機器視覺 Machine Vision, MV，

計算機視覺 Computer Vision, CV。

從學科分類上， 二者都被認為是 Artificial Intelligence 下屬科目

簡單來說區(qū)別首先是應用場景不一樣，MV 眼睛對著機器，CV 眼睛對著人。

計算機視覺學術(shù)一些，更偏軟件；

機器視覺軟硬件都包括（采集設備，光源，鏡頭，控制，機構(gòu)，算法等。），指的是系統(tǒng)，更偏實際應用。因此更多的是把機器視覺，叫做機器視覺系統(tǒng)。

主觀感覺上：
MV 機器視覺更多注重廣義圖像信號（激光，攝像頭）與自動化控制（生產(chǎn)線）方面的應用。
CV 計算機視覺更多注重（2D, 3D）圖像信號本身的研究以及和圖像相關(guān)的交叉學科研究（醫(yī)學圖像分析，地圖導航）

其次，我感覺比較大的區(qū)別，在于技術(shù)要求的側(cè)重點不一樣，甚至差別很大。

計算機視覺，主要是對質(zhì)的分析，比如分類識別，這是一個杯子那是一條狗?；蛘咦錾矸荽_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。

機器視覺，主要側(cè)重對量的分析，比如通過視覺去測量一個零件的直徑，一般來說，對準確度要求很高。我記得以前接觸過一個需求: 視覺測量鐵路道岔缺口。

當然，也不能完全按質(zhì)或量一刀切，有些計算機視覺應用也需要分析量，比如商場的人數(shù)統(tǒng)計。有些機器視覺也需要分析質(zhì)，比如零件自動分揀。但，計算機視覺一般來說對量的要求不會很高，商場人數(shù)統(tǒng)計誤差個百分之幾死不了人的，但機器視覺真的會，比如那個道岔缺口測量。

既然要求這么高，是不是機器視覺就比計算機視覺難呢？也不是的，應該說各有各的難處。

計算機視覺的應用場景相對復雜，要識別的物體類型也多，形狀不規(guī)則，規(guī)律性不強。有些時候甚至很難用客觀量作為識別的依據(jù)，比如識別年齡，性別。所以深度學習比較適合計算機視覺。而且光線，距離，角度等前提條件，往往是動態(tài)的，所以對于準確度要求，一般來說要低一些。

機器視覺則剛好相反，場景相對簡單固定，識別的類型少(在同一個應用中)，規(guī)則且有規(guī)律，但對準確度，處理速度要求都比較高。關(guān)于速度，一般機器視覺的分辨率遠高于計算機視覺，而且往往要求實時，所以處理速度很關(guān)鍵，目前基本上不適合采用深度學習。

以上討論的是技術(shù)，商業(yè)方面，計算機視覺的應用面更廣一些，畢竟很多業(yè)務是跟人相關(guān)，比如人臉識別，行為分析等，很多垂直領(lǐng)域都有計算機視覺潛在需求，相對來說，更適合創(chuàng)業(yè)；

而機器視覺顧名思義，業(yè)務主要跟機器相關(guān)，而且對準確度甚至安全性要求很高，也就在資質(zhì)品牌方面有較高的門檻，所以寡頭壟斷嚴重，一般來說，更適合上班而不是創(chuàng)業(yè)。

機器視覺與計算機視覺的主要區(qū)別應該是應用上的不同，機器視覺側(cè)重于工業(yè)視覺，計算機視覺側(cè)重于商用視覺應用

另外是在計算能力上，在計算機和機器人的計算能力中，前者幾乎可以是無限的，而后者的算法必須考慮控制計算規(guī)模。