2.2.2  与坐标测量系统集成的视觉测量
第二类机器视觉与坐标测量系统集成的大尺寸零件测量，在实验室环境可以获得较高的测量精度。但是该方法的测量精度依赖于机械坐标精度，而高精度的机械系统使得整个测量系统结构复杂，制造成本高，对温度等测量环境的控制提出较高要求，使用成本高，效率较低，难以用于在线自动测量。
2.2.3  基于图像拼接技术的视觉测量
第三类基于图像拼接技术的测量方法，为实现大尺寸零件的非接触测量的开辟了一条途径。但是，该方法需要把局部图像拼接成一整幅图像后才能进行目标测量，需要处理的数据量大，尤其当待测尺寸较大、测量精度要求较高时，需要拼接的高分辨率图像将较多。在要求进行快速测量的在线应用场合，拼接并处理大数据量的图像，现有的图像处理算法和计算速度还不足以达到要求。另外，这种方法需要在被测零件上人为加入“点”和“线”特征，这在在线自动测量环境下是不便做到的。
2.2.4  基于序列局部图像尺寸特征的视觉测量
第四类基于序列局部图像尺寸特征的测量方法，通过缩小成像区域，可以获得较高的图像物面分辨率；利用零件加工过程中自然形成的纹理特征信息建立局部图像之间的关联关系，避免加入人工特征；采用“特征计算”取代“图像拼接”，避免了图像拼接造成的大量数据处理。这些优点使得高精度在线测量成为可能。但是，该方法为了降低小视场图像之间特征匹配的不确定性，对尺寸特征做了简化处理，即假设所测量的尺寸是平行线间的距离。因此，其所研究的序列图像尺寸特征提取算法和边缘补偿测量技术只适用于直边零件和直线型几何特征的测量[2][3][4][5]。这大大限制了其应用范围，无法满足非平行直线型几何特征自动测量的需要。而非平行直线型复杂特征的测量与控制在机电产品等制造领域普遍存在。
2.2.5  机器视觉多视场协同测量方法
上述第四类方法在综合第一类测量方法的“小视场高精度”和第三类测量方法的“由局部求整体”思想的基础上，提出采用“特征计算”取代“图像拼接”，使得高精度在线测量成为可能。但是，该方法在构建各局部图像的尺寸特征时，需在相邻小视场序列图像的公共区域构造公共尺寸端点或端线（称为“辅助测量特征”），而为了降低辅助测量特征匹配的不确定性，现有研究对其做了直线型简化[2][3][4][5]，这限制了该方法的应用范围。为了解决常规尺寸和大尺寸复杂特征的高精度在线测量问题，需要把基于序列局部图像尺寸特征的测量方法进行拓展，使其优点也能应用于机电零件复杂特征的在线测量。
机电产品零件的特征越复杂，在其表面上加工制造的各类几何元素越密集。即便是在不制造宏观几何元素的过渡区，小视场高分辨率图像也可以采集到零件表面丰富的细观信息[9][10]。这些几何元素和表面细观信息中，一些可以用来构造辅助测量特征，另一些可以用做辅助测量特征匹配时的同名特征元素（起辅助匹配和校验之用，称作“辅助匹配特征”），以增强辅助测量特征匹配的确定性，并提高测量系统的鲁棒性。但是，为了确定辅助测量特征和辅助匹配特征在各序列图像上的方位，有效缩小小视场序列图像上两类辅助特征[21]匹配时的搜索空间（以提高算法速度使其满足在线快速测量的要求），需要大视场全景图像信息的协同，以确定这些辅助特征在测量平面的初步方位。为此，提出机器视觉多视场协同测量方法，其基本原理以及特色和优势参见文献[11]。 基于机器视觉航天用密封圈的自动测量与检测(4):http://www.751com.cn/zidonghua/lunwen_12362.html