咱们直接开门见山。机器视觉尺寸外观检测，听起来高大上，其实拆开就是“拿相机看东西，然后告诉机器合不合格”。但真正做起来，你会发现——这里面全是细节。你以为是拍照加算法？太天真了。
我入行那会儿，第一个项目就是给汽车零部件做尺寸检测。客户给的公差是±0.05mm，我们当时用的还是500万像素的工业相机，镜头是普通定焦，光源是环形LED。结果呢？静态测下来精度勉强够，一上产线就崩盘。震动、环境光、零件反光，全是幺蛾子。后来才明白，视觉检测的核心不在于算法有多炫，而在于物理成像的稳定性和可重复性。
今天我就结合自己踩过的坑，聊聊尺寸外观检测里最容易被忽视的东西。不是教科书式的理论复述，而是真的能让你的项目少走弯路的经验。
一、分辨率、视野、工作距离：三角关系别搞反了
很多人上来就问“你们相机多少万像素”，好像像素就是精度。其实精度取决于视野大小和像素数的比值。比如你视野是100mm，横向像素是2000，那一个像素对应0.05mm，理论上极限精度是0.1mm（因为要至少两三个像素才能稳定判边）。但如果你把视野缩到50mm，同样2000像素，单像素就是0.025mm，精度一下子翻倍。
但视野不是你想缩就缩的。工件尺寸、机械结构的空间限制、还有景深……都是约束。有一次我们为了追求高精度，把工作距离拉得特别近，结果镜头景深只有1mm，工件稍微有点翘曲，边缘就糊了。那叫一个欲哭无泪。
选型时先定分辨率，再算视野，反推工作距离，最后检查镜头接口和机械安装空间。这才是正经顺序。而不是拍脑袋买一个贵的相机。
还有一个容易犯的错：忽略镜头畸变。哪怕是工业镜头，畸变一般是0.1%～0.5%。如果你做全视野尺寸测量，不做标定补偿，误差能让你怀疑人生。我们后来都是用棋盘格标定板，用OpenCV做标定，再把畸变模型嵌到测量流程里。标定很枯燥，但真省心。
二、光源选型：比相机还重要，真的
光源这东西，外行觉得就是个灯。内行知道，光源选对了，算法难度降低一半。我见过太多项目，图像对比度差得离谱，然后算法工程师疯狂调参，试图在垃圾图片里找黄金。太蠢了。前期打光两个小时，胜过后期算法调一个月。
打光的核心是让被测特征和背景产生足够的灰度差。比如检测划痕，你用低角度照射，划痕会因为你自己的影子而变成暗线，而平整区域是亮的，完美。但如果是反光强的金属表面，低角度可能带来镜面反射，直接曝光过度——这时候你就得用偏振片。
我印象特别深的一个项目，是检测手机中框的毛刺。中框是铝材，表面加工痕迹本身就有纹理。用同轴光？效果一般。用穹顶光源？均匀但毛刺对比度不够。后来试了红外光加蓝色滤光片，利用铝对不同波长的反射率差异，才把毛刺突出来。那段时间真是天天打光，打到怀疑人生。
另外，光源的稳定性必须纳入考虑。LED光源有温漂，电压波动也会影响亮度。工业上一般用恒流驱动，但还得做亮度校正。建议在每次检测前采集标准白板，动态调整曝光或光源亮度。否则早上8点和下午5点的检测结果可能完全不一样。
三、算法策略：传统视觉与深度学习的平衡
现在谈到视觉检测，不谈深度学习都不好意思。但尺寸测量，真的没必要一上来就上神经网络。告诉你为什么：深度学习需要大量样本，而且它的定位精度通常不如传统亚像素边缘提取。你让一个卷积神经网络去输出一个圆的直径，它能给你一个点坐标吗？可以，但精度受限于网络结构，很难做到亚像素级别的稳定。
传统方法比如Canny边缘检测加最小二乘拟合圆，只要图像对比度够，重复精度能做到1/10像素甚至更高。而且它可解释性强，出问题了你知道是哪里不对。当然，深度学习在外观缺陷检测上确实有优势，比如纹理类缺陷、颜色偏差，规则表达不清楚的那种。所以我的建议是混合架构：尺寸用传统方法，外观用深度学习。
这里要注意一个坑：标定和测量是两个环节，千万别混为一谈。有时候你批量测量，发现数据跳变，怀疑是算法不好。实际是温度变化导致相机安装架热胀冷缩，图像位置漂移了。我有一回就是，整个系统都搭好了，连续测了三个小时，数据一直往上飘，最后发现是光源发热，把相机支架烤弯了……对，真事。
