计算机视觉，主要是对质的分析，比如分类识别，这是一个杯子那是一条狗。或者做身份确认，比如人脸识别...
计算机视觉，主要是对质的分析，比如分类识别，这是一个杯子那是一条狗。或者做身份确认，比如人脸识别，车牌识别。或者做行为分析，比如人员入侵，徘徊，遗留物，人群聚集等。
机器视觉，主要侧重对量的分析，比如通过视觉去测量一个零件的直径，一般来说，对准确度要求很高。我记得以前接触过一个需求: 视觉测量铁路道岔缺口。哥刚毕业的时候在铁路上班，做过控制管理系统，还开过内燃机车，很清楚道岔缺口的重要性，这玩意儿你说要是测不准，呵呵:)
当然，也不能完全按质或量一刀切，有些计算机视觉应用也需要分析量，比如商场的人数统计。有些机器视觉也需要分析质，比如零件自动分拣。但，计算机视觉一般来说对量的要求不会很高，商场人数统计误差个百分之几死不了人的，但机器视觉真的会，比如那个道岔缺口测量。
既然要求这么高，是不是机器视觉就比计算机视觉难呢？也不是的，应该说各有各的难处。
计算机视觉的应用场景相对复杂，要识别的物体类型也多，形状不规则，规律性不强。有一些时候甚至很难用客观量作为识别的依据，比如识别年龄，性别。所以深度学习更适合计算机视觉。而且光线，距离，角度等前提，往往是动态的，所以对于准确度要求，一般来说要低一些。
机器视觉则刚好相反，场景相对简单固定，识别的类型少(在同一个应用中)，规则且有规律，但对准确度，处理速度要求都比较高。关于速度，一般机器视觉的分辨率远高于计算机视觉，而且往往要求实时，所以处理速度很关键，目前基本上不适合采用深度学习。
以上讨论的是技术，商业方面，计算机视觉的应用面更广一些，毕竟很多业务是跟人相关，比如人脸识别，行为分析等，很多垂直领域都有计算机视觉潜在需求，相对来说，更适合创业；
而机器视觉顾名思义，业务主要跟机器相关，而且对准确度甚至安全性要求很高，也就在资质品牌方面有较高的门槛，所以寡头垄断严重，一般来说，更适合上班而不是创业。
MV 更多注重广义图像信号（激光，摄像头）与自动化控制（生产线）方面的应用。
CV 更多注重（2D, 3D）图像信号本身的研究以及和图像相关的交叉学科研究（医学图像分析，地图导航）。
以前有区别，现在没区别，或者更准确地说，技术演变到现在，机器视觉成为计算机视觉的一部分。
这就象工业控制和嵌入式系统一样，以前工业控制就是一个PLC，然后出现单板机（大板和小板），然后再出现单片机，工业级微处理器（8086，80386），然后再出现嵌入式微处理器，门阵列，信号处理器。PLC，不必多说，是固化的，单板机，基本没操作系统，单片机一开始是没有操作系统的，后来随着操作系统开发技术的发展，出现了针对单片机的操作系统，但是很简单的。门阵列和信号处理器，也没有操作系统，不过，后面性能强大的门阵列有操作系统，比如高端路由器就有操作系统。到了嵌入式微处理器，由于性能强大，存储空间大，所以有了专门的嵌入式操作系统。当然，上位机下位机的结构不在此讨论范围内。
那么，机器视觉也是一样的。机器视觉的背景，就象刚开始的PLC时代的工业控制一样，并没有强大的CPU（即使在很长的一段时间内，也没有强大的CPU），比如高端的摄像头，就是一个典型的机器视觉。
随着微电子技术工艺和计算机技术的发展，计算机的性能越来越强大，存储空间也慢慢变得高，所以，基于计算机系统的视觉信号的处理就成为可能。
到了今天，再强行区别机器视觉和计算机视觉，已无意义了。只能象嵌入式系统一样，根据具体的应用，选择正真适合的软、硬件技术。既可能将算法固化为硬件，比如专用的ISP（图像处理器），也可能是大规模的人脸识别系统。
所以，到了今天，再说这是机器视觉，那是计算机视觉，毫无必要，甚至有些可笑，打个比方说，刻意地说，这是单片机，那是嵌入式微处理器，其实都是嵌入式系统。
