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。

  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，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。所以深度学习比较适合计算机视觉。而且光线，距离，角度等前提条件，往往是动态的，所以对于准确度要求，一般来说要低一些。

  机器视觉技术的快速发展为一些新兴市场提供了新的发展机遇。比如，虚拟现和增强现技术的兴起，让机器视觉在游戏、娱乐、教育等领域有了广阔的应用前景。机器视觉通过对图像、视频的处理和分析，实现与用户的交互和沉浸式体验，为用户提供全新的感官体验。