盡管CV和MV之間的界線已經(jīng)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(chǎn)線之類的真實界面中的應(yīng)用。

　　生產(chǎn)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(jīng)轉(zhuǎn)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(chǎn)線上安裝攝像頭并訓(xùn)練機器學(xué)習模型以識別定義好產(chǎn)品與壞產(chǎn)品的復(fù)雜變量，可以實時識別缺陷并確定缺陷在生產(chǎn)過程中的發(fā)生率可以采取步驟。

　　檢測視覺技術(shù)的機器學(xué)習模型

　　為了實現(xiàn)計算機或機器視覺的目標，首先需要訓(xùn)練使機器視覺系統(tǒng)“智能化”的機器學(xué)習模型。為了使您的機器學(xué)習模型更準確，您需要大量的檢測數(shù)據(jù)，這些特定于正在構(gòu)建的解決方案。有免費的，供公眾使用的數(shù)據(jù)集，可以很好地用于測試算法或執(zhí)行簡單的任務(wù)，但是要使大多數(shù)現(xiàn)實世界的項目成功，都需要專門的數(shù)據(jù)集以確保它們包含正確的元數(shù)據(jù)。例如，在自動駕駛汽車內(nèi)實現(xiàn)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(nèi)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(zhuǎn)移到核心技術(shù)上。這些經(jīng)驗豐富的技術(shù)人員可幫助公司確定其項目的數(shù)據(jù)需求，并幫助維護檢測人員的高質(zhì)量和高吞吐量。