做机械设计做久了，容易对电气软件产生一种错觉——觉得那边应该挺简单，尤其是机器视觉检测。不就是相机拍张照，电脑判断OK还是NG么？
我第一次干这个，就被现实狠狠抽了一巴掌。一个焊锡检测工位，客户要求0.1mm的检测精度，节拍还要跑到每分钟600件。我本着机械工程师“能动手就不多废话”的思路，直接在工装上怼了个1200万像素的工业相机，配了16mm定焦镜头，两条条形光源。当时觉得，这配置够豪华了吧？
结果，调试图像出来那一刻，我整个人都懵了。焊点上的反光亮得能照出天花板，边缘全是锯齿。算法工程师在旁边骂骂咧咧：“这图你让我怎么提特征？”我盯着屏幕看了半天，憋出一句：“要不，换个角度？”
后来我才明白，机器视觉检测，真正决定成败的往往不是相机多贵，而是你怎么把光打对、把东西放稳、把变量控制死。今天这篇，就当是给同在坑里的机械工程师们，倒倒苦水，也留点干货。
打光，才是视觉检测的命根子
你信不信，同一个工件，白天和晚上拍出来的图像可能是两张脸。我踩过最大的坑，就是低估了光源。
一开始那两条条形光源，前端工装又是高反光的不锈钢，打出来的光均匀得像探照灯攻击。后来换成低角度的漫射光，边缘才像人。哦，对，打光这东西，不是越亮越好，角度决定你看到的是表面还是轮廓。
举个例子，检测端子压接高度，你要的是边缘轮廓清晰，那就得用背光。工件后方放个平行光源，相机透过轮廓看剪影，边缘锐度瞬间翻倍。而检测表面划痕、凹坑，就得用低角度光，让缺陷产生阴影。要是像我们那样用高角度环形光，光滑表面就成了镜面，亮瞎一切。
再聊聊光源颜色。彩色检测要求光源的显色指数（CRI）高，一般不低于80，不然颜色都偏了。纯灰度检测就无所谓吗？不是。红外光配合滤光片，能滤掉环境光的干扰，对于深色工件反而更好用。这些都要提前试过，别等到现场再临时抱佛脚。
更阴间的是环境光。现场车间里荧光灯总会有50Hz/60Hz的频闪，如果你没用DC供电的光源，或者相机不是全局曝光，图像亮度就会周期性跳变。有一次我们熬夜调试，明明机构和参数都没动，检测误报率忽高忽低。最后发现是头顶一盏老式荧光灯在作妖。气得我直接用遮光罩把整个工位罩了起来，世界瞬间清净！
所以，视觉检测的光源，不是选一个就完事。你得先问自己：检测特征到底要反光还是吃阴影？背景要不要压暗？工件的材质、颜色、粗糙度都影响打光方案。这里没道理可讲，全靠试错。
相机和镜头：先算账，后下单
很多机械工程师选相机，第一反应是像素越高越好。但像素高了价格翻倍，数据量大了，检测速度还掉下去。
这里有个最简单的公式：分辨率 = 视野范围 / 最小精度。比如你要检测一个20mm宽的端子，要求0.1mm精度，那就是200像素。但别天真，这是理论极限。真到了图像上，边缘的灰度是渐变过渡的，加上景深、运动模糊，实际能拿到的有效分辨率只有理论值的20%~30%。
我的习惯是：按理论值的3倍来选。200像素的东西，我至少按600像素规划。所以那个项目，我用的是500万像素的相机（2448×2048），实际视野大概30mm，算下来单像素尺寸约12μm，比精度要求高了一个数量级，这才稳。
镜头更是个拧巴的东西。焦距越短，视野越大，但畸变也越明显；焦距越长，工作距离就得拉远，机构尺寸跟着膨胀。有时候你辛辛苦苦把相机装好，调焦时发现景深只有区区的0.5mm，稍微有一点装歪，图像就糊了。这里有个公式倒是很实用：焦距 f = 工作距离D × 靶面尺寸S / 视野F。假如你用的是1/1.8英寸靶面（约7.2mm宽），工作距离100mm，视野想拍50mm，那f = 100 × 7.2 / 50 ≈ 14.4mm。那就选12mm或16mm的镜头，然后微调工作距离来匹配。
还有光圈。光圈收小了，进光量少了，但景深大；开大了，图像亮，但景深薄如纸。调试现场你拧一下光圈，发现边缘又虚了，那种抓狂，干过都懂。另外，传感器类型也要留个心眼。CCD和CMOS现在差距不大，但尽量选全局曝光（Global Shutter）的型号，不然运动中的工件拍出来会“歪斜”，卷帘曝光会让你哭。
传输接口也别瞎选。GigE Vision传输距离长，适合分散的工位；USB3 Vision速度快，但线缆要短、要屏蔽好。我们当初贪便宜用了普通USB3线，结果图像间歇性丢包，排查了半天，最后换了个带锁紧的工业camera link线才消停。总之，选型前先把这些物理量写在纸上，别像我当初那样，装完发现相机靶面太小，镜头全是暗角，还要拆了重装。
算法和机构，是互相成就的冤家
光学方案定了，算法也就成功了多半。但我见过太多项目，排人员工时，算法工程师急得跳脚，机构那边却三天两头改尺寸——检测工装的定位偏差0.2mm，算法就得去“猜”工件在哪。这很扯。
视觉算法说白了，就是从图像里找你关心的特征。传统方法有阈值分割、边缘提取、模板匹配，对图像质量要求极高；深度学习虽然不挑畸变，但需要海量带标注的样本，调参麻烦，推理还得靠GPU，成本直接起飞。作为机械工程师，咱们能做的，就是给算法一个“乖”的输入——稳定的定位、稳定的光照、干净的环境。
比如，工件在传送带上漂移，那就在工位上加个二次定位挡块。相机支架一定要刚性十足，别用那种铝型材加手拧螺丝，一拍就震。注意，检测时还要做一下“防荧光灯干扰”的物理隔离。这些细节，比算法工程师调十次代码都管用。
标定也不能跳过。相机拍到的像素坐标，要转换成机械坐标才能给机器人或PLC用。用标准的棋盘格标定板，算一下内参外参和畸变系数。这块别省，打印纸标定出来的精度就那么回事，能骗过自己可骗不过产线。
还有就是，别总想着让算法“万能”。设计机构时，把工件送到视野正中央，让检测区域避开镜头边缘畸变区。这比你后期上什么“智能算法”都靠谱。
做机器视觉检测，说到底，就是你跟物理规律、生产节拍、算法胃口之间的博弈。没什么玄学，多踩几次坑，就知道给每个环节留够余量。
现在再看到有人拿个相机随便一装就说“搞定了”，我只能说：祝你好运，朋友！
