上周三下午，实验室那台老相机的数据线又松了。学生第三次跑程序，屏幕上量出来的孔径忽大忽小，他抬头看我，眼神里写满了“这机器坏了”。
我没接话。把标定板往台面上一搁，让他自己看。
板子是歪的。
机器视觉测量这门课，尴尬的地方就在这儿——看着像编程课，骨子里是机械课。
学生上来就 import cv2，我一般先拦一下
早年带这门课，我把内容排成“相机原理—镜头选型—标定—缺陷检测”，挺规整。结果期中作业交上来，一半人做的是同一个东西：从网上找张图，阈值分割，画轮廓，框选，输出长宽。
测什么？不知道。被测件哪儿来的？不知道。精度要求多少？也不知道。
后来我把头一节课改了。不讲算法，先发零件。一个铝合金支架，上面几个孔，让他们写清楚：要测哪个尺寸，为什么测这个尺寸，这个尺寸在装配里是干什么用的。
有个学生写了三稿。初稿写“测孔径”，第二稿写“测孔径和位置度”，第三稿他跑过来问我：老师，这个孔是给定位销用的还是给螺栓用的？如果是定位销，那我得测两个方向的偏差。
对了。这就对了。
机器视觉测量的落点，从来不在能不能出数，而在于出的数有没有对应的功能需求。机械设计里有个老概念叫设计基准，这个基准怎么转到视觉系统的坐标系里去，才是这门课真正要讲的东西。学生一旦绕过这一步，后面全是白忙。
“调通了”和“测得准”中间隔着一条河
讲标定那一节，我特别喜欢看学生的表情变化。
前半节：世界是光明的。张正友标定法，原理清楚，公式也推得动。
后半节：世界塌了。同一块板，同一个人拍，换一组图片，重投影误差就变。为什么？
因为板子没放平。
听上去很傻，对吧。但你去看学生怎么摆标定板：拿在手里，悬空，对着相机晃。他们脑子里想的是“我要让相机看到不同的姿态”——这没错，姿态角确实要覆盖。可他们忘了，相机看到的是三维世界往二维成像面上的投影，标定板的平面度、卡爪面跟板面的贴合、甚至板子底下垫的那本书的硬度，全都进了结果。
后来我加了一个环节，让他们用千分表打标定板四个角的高度差。打完再拍。
有个组的板子四角高度差，肉眼都能看出来。他们自己都笑了。
但这笑里有个东西被戳破了：视觉测量的精度上限，很多时候不是像素决定的，是机械结构的刚性和安装面的形位公差决定的。这条链子，机械设计专业的人比计算机专业的人更该敏感。可惜现实里，往往是机械的人把相机当成一个黑盒子，写代码的人又不知道夹具是怎么做出来的。
远心镜头也一样。学生头回接触，觉得贵得莫名其妙。我把普通镜头和远心镜头拍的同一个柱销照片并排投在屏幕上，让他们看侧壁。普通镜头下，柱销边缘是有虚影的，因为斜着看过去，还有一部分侧面被投了进来。远心镜头下，边缘干净。
为什么？光路决定的。它把“物距一变放大倍率就变”这件事从根上掐掉了。代价是视场小、工作距离固定、价格上去了。
这就是设计取舍。你要大视场还是要小畸变？要便宜方案加畸变补偿，还是要贵一点的硬件直接把误差按住？课上我把这个决策丢给学生，让他们拿一个假设的量产场景自己算账。算着算着，有人发现补偿算法要占的工时也不便宜，还得加调试人员。
作业从“跑通 demo”改成“交一套量具”
这个改动是三年前做的。改完之后学生骂了我一个学期，但后面的评教反而好看了。
原来的作业：用 OpenCV 写个尺寸测量程序，能跑就行。
现在的作业：给你一个被测件和一张工序卡，交一套可复现的测量方案。包括光照方案、相机与镜头选型依据、工装定位方式、标定流程、判定准则，还有一份“这套方案会怎么失效”的风险清单。
末了一项不好写。学生通常空着，或者写一句“光线变化”。
我说，太糊了，不行。光线怎么变？是环境灯被关了，还是下午太阳从西窗照进来了？照进来以后你测的还是同一个面吗？你的打光是背光还是同轴？背光的话，光源的漫射板脏了会怎么样？
逼到这一步，他们才开始想：原来我做的这套东西是有使用条件的。
有一组做小轴类零件的直径测量。用背光，投影边缘很锐利，看着挺美。但有个问题：轴在 V 型块上旋转的时候，如果 V 型块本身不同轴，投影会随着旋转而摆动。他们量了摆动的幅度，发现比目标公差还大。
那怎么办？他们最后的方案是：不转，改测多个固定工位；同时把 V 型块换成精密夹头。
我挺喜欢这个答案。不优雅，但诚实。工程上的很多决定，都是承认现实以后做出来的。当然也有代价，节拍变慢了，产线要重新排。他们把这一条也写进了风险清单，还标了红。
工具链这件事，我一直在摇摆
早年教 Halcon，现在主线是 Python 加 OpenCV。原因不复杂：学生装得上，跑得动，社区里搜得到东西。
但 Halcon 有它的价值。算子封装得厚，做工业项目省时间，而且它逼着你想清楚每个算子的输入输出到底是什么意思。OpenCV 有时候太自由了，自由到学生把一堆函数串起来，就说自己“做完了”。
目前的折中是：主线用 Python，把原理讲透。后半段花两三次课过一遍工业软件的思路，把他们之前手写的东西用算子重做一遍，看看差别在哪。
差在哪？差在鲁棒性。手写的阈值分割，换个批次的产品就不行了。工业算子里的自适应、亚像素拟合、边缘筛选这些机制，本来就是为了处理“现实世界不干净”这一件事。
有个学生做过一个挺有意思的对比：同一个齿轮内孔，环境光下，手动阈值。早上去测和下午去测，结果能差几个像素。后来加了遮光罩加背光，稳了，波动的量级降了一档。
我没让他继续算具体数。数不重要。重要的是他亲眼看见了环境光是一个不受控变量，而这个变量，本该在机械设计阶段就被约束住。
顺便说一句，课上我尽量不让学生把希望压在“算法调参”上。调参能救的，往往是那些本来就不该发生的误差。真正该在图纸上、夹具上解决的问题，扔给图像处理，迟早会被产线打回来。
这两年又加了一点东西：让学生把自己那份失效清单交给隔壁组的同学，让对面照着复现。能不能复现出来，一测就知道。
十次里有三次，对面组做不出来。
我觉得那三次，才是这门课真正起作用的地方。
