第四章：视觉控制器端开发

好，咱们进入实战环节了。前面几章聊了硬件接线、协议配置，都是打基础。这一章，才是真正让视觉控制器「动起来」的关键——环境搭建、相机初始化、图像采集，再到最核心的定位、测量、识别。

说实话，我最早做视觉项目时，最头疼的就是环境配置。明明照着文档一步步来，就是死活连不上相机。后来才发现，SDK版本和.NET框架不匹配。嗯，这种坑，我替你们踩过了。

4.1 开发环境搭建：C#还是C++？

先解决一个老生常谈的问题：用C#还是C++？

我个人习惯是：原型验证用C#，量产部署用C++。为什么？C#开发效率高，调试方便，适合快速迭代。C++性能更好，内存控制更精细，适合嵌入式环境。

但如果你问我实际项目怎么选？我建议看相机SDK。有些厂商只提供C++的SDK，那就别纠结了，老老实实C++。如果都支持，那新手我推荐C#起步。

这里有个小技巧：安装SDK时，记得勾选「开发包」选项。我见过有人只装了运行库，结果找不到头文件，折腾半天。

4.2 相机SDK初始化

环境搭好了，下一步就是让电脑认识相机。说白了，就是调用SDK的API，完成枚举设备、创建句柄、打开设备这三步。

以海康MVS为例，C#代码大概长这样：

// 枚举设备
List<IMVDeviceInfo> deviceList = new List<IMVDeviceInfo>();
IMV_EnumDevices(MV_GIGE_DEVICE | MV_USB_DEVICE, ref deviceList);

if (deviceList.Count == 0)
{
    Console.WriteLine("没找到相机，检查网线或USB线");
    return;
}

// 创建句柄并打开设备
IMV_HANDLE hCamera = IMV_CreateHandle(deviceList[0]);
IMV_OpenDevice(hCamera);

Console.WriteLine($"相机 {deviceList[0].GetModelName()} 已连接");

你看，代码其实不多。但有个细节：枚举设备后一定要判断返回值。我在项目中遇到过，USB相机插拔后设备列表变了，没做判断直接取第一个，结果崩溃了。

4.3 图像采集：连续抓拍还是触发模式？

相机初始化成功，接下来就是采集图像。这里有两种模式：

模式	适用场景	优缺点
连续采集	流水线实时监控	帧率高，但CPU占用大
软触发	PLC发指令后拍照	节省资源，但延迟略高
硬触发	高速产线（>100个/分钟）	延迟最低，但需要接线

我个人建议：能用硬触发就别用软触发。为什么？因为PLC发指令到相机响应，中间有网络延迟。硬触发是电平信号，微秒级响应。

来看一段连续采集的代码：

// 设置采集模式为连续
IMV_SetAcquisitionMode(hCamera, MV_ACQ_MODE_CONTINUOUS);

// 开始采集
IMV_StartGrabbing(hCamera);

// 循环取图
while (true)
{
    IMV_Frame frame = new IMV_Frame();
    IMV_GetOneFrameTimeout(hCamera, ref frame, 1000);

    if (frame.pBufAddr != IntPtr.Zero)
    {
        // 将图像数据转为Mat
        Mat img = new Mat(frame.nHeight, frame.nWidth, MatType.CV_8UC3, frame.pBufAddr);
        // 处理图像...
    }
}

注意那个超时参数1000毫秒。如果1秒内没取到图，说明出问题了。我习惯在超时后重新初始化相机，而不是一直等。

4.4 图像处理基础：定位、测量、识别

图像拿到手了，接下来就是重头戏。视觉控制器的核心任务就三个：定位、测量、识别。

4.4.1 定位：找到目标在哪

定位说白了就是找特征。比如找工件上的圆孔、边角、二维码。最常用的方法是模板匹配和找圆。

模板匹配的代码示例：

// 加载模板图像
Mat template = Cv2.ImRead("template.bmp", ImreadModes.Grayscale);

// 在采集图像中匹配
Mat result = new Mat();
Cv2.MatchTemplate(grayImg, template, result, TemplateMatchModes.CCoeffNormed);

// 找到最佳匹配点
Cv2.MinMaxLoc(result, out _, out double maxVal, out _, out Point maxLoc);

if (maxVal > 0.8)  // 匹配度阈值
{
    Console.WriteLine($"目标位置：({maxLoc.X}, {maxLoc.Y})");
    // 画框标记
    Cv2.Rectangle(colorImg, new Rect(maxLoc, template.Size()), Scalar.Red, 2);
}

阈值0.8是我常用的值。但不同场景要调。比如光照稳定的实验室，可以设到0.95。产线上光照变化大，0.7可能更合适。

4.4.2 测量：精度是关键

测量就是算尺寸。比如测螺丝直径、测缝隙宽度。核心思路是：先找边缘，再算距离。

举个例子，测量两个圆孔的中心距：

// 找圆
CircleSegment[] circles = Cv2.HoughCircles(
    grayImg, 
    HoughMethods.Gradient, 
    1,      // dp
    20,     // 最小距离
    100,    // 高阈值
    30,     // 低阈值
    10, 50  // 半径范围
);

if (circles.Length >= 2)
{
    double distance = Math.Sqrt(
        Math.Pow(circles[0].Center.X - circles[1].Center.X, 2) +
        Math.Pow(circles[0].Center.Y - circles[1].Center.Y, 2)
    );
    
    // 像素转毫米（需要标定）
    double realDistance = distance * pixelToMmRatio;
    Console.WriteLine($"中心距：{realDistance:F2} mm");
}

这里有个关键点：像素转毫米的系数怎么来？ 用标定板。拍一张已知尺寸的标定板，算像素数，就能得到比例。我习惯在项目开始时先做标定，后面所有测量都基于这个系数。

4.4.3 识别：读码和OCR

识别最常见的就是读二维码和OCR字符识别。

读二维码用ZXing库，C#版本叫ZXing.Net：

using ZXing;

BarcodeReader reader = new BarcodeReader();
Result result = reader.Decode(grayImg);

if (result != null)
{
    Console.WriteLine($"条码内容：{result.Text}");
    Console.WriteLine($"条码类型：{result.BarcodeFormat}");
}
else
{
    Console.WriteLine("未识别到条码");
}

OCR的话，我推荐Tesseract。虽然识别率不如商业库，但免费啊。记得训练自己的字体库，通用模型对工业字符识别率不高。

我曾经在一个PCB板字符识别项目里，用通用模型识别率只有60%。后来采集了1000张样本，训练了专用模型，识别率提到了95%。

4.5 本章小结

好，这一章内容不少。从环境搭建到相机初始化，再到图像采集和处理，基本覆盖了视觉控制器端开发的完整流程。

最后说一句：代码写出来只是第一步，调试才是大头。我建议你在开发时，把每一步的中间结果都保存下来。比如模板匹配后的匹配图、边缘检测后的二值图。这样出了问题，一看就知道是哪步错了。

嗯，今天就到这。下一章咱们聊视觉控制器和PLC的通讯实战，到时候会用到本章写的代码。

---