机器视觉是人工智能正在快速发展的一个分支，简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

机器视觉系统的特点是提高生产的柔性和自动化程度。在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉。

机器视觉技术目前已经广泛应用在机器人自主导航、机器人手眼一体伺服控制等领域中。但是在公安排爆机器人领域，机器视觉技术应用较少。多数排爆任务需要公安干警近距离进行勘察，而人的主观判断往往受制于经验和生活中积累常识的影响，会出现不客观的错误判断。利用机器视觉系统采集的信息，能自主的分辨不同颜色、形状、深度的排爆目标，同时将采集的图像与常用爆炸物专家库中的信息进行比对，客观地反应目标是否为爆炸物并给出判断结果。

机器人视觉技术的研究，最初源于1967年初美国斯坦福大学W.Wichman等人在一个机器人人工智能项目中，提出机器人以获得的视觉光流作为视觉反馈控制的输入信息，进行机器人的闭环位置控制。

他的思想被认为是机器人视觉技术的最初雏形，然而该研究项目在当时并未得到足够的重视，主要原因是在当时视觉采集和图像处理系统设备相当昂贵且并未成熟。直至1973年，当时为日本大阪大学教授的Y.Shirai在美国麻省理工学院人工智能实验室作访问学者期间，与实验室其他学者共同建立了机器人视觉控制方法的实验研究模型，并首次较成熟地提出了视觉控制方法的研究模型。但还是由于计算机图像采集设备和图像处理技术的限制，并未带动机器人研究学者对视觉控制方法研究的热潮。

进入90年代以后，特别是随着计算机图像采集设备、图像处理技术和机器人控制技术的革新和发展，机器人视觉控制算法获得了更深入的关注和研究。以B.Espiau等人于1992年提出的机器人视觉控制算法为起点，机器人视觉控制算法的研究又一次受到了极大的关注。

比如

AI在机器视觉中的适用性依赖于机器学习技术，更准确的说是深度学习能力。从最广泛的层面上来说，AI可以被定义为计算机模拟人类智能的能力，机器学习使计算机能够在没有明确编程的情况下进行操作。深度学习，是机器学习的一个子领域，使计算机能够从经验中不断学习。

过去十年的一些发展使得在机器视觉中应用深度学习技术成为现实。基于神经网络的新技术，图形处理单元（GPU）足够强大的计算能力以及丰富的数据，现在我们已经可以使用人工智能进行图像处理。

深度学习为传统的机器视觉技术带来了希望，因为它与使用基于规则方法的传统图像处理软件不同。目前，机器视觉用户已经可以在市场上找到深度学习系统软件。相较于传统机器视觉解决方案，深度学习的另一个优点是可以减少开发机器视觉程序所需的时间。