3、工业视觉检测基础：相机选型与光源设计、图像采集与预处理、传统图像处理算法的局限性

各位同学，欢迎来到第三章。这一章咱们聊聊工业视觉检测的「地基」。

说实话，很多做算法的人容易忽视这部分。觉得相机选型、光源设计那是硬件工程师的事。我当年也这么想，结果呢？在项目现场被折腾得够呛。你算法再牛，图像拍出来是糊的、对比度不够，神仙也救不了。

所以，这一章我会把我在风电叶片检测项目里踩过的坑、积累的经验，毫无保留地讲给你听。

3.1 相机选型：别只看像素，要看「能不能看清」

相机选型，说白了就是回答一个问题：你要检测的最小缺陷，在图像上至少占几个像素？

我个人习惯，先定分辨率，再看帧率，最后考虑接口和传感器类型。

3.1.1 分辨率怎么定？

举个例子。风电叶片上的裂纹，宽度可能只有0.2mm。你希望一个裂纹在图像上至少占3个像素，才能被算法稳定检测到。那么每个像素对应的实际尺寸（即像素当量）就是：

像素当量 = 裂纹宽度 / 像素数 = 0.2mm / 3 ≈ 0.067mm/pixel

假设你要拍摄的视场（FOV）是500mm宽，那么需要的水平分辨率就是：

分辨率 = FOV / 像素当量 = 500mm / 0.067mm/pixel ≈ 7463 pixel

嗯，这就意味着你至少需要一颗800万像素的相机。我在项目中遇到过，有人用200万像素的相机去拍大视场，结果裂纹在图像上就一两个像素，边缘检测根本跑不出来。白费功夫。

3.1.2 传感器类型：CCD vs CMOS

现在工业相机主流是CMOS。CCD虽然噪声低，但速度慢、功耗高，已经逐渐被淘汰了。不过，如果你做的是高精度静态检测，比如叶片出厂前的终检，CCD的全局快门和低噪声还是有优势的。

参数	CCD	CMOS
噪声	低	中等（但现代CMOS已大幅改善）
帧率	低	高
功耗	高	低
成本	高	低
适用场景	静态高精度	动态、高速、产线

3.2 光源设计：打光打得好，算法少烦恼

你想想看，图像的本质是什么？是物体对光的反射。光源设计，就是人为地制造出「目标区域亮、背景区域暗」的对比度。

我曾经在叶片表面裂纹检测上栽过跟头。当时用环形光正面打，结果裂纹和表面纹理混在一起，阈值分割根本分不开。后来换成低角度条形光，让裂纹产生明显的阴影，效果立竿见影。

3.2.1 常见光源类型与选型

• 环形光源： 适合检测字符、划痕。但容易产生反光，不适合高反光表面。
• 条形光源： 我最常用的。低角度照射能突出表面凹凸，裂纹、凹坑一目了然。
• 同轴光源： 适合高反光物体，比如金属表面。但光强较弱，不适合大面积照明。
• 背光源： 测量轮廓、尺寸时用。叶片检测中较少用到。

3.2.2 颜色与波长

光源颜色不是随便选的。白色光虽然通用，但特定波长能增强对比度。比如，叶片表面是深色，裂纹是浅色，用蓝色光（波长450nm左右）可以增强裂纹与背景的灰度差。

3.3 图像采集与预处理：从硬件到数据的「最后一公里」

相机和光源选好了，接下来就是采集和预处理。这一步做不好，后面的算法全是空中楼阁。

3.3.1 采集参数设置

曝光时间、增益、白平衡，这三个参数要反复调。我的经验是：先固定曝光时间，再调增益，最后微调白平衡。增益不要超过6dB，否则噪声会爆炸。

# 示例：使用OpenCV设置相机参数（假设相机支持）
import cv2

cap = cv2.VideoCapture(0)
cap.set(cv2.CAP_PROP_EXPOSURE, -5)  # 曝光时间，单位取决于相机驱动
cap.set(cv2.CAP_PROP_GAIN, 0)       # 增益，0为最低
cap.set(cv2.CAP_PROP_WHITE_BALANCE_BLUE_U, 100)  # 白平衡

3.3.2 预处理三板斧

1. 去噪： 中值滤波对椒盐噪声效果好，高斯滤波对高斯噪声效果好。我习惯先用中值滤波，因为叶片表面常有灰尘颗粒。
2. 增强对比度： 直方图均衡化（HE）或自适应直方图均衡化（CLAHE）。CLAHE能避免局部过曝，更适合光照不均匀的场景。
3. 几何校正： 叶片表面是曲面，拍摄时会有透视畸变。用标定板做相机标定，然后做透视变换。

# 预处理示例
import cv2
import numpy as np

img = cv2.imread('blade_crack.jpg', 0)

# 1. 中值滤波去噪
img_denoised = cv2.medianBlur(img, 5)

# 2. CLAHE增强
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
img_enhanced = clahe.apply(img_denoised)

# 3. 几何校正（假设已获得变换矩阵M）
# img_corrected = cv2.warpPerspective(img_enhanced, M, (width, height))

3.4 传统图像处理算法的局限性：为什么我们还需要深度学习？

好了，前面讲了那么多传统方法。现在我要泼一盆冷水了。

边缘检测、阈值分割，这些方法在实验室里跑得挺好。但到了风电叶片现场，你会发现：根本不够用。

3.4.1 边缘检测的「脆弱」

Canny边缘检测，参数调了半天，换一个光照条件就全废了。为什么？因为边缘检测本质上是基于梯度变化。光照一变，梯度就变，阈值就得重调。

我在项目里试过，同一个叶片，上午拍和下午拍，Canny检测出来的边缘完全不一样。上午能检测到的裂纹，下午就断断续续了。

3.4.2 阈值分割的「死穴」

阈值分割假设目标和背景的灰度值有明显差异。但风电叶片表面有纹理、有污渍、有修补痕迹，灰度分布极其复杂。你设一个全局阈值，要么漏检，要么过检。

我曾经试过Otsu大津法，自动找阈值。结果呢？它把叶片表面的胶带残留当成了裂纹，把真正的裂纹给漏了。这就是传统方法的局限——缺乏语义理解。

3.4.3 为什么深度学习能解决？

深度学习，说白了就是让模型自己学习「什么是裂纹」。它不依赖固定的梯度阈值，而是从大量数据中学习裂纹的纹理、形状、上下文特征。光照变了？没关系，只要训练数据里包含不同光照下的裂纹，模型就能学会。

这也是为什么，从下一章开始，我们要正式进入深度学习的世界。

好了，这一章的内容就到这里。从相机选型到光源设计，从图像采集到预处理，再到传统算法的局限，我们一步步把工业视觉检测的「地基」打牢了。下一章，我们会正式进入深度学习的世界，看看卷积神经网络是如何「看懂」裂纹的。