機(jī)器視覺主要用計算機(jī)來模擬人的視覺功能，但并不僅僅是人眼的簡單延伸，更重要的是具有人腦的一部分功能一一從客觀事物的圖像中提取信息，進(jìn)行處理并加以理解，終用于實際檢測、測量和控制。將機(jī)器視覺技術(shù)應(yīng)用于禽蛋品質(zhì)檢測具有人工檢測所無法比擬的優(yōu)勢。表面缺陷與大小、形狀是蛋品品質(zhì)的重要特征，利用機(jī)器視覺進(jìn)行檢測不僅可以排除人的主觀因素的干擾，而且還能夠?qū)@些指標(biāo)進(jìn)行定量描述，避免了因人而異的檢測結(jié)果，減小了檢測分級誤差，提高了生產(chǎn)率和分級。

　　圖象的邊緣信息對人或?qū)C(jī)器視覺來說，都是非常重要的。由于邊緣具有能勾畫區(qū)域的形狀，且能被局部定義以及能傳遞大部分圖象信息等許多優(yōu)點，因此，邊緣檢測可看作是處理許多復(fù)雜問題的關(guān)鍵，是圖象分析和理解的步，檢測出邊緣的圖象就可以進(jìn)行特征提取和形狀分析。

　　由于邊緣是灰度值不連續(xù)的結(jié)果，這種不連續(xù)?？梢岳们髮?dǎo)數(shù)方便的檢測到，一般選擇一階和二階導(dǎo)數(shù)來檢測邊緣。在機(jī)器視覺檢測中，常常借助空域微分算子（實際上是微分算子的差分近似）利用卷積來實現(xiàn)。常用的微分算子有梯度算子和拉普拉斯算子。

　　邊緣檢測是圖像處理和計算機(jī)視覺中的基本問題，邊緣檢測的目的是標(biāo)識數(shù)字圖像中亮度變化明顯的點。圖像屬性中的顯著變化通常反映了屬性的重要事件和變化。 這些包括（i）深度上的不連續(xù)、（ii）表面方向不連續(xù)、（iii）物質(zhì)屬性變化和（iv）場景照明變化。 邊緣檢測是圖像處理和計算機(jī)視覺中，尤其是特征提取中的一個研究領(lǐng)域。圖像邊緣檢測大幅度地減少了數(shù)據(jù)量，并且剔除了可以認(rèn)為不相關(guān)的信息，保留了圖像重要的結(jié)構(gòu)屬性。有許多方法用于邊緣檢測，它們的絕大部分可以劃分為兩類：基于查找一類和基于零穿越的一類?；诓檎业姆椒ㄍㄟ^尋找圖像一階導(dǎo)數(shù)中的和值來檢測邊界，通常是將邊界定位在梯度的方向?；诹愦┰降姆椒ㄍㄟ^尋找圖像二階導(dǎo)數(shù)零穿越來尋找邊界，通常是Laplacian過零點或者非線性差分表示的過零點。

　　邊緣檢測可以借助空域微分算子通過卷積完成。實際上數(shù)字圖像處理中求導(dǎo)數(shù)是利用差分近似微分來進(jìn)行的。常用的微分算子有梯度算子和拉普拉斯算子。

　　邊緣檢測算法的基本步驟如下：

　　1、濾波：邊緣檢測算法主要是基于圖象強(qiáng)度的一階和二階導(dǎo)數(shù)，但導(dǎo)數(shù)的計算對噪聲很敏感，因此必須使用濾波器來改善與噪聲有關(guān)的邊緣檢測器的性能。

　　2、增強(qiáng)：增強(qiáng)邊緣的基礎(chǔ)是確定圖象各點鄰域強(qiáng)度的變化值。增強(qiáng)算法可以將鄰域（或局部）強(qiáng)度值有顯著變化的點突顯出來。

　　3、檢測：在圖象中有許多點的梯度幅值比較大，而這些點在特定的應(yīng)用領(lǐng)域中并不都是邊緣，所以應(yīng)該用某種方法來確定哪些點是邊緣點。常采用梯度幅值Ill值判據(jù)。

　　4、定位：如果某一應(yīng)用場合要求確定邊緣位置，則邊緣的位置可在子象素分辨率上來估計，邊緣的方位也可以被估計出來。

　　在用機(jī)器視覺進(jìn)行尺寸測量時，這四步必不可少，尤其必須指出邊緣的位置和方位。機(jī)器視覺檢測技術(shù)，以其強(qiáng)大的性能優(yōu)勢，使得產(chǎn)品質(zhì)量標(biāo)準(zhǔn)化，檢測速度快，檢測結(jié)果可靠、穩(wěn)定，并且可以長時間檢測，廣泛應(yīng)用于各大領(lǐng)域。