度大小，一般取決於光的明暗度；對視網膜感受細胞的不同色彩刺激，一般取決於光對視野物的折返頻率波的頻率波長。有什麼樣的頻率波。就有什麼樣的視網膜神經錐細胞被刺後的興奮態。使得視網膜神經錐細胞的興奮度狀態與刺激源的明暗度和色彩度刺激相一致。視網膜中每一個神經錐杆細胞本身，都存在著感受閾，可描述為：從抑制狀態的0到最大興奮度狀態的100。如果視野照片式資訊內容的某個區域中一個極其微小的點，其黑白色彩亮度處於1，說明能夠引起視網膜中某一個神經錐杆細胞的興奮閾度低到接近極限，或者說這個視野資訊的微小點上，暗到不能引起神經錐細胞興奮的程度；視野資訊的黑白色彩亮度處於50，說明視網膜內該神經錐杆細胞被刺激後的興奮閾度處於中間狀態。也說明反光亮度和波峰處於中等刺激水平；視野資訊的黑白色彩亮度處於100，說明視網膜內該神經錐杆細胞的興奮度處於最高限度的檔位閾。數以百萬計的視網膜神經錐杆細胞在“面對”視野照片式資訊畫面內容時，“它們”各自做出自己的興奮度反應。這樣，整個視網膜上群體性神經錐細胞的興奮度，就完全徹底地“複製”了視野照片式資訊畫面內容中黑白和色彩度的全部狀態，即使這個視野資訊畫面處於光亮度不斷變化的環境之下，但就整體性而言，視野資訊畫面內容透過光反射，對群體性神經細胞的刺激，仍然保持一致的梯度響應，這個視野資訊不會因光亮度變化而導致資訊內容的串改。視網膜這個群體神經錐杆細胞的整體興奮狀態再匯聚到視神經盤，入視神經，透過外側膝狀體中繼後投射到視覺感覺皮質，引起視覺皮層中群體性神經錐細胞的共同興奮活動。視覺皮層中，神經錐細胞的共同興奮度狀態與視網膜神經細胞的興奮度狀態是一致的，視覺皮質是一種應承性反應，類似於電腦的顯示器，有什麼樣的資訊脈衝頻率波送達，顯示器就“照本宣讀”。因此，視覺皮質的應答性反應與視野資訊畫面內容的黑白色彩相一致。人才得以感覺到視野資訊畫面。以上就是人感受或獲得視野資訊內容的生理運作機制。

人的其它感受器，其構造和形態雖然各不相同，但是有一點是相同的，那就是一個感受器內數以百萬計的感受細胞，分別都有自己的感受閾，呈相嵌模式，縱柱向排列，相互緊鄰在一起，面對同一個資訊單元的刺激，感受細胞在同一時間段裡，各自做出“自己”的衝動度閾值反應。這種群體性神經細胞的共同差異性、協調性反應（興奮），表現出錯落有致，精準地反應出了全部刺激源的資訊狀態。

（1）從字面上，機器視覺和計算機視覺載體不同，機器視覺是應用在機器裝置上，而計算機視覺則是單純的計算機計算出來。

（2）從目的上，機器視覺是為了被測物測量，計算機視覺為了目標資訊提取識別。

（3）從原理上，機器視覺依賴於攝像機模型，進而建立攝像機座標系或世界座標系下物體測量/位姿估計/空間定位等；計算機視覺單純的依賴於影象資訊，不涉及空間資訊，具體表現在三大任務上分類/識別/分割。

（4）從學科上，自動化、機械工程等專業主要依賴於機器視覺建立智慧裝備解決方案；計算機等專業則以計算機視覺建立攝像機的軟體演算法。

機器視覺與計算機視覺的共同基礎理論有影象處理，分化點在解決任務時逐步形成了鮮明的體系方法。不過，目前這兩者很多時候沒有明顯的分界線，例如計算機視覺的深度學習，也已逐步應用在機器人抓取等場合。以點雲資訊為物件，計算機視覺建立了很多方法，這也促進了三維空間下機器視覺的發展。

作為以機器視覺相關課題畢業的碩士研究生，應該勉強能夠回答題主的問題。就個人見解來說，機器視覺主要是用於實際的工業應用，計算機視覺則側重於理論研究。

機器視覺一般應用於機器人或執行機構上，用於指導機器人或執行機構的運動，其目的一般是得到某一特徵的空間位姿、色彩等一些簡單的影象資訊，而後透過控制器實現對運動執行機構的運動調整，如機器人自動抓取，缺陷識別等。機器視覺更強調演算法的實時性和準確性。機器視覺的原則是夠用就好。

計算機視覺一般沒有附屬的執行機構，其主要透過計算機對攝像頭獲取的影象資訊進行深度處理，進而得到更加豐富的資訊，如人臉識別等，其所用的演算法更加複雜，一般為得到所需資訊的時間也更長。計算機視覺則更側重透過某種演算法得到更多的資訊，最佳化演算法的效率等。

我是 機器視覺軟體工程師 專業做機器視覺相關的開發。

機器視覺是計算機視覺領域研究的一個分支。計算機視覺研究的方向更廣，以下是我的講解。

機器視覺

機器視覺重在對影象的理解，成像系統獲取影象後，透過影象處理演算法對影象進行增加、分割、特徵提取等演算法操作後。計算機視覺是一個更大的研究方向，透過不斷的研究和總結把一些前沿的理論應用到機器視覺領域， 現在的機器視覺演算法，早在十幾年二十幾年前都有人研究好了，而大規模的機器視覺應用是在00年後，特別是蘋果手機問世，蘋果手機對產品零件質量要求更高，讓機器視覺這個行業也帶火起來了，國內外工廠也就都慢慢接受機器視覺檢測了。 計算機視覺在我們公司是有方向的，他們是 “預研組”， 也就是預研究計算機視覺的技術， 不斷的把這些技術應用到機器視覺領域， 比如這幾年深度學習比較火， 這以前是計算機視覺研究的領域， 現在把深度學習帶入機器視覺，進行檢測工業生產中的一些產品缺陷，如下圖中，透過深度學習檢測產品生產過程中產品顏色、高度等是否正常。

我相信在十幾年後，很多計算機視覺裡面的技術都會應用到機器視覺領域，為工業自動化領域貢獻一片力量。

計算機視覺

計算機視覺是一門大的學科，是一門理論性很強的研究領域，國內外很多大牛都在研究這個領域，國內計算機視覺 ‘四小龍’，商湯科技、曠視科技、依圖科技、雲從科技都是在計算機視覺領域有深度研究，順便說一句，美國這個把 商湯科技 列為貿易管制清單中，足以見計算機視覺在未來的重要性。

計算機視覺是一門大學科，裡面包括影象處理、模式識別、影象識別、語音識別、語義識別、人工智慧、深度學習、人臉識別等，是非常多的

計算機視覺和機器視覺應用場景不同，就像拉貨車和載客車是的，側重點不同而已，一個側重人工智慧分支，一個側重工業應用！簡單說起來的話，計算機視覺偏重於深度學習並且偏向軟體，機器視覺偏重於特徵識別同時對硬體方面要求也比較高，不過隨著對智慧識別要求越來越高的發展，這兩個方向畢竟會互相滲透互相融合，區別也僅僅限於應用領域不同而已。

其次，我感覺最大的區別，在於技術要求的側重點不一樣，甚至差別很大。

計算機視覺，主要是對質的分析，比如分類識別，這是一個杯子那是一條狗。或者做身份確認，比如人臉識別，車牌識別。或者做行為分析，比如人員入侵，徘徊，遺留物，人群聚集等。