1. 结构光模组概述

大家好，我是老张。在光学结构这个行当摸爬滚打了十几年，今天咱们来聊聊结构光模组。说实话，这玩意儿现在太常见了——你手机人脸解锁、刷脸支付，甚至给文物做3D扫描，背后都有它的影子。

结构光技术，说白了就是「主动投射已知图案，再通过变形反推深度」。我刚开始接触这个领域时，总觉得它像科幻片里的激光扫描仪。后来亲手调过几款模组才发现，原理其实挺朴素的。

1.1 结构光技术原理

核心思路很简单：

• 投射已知图案——比如散斑、条纹或网格
• 捕捉变形后的图案——物体表面凹凸会导致图案扭曲
• 三角法计算深度——根据变形量反推每个点的Z坐标

举个例子。你拿手电筒照墙，手影是平的。但如果照一个球体，影子边缘会弯曲。结构光就是把这个「弯曲量」量化成深度数据。

Z = (基线长度 × 焦距) / (像素偏移 × 像素尺寸)

我在项目中遇到过一个问题：基线设计得太短，导致近距离（比如20cm以内）深度数据全是噪声。后来我们不得不重新设计结构件，把投影器和传感器的间距从8mm拉到12mm。嗯，这个教训让我记住了——基线不是越长越好，但太短肯定不行。

1.2 模组构成

一个典型的结构光模组，由四个核心部件组成。我按光路顺序给你捋一遍：

1.2.1 激光器

目前主流用的是VCSEL（垂直腔面发射激光器）。为什么不用EEL（边发射）？我个人的经验是：VCSEL更容易做成阵列，而且温度特性好一些。量产时最头疼的是波长漂移——温度一变，波长跑偏，DOE的衍射图案就糊了。

1.2.2 DOE

DOE（衍射光学元件）是结构光的「灵魂」。它把一束激光变成成千上万个散斑点。这里有个坑：零级光。就是中心那个特别亮的点，如果不抑制掉，会在深度图上形成一个死区。

我曾经遇到过一批DOE，零级光抑制比只有20dB，结果人脸识别时鼻梁位置总是报错。后来我们要求供应商做到30dB以上，问题才解决。

1.2.3 透镜

透镜负责把DOE出来的图案投射到目标区域。量产时最怕的是畸变——图案变形了，深度计算就会出错。我建议在产线上加一道「畸变标定」工序，用棋盘格拍几张图，算一下畸变系数，然后补偿到算法里。

1.2.4 传感器

传感器通常是近红外CMOS。注意，它和普通摄像头不一样——需要去掉IR-Cut滤光片，或者换成带通滤光片。否则环境光里的红外成分会干扰深度测量。

1.3 典型应用场景

结构光模组现在主要用在两个方向：

1.3.1 人脸识别

这是最广为人知的应用。苹果从iPhone X开始用结构光，后来安卓阵营也跟进了。核心优势是活体检测——照片和视频骗不了它，因为深度信息是立体的。

量产时要注意：人脸识别模组通常要求工作距离在20-50cm，视场角60°左右。太近或太远，散斑会变稀疏或过密，影响识别率。

1.3.2 3D扫描

工业检测、文物数字化、医疗建模……这些场景对精度要求更高。我参与过一个项目，扫描人体脊柱侧弯，要求深度精度达到0.1mm。那款模组用了双目光学结构，基线长度做到30mm，配合高分辨率传感器才勉强达标。

1.4 知识体系总览

下面这张图，是我自己总结的结构光模组知识框架。你可以把它当作一个「地图」——后面每一章都会对应到其中一个模块。

这张图里，从上到下是「原理→构成→应用→量产关键」的逻辑链。你仔细看会发现，量产关键其实贯穿了所有部件——比如基线设计影响激光器和传感器的布局，温度补偿影响DOE和激光器的配合，畸变标定则直接关联透镜质量。

好了，第一章就聊到这儿。结构光模组这东西，看着简单，但量产时处处是坑。后面我会逐一拆解每个部件的设计要点和工艺控制方法。

公众号:蓝海资料掘金营，微信deep3321