典型的工业机器视觉系统包括：光源、镜头（定焦镜头、变倍镜头、远心镜头、显微镜头）、相机（包括CCD相机和COMS相机）、图像处理单元（或图像捕获）、图像处理软件、监视器、通讯/输入输出单元等。系统可再分为一、采集和分析分开的系统。产品的小型化趋势让这个行业能够在更小的空间内包装更多的部件，这意味着机器视觉产品变得更小，这样他们就能够在厂区所提供的有限空间内应用。主端电脑（HostComputer)影像撷取卡（FrameGrabber)与影像处理器影像摄影机定焦镜头镜头显微镜头照明设备Halogen光源LED光源高周波萤光灯源闪光灯源其他特殊光源影像显示器LCD机构及控制系统PLC、PC-Base控制器精密桌台伺服运动机台二、采集和分析一体的系统智能相机（图像采集和分析一体）其他配套外围设备：光源、显示、PLC控制系统等等。光源选型基本要素：对比度：对比度对机器视觉来说非常重要。机器视觉应用的照明的的任务就是使需要被观察的特征与需要被忽略的图像特征之间产生对比度，从而易于特征的区分。对比度定义为在特征与其周围的区域之间有足够的灰度量区别。好的照明应该能够保证需要检测的特征突出于其他背景。亮度：当选择两种光源的时候，的选择是选择更亮的那个。当光源不够亮时，可能有三种不好的情况会出现。Blob检测根据上面得到的处理图像，根据需求，在纯色背景下检测杂质，并且要计算出的面积，以确定是否在检测范围之内。，相机的信噪比不够；由于光源的亮度不够，图像的对比度必然不够，在图像上出现噪声的可能性也随即增大。其次，光源的亮度不够，必然要加大光圈，从而减小了景深。另外，当光源的亮度不够的时候，自然光等随机光对系统的影响会。在行业应用方面，主要有制药、包装、电子、汽车制造、半导体、纺织、、交通、物流等行业，用机器视觉技术取代人工，可以提供生产效率和产品质量。例如在物流行业，可以使用机器视觉技术进行快递的分拣分类，不会出现大多快递公司人工进行分拣，减少物品的损坏率，可以提高分拣效率，减少人工劳动。[6]产展编辑机器视觉的研究是从20世纪60年代中期美国学者L.R.罗伯兹关于理解多面体组成的积木世界研究开始的。当时运用的预处理、边缘检测、轮廓线构成、对象建模、匹配等技术，后来一直在机器视觉中应用。罗伯兹在图像分析过程中，采用了自底向上的方法。用边缘检测技术来确定轮廓线，用区域分析技术将图像划分为由灰度相近的像素组成的区域，这些技术统称为图像分割。其目的在于用轮廓线和区域对所分析的图像进行描述，以便同机内存储的模型进行比较匹配。实践表明，只用自底向上的分析太困难，必须同时采用自顶向下，即把目标分为若干子目标的分析方法，运用启发式知识对对象进行预测。这同言语理解中采用的自底向上和自顶向下相结合的方法是一致的。在图像理解研究中，A.古兹曼提出运用启发式知识，表明用符号过程来解释轮廓画的方法不必求助于诸如二乘法匹配之类的数值计算程序。[3]②经济性要求机器的经济性体现在设计、制造和使用的全过程中，设计机器时就要综合地进行考虑。70年代，机器视觉形成几个重要研究分支：①目标制导的图像处理；②图像处理和分析的并行算法；③从二维图像提取三维信息；④序列图像分析和运动参量求值；⑤视觉知识的表示；⑥视觉系统的知识库等。机器视觉的应用正越来越多地代替人去完成许多工作，这无疑在很大程度上提高了生产自动化水平和检测系统的智能水平。机器视觉与计算机视觉的不同机器视觉不同于计算机视觉，它涉及图像处理、人工智能和模式识别机器视觉是专注于集合机械，光学，电子，软件系统，检查自然物体和材料，人工缺陷和生产制造过程的工程，它是为了检测缺陷和提高质量，操作效率，并保障产品和过程安全。它也用于控制机器。图像采集像采集卡只是完整的机器视觉系统的一个部件，但是采集卡(2张)它扮演一个非常重要。机器视觉是将计算机视觉应用于工业自动化。)