重磅预告：本专栏将独家连载新书《智能体视觉技术与应用》（系列丛书）部分精华内容，该书是世界首套系统阐述“因式智能体”视觉理论与实践的专著，特邀美国 TypeOne 公司首席科学家、斯坦福大学博士 Bohan 担任技术顾问。Bohan先生师从美国三院院士、“AI教母”李飞飞教授，学术引用量在近四年内突破万次，是全球AI与机器人视觉领域的标杆性人物（type-one.com）。全书严格遵循“基础—原理—实操—进阶—赋能—未来”的六步进阶逻辑，致力于引入“类人智眼”新范式，系统破解从数字世界到物理世界“最后一公里”的世界级难题。该书精彩内容将优先在本专栏陆续发布，其纸质专著亦将正式出版。敬请关注！

前沿技术背景介绍：AI智能体视觉（TVA，Transformer-based Vision Agent）是依托Transformer架构与“因式智能体”理论所构建的颠覆性工业视觉技术，属于“物理AI” 领域的一种全新技术形态，实现了从“虚拟世界”到“真实世界”的历史性跨越。它区别于传统机器视觉和常规AI视觉技术，代表了工业智能化转型与视觉检测模式的根本性重构。 在实质内涵上，TVA是一种复合概念，是集深度强化学习（DRL）、卷积神经网络（CNN）、因式分解算法（FRA）于一体的系统工程框架，构建了能够“感知-推理-决策-行动-反馈”的迭代运作闭环，完成从“看见”到“看懂”的范式突破，不仅被业界誉为“AI视觉品控专家”，而且也是机器人视觉与运动控制系统的关键技术支撑。

版权声明：本文系作者原创首发于 CSDN 的技术类文章，受《中华人民共和国著作权法》保护，转载或商用敬请注明出处。

一、MV与RV的理论内核

首先，从学科的基本属性与定位来说，机器视觉（Machine Vision, MV）是计算机科学的一个分支，常作为CV的核心组成部分，而机器人视觉（Robotic Vision, RV）则是机器人学的一个分支，也常作为TVA的重要组成部分，两者的理论内涵与工作原理存在很大差异；

其次，在本质意义上，MV与RV的区别主要在于其核心目标、系统角色、与物理世界的交互深度以及评价体系。机器视觉旨在“感知与判断”，而机器人视觉则追求“感知-理解-决策-执行”的闭环。

（注：为便于表述，本系列文章中的机器人视觉（RV），如无特别说明，均意指具身机器人、灵巧机器人、人形机器人、智能机器人，不包括传统工业机器人）

二、MV与RV的案例对比

案例一：螺丝检测

• 机器视觉场景：在电路板生产线上，固定相机拍摄每块板子，视觉系统快速定位所有螺丝孔，测量其孔径和位置，并与CAD图纸比对，输出“合格”或“孔径偏差XX微米”的报告。

  # 伪代码：MV螺丝检测核心逻辑
  image = acquire_image() # 固定位置拍摄
  edges = canny_edge_detect(image) # 边缘检测
  circles = hough_transform(edges) # 检测圆（螺丝孔）
  for circle in circles:
      diameter = measure_pixel_width(circle) # 测量像素尺寸
      real_diameter = pixel_to_mm(diameter, calibration_matrix) # 转换到物理尺寸
      if abs(real_diameter - spec_diameter) > tolerance: # 判断
          send_fail_signal()
  

• 机器人视觉场景：一个装配机器人需要从料框中拾取散乱的螺丝并拧入工件。视觉系统需：1）从点云中分割并识别出单个螺丝；2）估计螺丝的6D姿态（位置和旋转）；3）判断螺丝头型，以选择正确的批嘴；4）规划无碰撞的抓取路径和拧入轨迹。

  # 伪代码：RV螺丝抓取与装配核心逻辑
  point_cloud, rgb = robot.get_vision_data() # 获取当前视角的3D点云和彩色图
  screw_instances = segment_and_detect_screws(point_cloud, rgb) # 实例分割
  for screw in screw_instances:
      pose = estimate_6d_pose(screw) # 6D姿态估计
      if is_graspable(pose, robot_arm_state): # 可达性判断
          grasp_plan = plan_grasp_trajectory(pose) # 规划抓取轨迹
          success = robot.execute(grasp_plan) # 执行抓取
          if success:
              insertion_plan = plan_insertion_path(workpiece_model) # 规划装配路径
              robot.execute(insertion_plan)
  

案例二：物体识别

• 机器视觉：在传送带上识别不同型号的汽车零件，并触发机械臂将其分拣到不同料箱。识别主要基于外形轮廓、二维码或特定区域的纹理特征，追求在高速下接近100%的识别率。
• 机器人视觉：一个家庭服务机器人被要求“把桌上的红色杯子拿过来”。它需要：1）在动态变化的家庭环境中找到“桌子”；2）在桌面杂物中识别出“红色杯子”；3）理解“拿过来”这个动作意味着需要安全地抓取并移动到发出指令的人附近；4）在移动过程中避开障碍物。这要求系统具备开放词汇识别、场景理解、任务分解和长期规划的能力。

三、MV与RV的区别总结

机器视觉的本质是“专业化、精密化的感知仪器”，它在严格约束的工业环境中，将视觉信息转化为可靠的、可重复的决策数据，其智能体现在对噪声和变异的鲁棒性上。而机器人视觉（作为TVA的核心）的本质是“具身智能体的感知与认知模块”，它在一个开放、动态的世界中，为自主行动提供实时的、富含语义的环境模型，其智能体现在对不确定性的处理和对任务的泛化能力上。简言之，前者是工业自动化的“眼睛”，后者是自主机器人的“眼睛和空间大脑”。

写在最后——以TVA重新定义工业视觉的理论内核与能力边界

机器视觉与机器人视觉的核心区别在于应用目标与交互方式。机器视觉专注于工业场景下的高精度静态检测（如零件测量），属于单向感知系统；而机器人视觉强调动态环境中的实时交互（如抓取装配），需结合语义理解与动作规划，形成感知-决策-执行的闭环。前者追求稳定性和重复精度，后者注重任务成功率和环境适应性。技术栈上，机器视觉依赖传统图像处理，机器人视觉则整合深度学习与多模态融合，体现从"工业传感器"到"具身智能体感知器官"的本质差异。

参考来源

• 计算机视觉（CV）、机器视觉（MV）、常规AI视觉（AIV）、视频流视觉（VSV）、智能体视觉（TVA）的内在联系与本质区别
• 3、视觉的挑战：人类与机器视觉的奥秘探索
• Halcon机器视觉操作例程实战详解
• AI视觉，让机器人“开眼”看世界
• 1.图像作为函数 | 机器视觉介绍_1
• 王垠：机器与人类视觉能力的差距（1）