再提一下亚像素精度。别看见“亚像素”就激动。亚像素是基于灰度插值的，如果你的边缘有噪声，插值出来就是假的。所以图像预处理非常重要。高斯滤波、中值滤波，甚至用边缘增强算子，都是必要步骤。但滤波窗口别搞太大，否则边缘位置会偏移，矫枉过正。
四、结构设计的机械细节：视觉系统不只是“相机加电脑”
很多机械工程师觉得视觉是电气的活。但视觉系统的安装机构、防振设计、环境隔离，直接决定成败。你想象一下，一台注塑机旁边安一个视觉检测站，注塑机一合模，地面震动；车间的风扇吹来吹去，产品在传送带上抖动。这种条件下，你谈什么0.01mm精度？开玩笑。
所以，视觉系统的机械结构必须刚性高、质量大，尽量与振动源隔离。相机支架最忌讳细长悬臂。我们设计时，常用铝型材焊接再加工平面，或者直接用花岗岩平台。另外，相机要有微调机构，比如XY轴滑台和角度调节，否则安装时调整会令人崩溃。
还有，防护等级和散热。车间里有粉尘、油雾，镜头分分钟起雾。你得用带防护窗的密封箱，或者加压缩空气吹扫。相机发热会导致图像噪声增加，所以要考虑散热，但千万别让风扇振动传到相机上。
触发方式也是机械设计的配合点。你是用光电传感器触发？还是编码器同步？如果被测物体在运动，那么曝光时的运动模糊必须解决。办法是缩短曝光时间，或者用频闪光源。频闪光源在瞬间提供一个极亮的脉冲，把运动冻结住。这里要注意脉冲宽度和相机曝光同步，否则等于白做。
五、实际案例：一颗螺丝的测量教训
说个具体的。有一回客户要测一颗直径5mm的螺丝的螺杆外径，公差±0.02mm。我们起初方案是背光照明，相机从正面拍轮廓，用边缘检测测直径。听起来没问题吧？但是工件是自动上料，落到底座上时会轻微旋转，导致成像的轮廓不是正对直径，而是有一点斜角。误差看着不大，但超差。
后来我们加了一个机械定位槽，让螺丝每次都朝向同一方向。同时改用同轴平行背光源，减少轮廓的衍射模糊。这样一来，重复精度终于稳在±0.01mm以内。所以啊，很多时候问题不在算法，在机械定位与光学的配合。
再有一个教训是关于校准的。每过一段时间，软件里的像素当量会变，原因可能是镜头松动、相机位移、温度变化。我们每周用标准块做一次校准，把结果存到数据库，然后自动修正当量。如果偏差超差，就报警提示人工检查。这套系统跑了一年，良率稳定在98.5%以上。
六、智能工厂背景下的趋势：别被高科技忽悠
现在都在讲AI质检、工业4.0。确实，深度学习的缺陷检测应用越来越成熟，尤其在一些纹理复杂、缺陷形态不固定的场景，比如布料、锂电池表面，还有半导体晶圆。但对尺寸测量，传统视觉依然是主力。与其追求新奇，不如把基础做扎实。
数据追溯和工艺反馈才是未来方向。视觉检测系统不仅仅是输出OK/NG，更要把测量数据用于SPC分析，反馈给前道工序。比如检测出尺寸有偏大趋势，就调整机床参数，实现闭环控制。这比单纯“挑出坏件”有意义得多。但前提是你的检测系统本身够稳定——如果检测数据本身都有漂移，那闭环就成灾难了。
顺便吐槽一句，有些公司盲目上深度学习，标注了几万张图，结果产线上稍微换一种光效，模型就不认识了。然后又要重新采集数据，周期长不说，还得养算法团队。其实如果能把成像做好，传统算法能用，为何非要杀鸡用牛刀呢？
结语
机器视觉尺寸外观检测的本质，是物理世界到数字世界的可靠映射。你得先保证图像是好的，再谈算法。而保证图像好，需要你在光学、机械、电气、算法多个维度之间做权衡。
别指望一个万能的方案。每个项目都有自己的脾气，你得沉下心来，一步一步去试。从选型到打光，从标定到结构，每一步都可能踩坑。但正是这些坑，才让你成为真正的老工程师。
最后送大家一句话：视觉系统的第一性原理是稳定，而不是精度。精度你可以通过高分辨率和亚像素算法推上去，但稳定需要从成像源头到系统结构全链条的扎实。多花点时间在现场，比多跑几轮仿真有用得多。
以上，是与大家分享的一点经验。希望你们少踩坑，多出货。
