机器视觉识别是一种计算机技术，旨在使计算机系统能够模仿人眼和大脑的功能，识别、分析和理解图像和视频。这项技术涉及图像处理、模式识别、计算机视觉、计算机图形学等多个领域。
机器视觉识别用到的方法
机器视觉识别涉及到多种方法和技术，以下是几种常见的方法：
1. Blob分析法（Blob Analysis）
Blob分析法是在计算机视觉中用来指代图像中的具有相似颜色、纹理等特征所组成的一块连通区域。Blob分析的过程是将图像进行二值化，分割得到前景和背景，然后进行连通区域检测，从而得到Blob块的过程。简单来说，Blob分析就是在一块“光滑”区域内，将出现“灰度突变”的小区域寻找出来。这种方法适用于背景单一，前景缺陷不区分类别，识别精度要求不高的场景。
2. 模板匹配法
模板匹配是一种最原始、最基本的模式识别方法，研究某一特定对象物的图案位于图像的什么地方，进而识别对象物。这种方法通过统计计算图像的均值、梯度、距离、方差等特征可以在图中找到目标，确定其坐标位置。模板匹配法对于图像或者模板的变化（如旋转、修改像素等）较为敏感，因此在应用时需要构建较完善的模板库。
3. 深度学习法
深度学习的应用使检测精度和检测速度都获得了改善。自AlexNet在比赛中使用卷积神经网络进而大幅度提高了图像分类的准确率，便有学者尝试将深度学习应用到目标类别检测中。进入深度学习时代以来，物体检测发展主要集中在两个方向：twostage算法如R-CNN系列和onestage算法如YOLO、SSD等。
4. 图像预处理
图像预处理是机器视觉识别中的一个重要步骤，包括矫正机器视觉所获得的图像目标，并将噪音等干扰进行合理过滤，对图像目标内部的信息开展有效提取。这通常包括图像的平移、旋转、缩放等操作，以及滤波处理，以去除图像中的噪音干扰，保留图像的各项特征。
5. 图像分割
通过加强图像分割，能够提高机器视觉的图像目标识别的自动化水平，使得图像目标识别效果更加显著。图像分割的方法有很多种，包括阈值分割法、能量最小化分割方法、区域生长分割方法等。
6. 特征提取
特征提取是在众多繁复的图像信息当中，要提取出符合要求的图像特征，对提取技术的速度与精度要求特别高。描述子的出现，有效解决了以上问题，例如，采用SURF描述子对图像目标特征进行识别，能有效提高图像目标识别效率和效果，同时SIFT
