工业视觉检测所涉及的关键技术：
总体上说由系统硬件优化设计和系统软件优化设计两部分组成。系统硬件设计涉及摄像机和镜头的选用、图像采集和传输等，系统软件方面主要包括图像处理技术、图像特征识别、图像理解和摄像机标定技术等，每一组成部分都直接影响最终视觉检测结果，包括检测系统的速度、精度、稳定性、可靠性等。在系统硬件设计相同的情况下，软件技术成为提高检测精度和检测速度的关键，图像处理技术是在视觉检测系统软件中的核心部分，主要包括图像分割、边缘检测、亚像素定位和图像特征提取等技术，由于三维世界的物体都是由点、线、面等几何元素相互连接而成的，图像特征提取主要包括图像中角点、直线、曲线等几何特征的识别和理解。
1.图像分割
图像分割算法一般基于像素属性的不连续性或相似性，亮度属性是图像的基本属性，也是图像分割中应用最多的属性。基于图像边缘的图像分割方法是基于亮度不连续性的方法；阈值法和区域生长法则是典型的基于亮度相似性的图像分割方法。
2.边缘检测
典型的边缘检测方法是微分算子法，后来出现了 Canny 边缘检测算法、小波边缘检测算法、基于数学形态学的方法和SUSAN 边缘检测方法等。
3.边缘的亚像素定位技术
自从 1971 年 HUECKEL 用拟合参数方程的方法实现图像边缘亚像素定位至今，已经形成了多种亚像素定位方法。基于矩法的亚像素边缘检测技术有灰度矩法、二阶矩法、空间矩法、Zernike 正交矩法及各种改进算法；基于插值的亚像素算法有多项式插值法和四阶非线性插值法等；基于曲线拟合的亚像素定位算法主要有二次曲线拟合和高斯曲线拟合法；还有基于小波的亚像素边缘定位方法等。
4.摄像机标定
传统的摄像机标定方法是在一定的摄像机模型之下，在摄像机前放置具有确定形状、确定尺寸的物体作为参照物，摄像机获取该物体的图像，并据此计算摄像机模型参数。常用的有基于三维立体靶标的摄像机标定方法、基于二维自由移动靶标的摄像机标定方法和基于径向约束的摄像机标定方法。摄像机自标定方法不需要事先放置标定参照物，仅利用摄像机在运动过程中周围环境的序列图像之间的对应关系来对摄像机进行的标定。目前已有的自标定技术大致可以分为基于主动视觉的摄像机自标定方法、基于二次曲线的自标定方法和直接求解 Kruppa 方程的摄像机自标定方法等几种。
