机器视觉专题

机器视觉的优势：非接触（不损伤产品）、速度快（每秒几十上百次）、精度高（微米级）、可量化（给出具体数值而非「差不多」）、可追溯（每张图/每个结果都能存）、一致性好（不会疲劳/情绪波动）。但视觉不是万能的：能用接近开关/光电传感器/编码器解决的简单有无检测，成本低响应快，不要硬上视觉；需要触觉/力反馈的场景（如装配力度检测）视觉做不了；环境完全不可控（强光/粉尘/水汽）时视觉稳定性差。判断标准：这个检测需要「看」吗？需要量化/记录/复杂判断吗？如果是，才考虑视觉。

面阵相机一次拍一整幅二维图像，适合常规检测、定位、识别，绝大多数项目用面阵；线阵相机一次只拍一行像素，靠物体运动逐行拼接成大图，适合连续运动的卷材/纸张/薄膜/大幅面印刷品检测，以及超高精度大幅面测量（线阵可以做到几万像素宽）。分辨率计算：先确定检测精度要求（如要发现 0.1mm 的缺陷），再确定视场大小（如 100mm × 100mm），所需像素数 = 视场/精度 × 3~5 倍裕量（Nyquist 采样定理，至少 2 倍，工程上留 3~5 倍更稳）。例如 100mm 视场、0.1mm 精度，需要 100/0.1×3 = 3000 像素，选 400 万像素（2048×2048）或 500 万像素（2448×2048）相机。

光源是视觉项目成败的关键，很多时候比相机还重要。打光三原则：① 高对比度——目标和背景的灰度差要大，算法才容易分割；② 均匀稳定——整个视场亮度均匀，没有明显亮斑/暗区，且长时间运行不漂移；③ 突出目标、抑制背景——让你想检测的特征（缺陷/边缘/字符）清晰可见，不想看到的（纹理/反光/背景）尽量暗下去。常见打光方式：环形光从四周照射，适合表面缺陷/通用检测，最常用；同轴光从镜头方向垂直照射，适合反光平面（玻璃/金属/晶圆）的划痕/污点检测；条形光从一侧或两侧照射，适合大尺寸物体/突出表面凹凸；背光从背面照射，适合轮廓/尺寸/孔位检测（只看形状不看表面）。调试技巧：先关灯看环境光影响，再开灯从不同角度试，找到对比度最高的角度；用漫射光减少反光；加遮光罩隔离环境光；光源亮度留 20%~30% 裕量（不要调到最亮，老化后会变暗）。

没有绝对的好坏，看项目需求和团队能力。OpenCV：开源免费、C++/Python 双语言、全球用户最多、基础算子（滤波/阈值/边缘/形态学/特征提取/相机标定）全覆盖、和深度学习框架集成好；缺点是高级算子（形状匹配/3D 视觉/精密测量）不如 Halcon 成熟，调试要靠自己写代码和看图像，没有 Halcon HDevelop 那样的可视化调试工具。Halcon：商业软件标杆，2000+ 算子、形状匹配（基于形状的模板匹配，抗遮挡/光照变化/旋转缩放）、3D 视觉、深度学习一体化、HDevelop 交互式调试工具极强（拖算子看结果，不用写代码就能验证算法）；缺点是授权费高（开发版+运行时，按项目收费，一个项目几千到几万）、学习曲线陡、闭源。选型建议：个人学习/小项目/原型验证/成本敏感/团队编程能力强 → OpenCV；工业项目/高精度/复杂算法/快速交付/预算充足 → Halcon；也可以混合用：算法验证用 Halcon HDevelop 快速试，部署时用 OpenCV 重写（省授权费）。

