1. 视觉系统概述

大家好，我是老张。在机器视觉这行摸爬滚打了十几年，今天咱们来聊聊视觉检测系统的那些事儿。说实话，很多人一上来就问我「选什么相机好」、「用什么光源」，但我觉得，先搞清楚机器视觉到底是什么，比什么都重要。

机器视觉的定义

机器视觉，说白了就是给机器装上「眼睛」和「大脑」。眼睛负责看，大脑负责想。我习惯这么定义：机器视觉是用光学装置和非接触式传感器，自动接收并处理真实物体的图像，从而获取所需信息或控制机器动作的技术。

你想想看，人眼能分辨的颜色、形状、位置，机器也能。而且机器不会累，不会走神，速度还快。我在做手机屏幕检测项目时，人工质检员看半小时就得休息，机器可以24小时不停，这就是价值所在。

机器视觉系统的典型组成

一套完整的视觉系统，就像一个人的视觉系统。我把它拆成五个核心部件：

• 光源 —— 相当于环境光，但比环境光讲究得多
• 镜头 —— 相当于人眼的晶状体，负责聚焦成像
• 相机 —— 相当于视网膜，把光信号转成电信号
• 采集卡 —— 相当于视神经，负责传输数据
• 工控机 —— 相当于大脑皮层，处理和分析图像

嗯，这里要注意：很多人以为相机最重要，其实光源才是灵魂。我遇到过太多项目，相机和镜头都选对了，结果光源没选好，图像一团糟，算法根本跑不动。

1. 光源

光源的作用是突出被测特征，抑制干扰。常见的有环形光源、条形光源、同轴光源、背光源等。我个人习惯根据被测物的材质和表面特性来选。比如检测金属划痕，用低角度环形光效果最好；检测透明瓶子的液位，用背光最清晰。

2. 镜头

镜头决定成像的清晰度和视野范围。主要参数有焦距、光圈、景深、畸变等。我建议新手先关注焦距和景深。焦距越短，视野越大，但畸变也越大；景深越大，能看清的纵深范围越宽，但进光量会减少。

举个例子：检测手机螺丝的拧紧深度，景深要求高，就得用小光圈；检测二维码，畸变要求低，就得用长焦镜头。

3. 相机

相机分两大类：CCD和CMOS。现在CMOS是主流，性价比高。关键参数是分辨率、帧率、像元尺寸。分辨率越高，细节越清楚，但数据量也越大，处理速度会变慢。

我一般这样选：缺陷检测用500万像素以上，尺寸测量用200万像素就够了，定位引导用30万像素都行。别盲目追求高像素，够用就好。

4. 采集卡

采集卡负责把相机的数字信号传给工控机。现在很多相机用USB3.0或GigE接口，直接连电脑就行，不需要独立采集卡。但如果是高速相机或线阵相机，还是得用专用的Camera Link或CoaXPress采集卡。

5. 工控机

工控机就是视觉系统的大脑。它要跑图像处理算法、做决策、控制外围设备。配置上，CPU要强，内存要大，最好有独立显卡。我常用的配置是i7处理器、16GB内存、256GB固态硬盘。如果做深度学习检测，还得加一块NVIDIA的GPU。

视觉检测的应用领域

机器视觉的应用，说白了就是四个方向：看有没有缺陷、量尺寸对不对、找位置在哪、认字符是什么。我分别说说：

1. 缺陷检测

这是最普遍的应用。比如检测手机屏幕的划痕、芯片表面的脏污、食品包装的破损。我做过一个项目，检测锂电池极片上的针孔缺陷，针孔直径只有0.1mm，人眼根本看不出来，机器视觉轻松搞定。

2. 尺寸测量

测量零件的长宽高、孔径、间距等。精度可以做到微米级。我记得有一次给汽车零部件厂做活塞环测量，要求精度±0.01mm，用远心镜头加高分辨率相机，最终验收通过。

3. 定位引导

机器人抓取、装配、点胶等场景，需要视觉系统告诉机器人「目标在哪儿」。比如手机组装时，视觉引导机械臂抓取螺丝并拧到指定位置。定位精度通常在0.1mm以内。

4. OCR识别

识别产品上的字符、条码、二维码。比如药品包装上的生产日期、电子元件的批次号。我做过一个食品包装项目，需要识别喷码上的「2025-03-15」这种日期格式，用OCR算法配合合适的光源，识别率能达到99.9%以上。

知识体系总览

下面这张图，是我自己整理的视觉系统知识框架。你可以把它当作学习路线图：

小结

这一章咱们把机器视觉的底子打好了。说白了，就是搞清楚「用什么看」、「怎么看」、「看完干什么」。硬件选型是基础，应用场景是目标，两者缺一不可。

我见过太多人一上来就研究算法，结果硬件选错了，图像质量差，算法再牛也白搭。所以，别急，先把这些基础概念吃透，后面咱们再一步步深入。

---