盡管CV和MV之間的界線已經模糊，但兩者由其用例來定義。傳統(tǒng)上，計算機視覺用于自動化圖像處理，而機器視覺是計算機視覺在諸如生產線之類的真實界面中的應用。

　　生產線上的機器視覺

　　檢測缺陷并快速緩解這些缺陷的原因是任何制造過程的重要方面。公司已經轉向機器視覺解決方案來主動解決缺陷的發(fā)生和根本原因。通過在生產線上安裝攝像頭并訓練機器學習模型以識別定義好產品與壞產品的復雜變量，可以實時識別缺陷并確定缺陷在生產過程中的發(fā)生率可以采取步驟。

　　檢測視覺技術的機器學習模型

　　為了實現計算機或機器視覺的目標，首先需要訓練使機器視覺系統(tǒng)“智能化”的機器學習模型。為了使您的機器學習模型更準確，您需要大量的檢測數據，這些特定于正在構建的解決方案。有免費的，供公眾使用的數據集，可以很好地用于測試算法或執(zhí)行簡單的任務，但是要使大多數現實世界的項目成功，都需要專門的數據集以確保它們包含正確的元數據。例如，在自動駕駛汽車內實現計算機視覺模型需要大量的圖像檢測，以標記人員，交通信號，汽車和其他物體。對于自動駕駛汽車而言，任何低于總精度的問題都會成為一個巨大的問題。

　　公司可能會選擇部署內部檢測團隊來執(zhí)行這種類型的圖像識別，但是這樣做可能會很昂貴，并且會使員工轉移到核心技術上。這些經驗豐富的技術人員可幫助公司確定其項目的數據需求，并幫助維護檢測人員的高質量和高吞吐量。