工业级视觉技术应用与消费级视觉技术的对比。除了以机器视觉为代表的视觉技术大范围的应用于工业制作外，在消费级领域，随着数据量上涨、运算力提升和深度学习算法的发展，计算机视觉技术慢慢的变多地被应用在各类消费级应用场景中，典型的如人脸识别服务，具体包括人脸检测、人脸关键特征点、人脸对比、人脸搜索、人脸属性、人脸聚类、人力活体检测等。计算机视觉是指用计算机实现人的视觉功能，对客观世界的三维场景的感知、识别和理解。计算机视觉与研究人类或动物的视觉不同，它借助于几何、物理和学习技术来构筑模型，从而用统计的方法来处理数据。
从学科上，机器视觉（Machine Vision, MV）与计算机视觉（Computer Vision, CV）都被认为是人工智能的下属科目。两者既有联系又有区别。首先，机器视觉与计算机视觉有很多相似之处，在架构上都是基础层+技术层+应用层；并且两者的基本理论框架、底层理论、算法等是相似的，因此机器视觉与计算机视觉在技术和应用领域上会有一定重叠。
但两者确实是相互区别的，机器视觉与计算机视觉是两个不同的概念，并且侧重点不同。计算机视觉是采用图像处理、模式识别、人工智能技术相结合的手段，着重于一幅或多幅图像的计算机分析。图像可以由单个或者多个传感器获取，也可以是单个传感器在不同时刻获取的图像序列。
机器视觉则偏重于计算机视觉技术工程化，能自动获取和分析特定的图像，以控制相应的行为。具体的说，计算机视觉为机器视觉提供图像和景物分析的理论和算法基础，机器视觉为计算机视觉的实现提供传感器模型、系统构造和实现手段。二者共用一套理论系统，只是发展的方向不同，机器视觉侧重于在工业领域的实际应用，而计算机视觉侧重理论算法的研究。
从应用领域上，机器视觉大多应用在工业领域上，具体应用包括计量与检测、智能制造等；除了在工业领域应用外，在消费领域的众多场景中，多是计算机视觉的具体应用。由于理论的研究发展速度往往快于实践应用，即计算机视觉的发展远超于了其时间实践。目前掌握的具体计算机视觉任务的方法，也仅仅适用于狭隘的人脸识别、指纹识别等简单任务，无法广泛的应用于不同场合。
从组成上看，机器视觉系统包含硬件和软件诸多元素，除了算法与软件是系统核心内容外，如传感器、控制器等也是核心组成部分。以天准科技为例，其成本90%以上是原材料，而原材料中，传感器类（镜头、相机、传感器）、机械类成本分别占41.5%、37.1%。在机器视觉产业链中，除了视觉系统、传感器、光源、镜头等零部件厂商外，中游还包括具备核心技术的装备制造商、以及其他众多的系统集成商。
而在消费级领域的应用，企业多提供解决方案，其中以算法与软件为核心，硬件成本不高。
由于机器视觉侧重工程的应用，因而强调实时性、高精度和高速度，以及算法的可靠性、系统的稳定性。从技术变革趋势来看，3D视觉、多光谱成像、高速成像与处理、深度学习是机器视觉持续改善性能的重要方向。当前机器视觉输入的图像仍以2D信息为主，后续结合新型传感器的3D视觉技术有望大幅度的提高机器视觉的应用场景范围。其次，高光谱和多光谱成像能够同时处理多个不同品类的产品检验测试，也是未来机器视觉演进的重要方向。另外，以线扫描为代表的高速成像技术能够提升成像速度，进而提升检测效率。最后，深度学习+机器视觉能不断优化检测参数、增加检测灵活性，也是后续机器视觉创新的重要方向。
总结：工业级机器视觉和消费级机器视觉有本质的区别，在应用侧重点、结构上有着明显的差别，但是工业机器视觉和消费级机器视觉都源自人工智能的技术，感知和算法是核心技术，也就从另一方面代表着产品和技术在所有的领域的可延展性是比较强的。机器视觉是比较通用的底层技术，可以大范围的应用在工业和非工业领域，对当前制造业的改造和升级，起到了至关重要的作用。机器视觉，以其可靠性和经济性正在大范围的应用各个工业制造场景，未来的增长前景广泛。