深度学习不是万能的，很多工业场景传统算法更稳更快更便宜。传统算法（阈值/Blob/边缘/模板匹配/形态学）的优势：速度快（毫秒级）、可解释（知道为什么判 OK/NG）、不需要大量训练数据、对硬件要求低（普通 CPU 就能跑）、结果确定性高。深度学习的优势：能处理复杂纹理/不规则缺陷/多类别分类/传统特征难提取的场景，但需要大量标注数据（至少几百上千张）、训练调参周期长、推理需要 GPU 或 NPU、结果有不确定性（可能误判）、可解释性差。该用深度学习的场景：① 缺陷形态复杂/不规则（如纺织品/木材/金属表面的随机缺陷）；② 多类别分类（如区分 10 种不同零件）；③ 传统特征难提取（如复杂背景下的目标检测）；④ 场景有变化但数据充足（如不同批次/不同型号的产品）。不该用深度学习的场景：① 样本少于 200 张（数据不够模型学不好）；② 要求 100% 可解释（如某些合规场景）；③ 实时性要求极高且硬件有限（如每秒 100 次检测且只有 CPU）；④ 简单规则就能搞定（如固定位置的有无检测）。工程上建议：先试传统算法，搞不定再上深度学习；两者可以混合（传统算法做定位/ROI 提取，深度学习做 ROI 内的缺陷分类）。

视觉和 PLC 对接是工业视觉项目的工程核心，最常用三种方式：① IO 触发+IO 输出（最简单最常用）：PLC 输出一个触发信号（24V 开关量）给视觉系统，视觉收到后拍照处理，处理完输出 OK/NG 结果（24V 开关量）给 PLC，PLC 根据结果执行剔除/分选；这种方式延迟低（毫秒级）、稳定可靠、不需要写通讯协议，适合大多数检测场景。② TCP/Modbus 通讯：视觉和 PLC 通过以太网通讯，传递更复杂的数据（测量值/坐标/多结果/参数设置）；需要约定协议格式（字节序/数据类型/握手命令），比 IO 复杂但功能强。③ 工业协议（OPC UA/Profinet/EtherNet/IP）：标准化协议，和 PLC 生态打通好，但配置复杂、需要额外硬件/授权。触发和握手设计要点：① 触发信号要有足够宽度（至少 10ms，避免 PLC 扫描周期漏掉）；② 视觉处理完必须返回「完成信号」+「结果信号」，PLC 必须等完成信号再执行下一步，不要只看结果信号（结果信号可能还没更新）；③ 加超时处理（视觉 500ms 没返回结果，PLC 报警/重试/跳过），避免「等不到结果卡死整条线」；④ 多产品时加产品 ID/计数器，确保结果和产品对应（不要出现 A 产品的结果给了 B 产品）；⑤ 视觉系统要能缓存结果（PLC 慢了也不丢结果）。

国产工业相机这些年进步很大，中低端场景完全可以替代进口，高端场景也在快速追赶。国产相机优势：价格低（同规格比巴斯勒便宜 30%~50%）、中文技术支持好（响应快、沟通方便）、本地供货（交期短、备件好买）、和国产光源/镜头/软件生态配合好。国产相机推荐：海康威视（MV-CA/MV-CS 系列，国产工业相机龙头，生态最全，SDK 成熟，从低端到高端都有）、大华华睿（性价比高，算法和相机一体化方案有优势）、大恒图像（老牌国企，稳定性好，高端线阵相机有竞争力）、度申/迈德威视（中低端性价比之选）。进口标杆：巴斯勒（Basler，全球工业相机龙头，稳定性/一致性/SDK 质量顶级，高端项目首选）、FLIR（原 Point Grey，高端科研/工业）、JAI（高端线阵/3CCD）。坑和注意事项：① 一致性——国产相机的批次一致性（同一型号不同批次的画质/噪点/响应度差异）整体不如巴斯勒，高精度测量项目要做批次校准；② SDK 质量——海康/大华的 SDK 已经很成熟，但小品牌的 SDK 可能有 bug/文档不全，多相机/高帧率时要充分测试；③ 长时间稳定性——7×24 小时运行几个月后，国产相机的稳定性（丢帧/死机/温漂）要做老化测试；④ 高端线阵/高帧率/高动态范围——这些高端领域巴斯勒/JAI 仍有优势，国产在追赶但还有差距；⑤ 建议：中低端检测/定位项目放心用海康/大华，成本省很多；高精度测量/高端线阵/出口项目先做充分验证，不要直接替代。