第二章 相机选型与标定：工业相机分类与选型、镜头参数与选型、相机标定原理与实战（张正友标定法）
各位同学，咱们今天聊点硬核的。相机选型与标定，说白了就是给贴片机装上一双「看得准」的眼睛。我做了这么多年自动化设备，见过太多因为相机没选好、标定没做对，导致整条产线报废的案例。嗯，咱们一步步来。
2.1 工业相机分类与选型
工业相机，不是咱们手机上的摄像头。它要扛得住产线上的震动、灰尘、温度变化。我个人习惯把工业相机分成三大类：
- CCD相机：成像质量高，噪声低，适合高精度视觉引导。缺点是贵，帧率一般。
- CMOS相机：功耗低，帧率高，现在技术成熟了，很多贴片机都在用。性价比不错。
- 线阵相机：适合检测连续移动的物体，比如PCB板在传送带上跑，线阵相机一行一行扫过去。
选型时，我建议你重点关注这几个参数：
| 参数 | 说明 | 贴片机场景建议 |
|---|---|---|
| 分辨率 | 像素数量，比如500万、1200万 | 贴片机一般500万~1200万够用，太高了数据量大，处理慢 |
| 帧率 | 每秒采集多少帧图像 | 高速贴片机需要30fps以上，低速的15fps也行 |
| 靶面尺寸 | 感光芯片的物理大小，常见1/1.8英寸、2/3英寸 | 靶面越大，视野越大，但镜头也要匹配 |
| 接口 | USB3.0、GigE、Camera Link等 | GigE最常用，传输距离远，抗干扰好 |
2.2 镜头参数与选型
镜头是相机的「眼镜」。选错了镜头，再好的相机也白搭。你想想看，镜头决定了两件事：看得多宽和看得多清楚。
核心参数有这些：
- 焦距：比如8mm、12mm、25mm。焦距越短，视野越宽；焦距越长，看得越远越清楚。
- 光圈：用F值表示，F值越小光圈越大，进光量越多。但光圈太大，景深会变浅。
- 景深：能清晰成像的深度范围。贴片机里，元件高度不一，景深太浅会导致边缘模糊。
- 畸变：镜头带来的图像变形。普通镜头有桶形畸变或枕形畸变，高精度场景要用远心镜头。
视野决定焦距，精度决定分辨率，景深决定光圈，畸变决定镜头类型。
举个例子：你要检测一个20mm×20mm的PCB区域，精度要求0.01mm。那相机分辨率至少需要2000像素×2000像素，也就是400万像素。镜头焦距怎么算？用公式：焦距 = 工作距离 × 靶面尺寸 / 视野。假设工作距离100mm，靶面尺寸6.4mm（1/1.8英寸），视野20mm，那焦距就是32mm。嗯，选个35mm的镜头就差不多。
2.3 相机标定原理与实战（张正友标定法）
相机标定，说白了就是告诉电脑：「你看到的图像和真实世界之间，差了多少？」。没有标定，你测出来的坐标全是错的。
张正友标定法是目前最主流的标定方法。它的核心思想是：拍一张棋盘格，然后算。为什么用棋盘格？因为棋盘格的角点（黑白格子交界处）很容易被算法检测到，而且位置关系是已知的。
2.3.1 标定的数学原理（简单版）
相机成像可以简化成三步：
- 世界坐标系 → 相机坐标系（旋转+平移，这叫外参）
- 相机坐标系 → 图像坐标系（透视投影，这叫内参）
- 图像坐标系 → 像素坐标系（缩放+偏移）
标定要算的就是：内参矩阵（焦距、主点坐标、畸变系数）和外参矩阵（相机相对于标定板的位置）。
张正友标定法的巧妙之处在于：它只需要你从不同角度拍几张棋盘格照片，然后通过数学推导，把内参和外参一起解出来。不需要知道标定板的精确三维位置，省事很多。
2.3.2 实战步骤
我带你走一遍完整的标定流程。这是我做过的项目里最常用的方法：
- 准备标定板：打印一张棋盘格，格子大小要精确测量（比如每个格子5mm×5mm）。贴在平整的板上。
- 采集图像：从不同角度拍10~20张照片。注意：角度要多样，有倾斜、有旋转、有远近。我习惯拍15张左右，太少精度不够，太多浪费时间。
- 检测角点：用OpenCV的
cv2.findChessboardCorners()找到所有角点。 - 标定计算：调用
cv2.calibrateCamera()，输入角点坐标和真实世界坐标，得到内参和畸变系数。 - 评估结果：看重投影误差，一般小于0.5像素就算合格。
代码示例（Python + OpenCV）：
import cv2
import numpy as np
import glob
# 棋盘格参数
chessboard_size = (9, 6) # 内角点数量
square_size = 5.0 # 格子大小，单位mm
# 准备真实世界坐标
objp = np.zeros((chessboard_size[0] * chessboard_size[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:chessboard_size[0], 0:chessboard_size[1]].T.reshape(-1, 2)
objp *= square_size
# 存储所有图片的角点
objpoints = [] # 真实世界坐标
imgpoints = [] # 图像坐标
images = glob.glob('calib_images/*.jpg')
for fname in images:
img = cv2.imread(fname)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 检测角点
ret, corners = cv2.findChessboardCorners(gray, chessboard_size, None)
if ret:
objpoints.append(objp)
imgpoints.append(corners)
# 可视化角点
cv2.drawChessboardCorners(img, chessboard_size, corners, ret)
cv2.imshow('img', img)
cv2.waitKey(500)
cv2.destroyAllWindows()
# 标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
objpoints, imgpoints, gray.shape[::-1], None, None
)
print("内参矩阵:\n", mtx)
print("畸变系数:\n", dist)
print("重投影误差:", ret)2.3.3 标定结果怎么用？
标定完，你得到了内参矩阵和畸变系数。接下来要做两件事：
- 畸变校正：用
cv2.undistort()把每帧图像校正，消除镜头畸变。 - 坐标转换：把图像上的像素坐标，通过内参和外参，转换成真实世界的物理坐标。这样贴片机才知道元件该往哪里放。
举个例子：你在图像上检测到一个元件的中心在(320, 240)像素位置，经过标定转换后，得到它在世界坐标系中的位置是(12.5mm, 8.3mm)。贴片机的吸嘴就根据这个坐标去抓取和放置。
2.4 知识体系总览
下面这张图，是我自己画的相机选型与标定的知识体系。你看一眼，心里就有数了：
嗯，这张图把咱们今天讲的内容串起来了。相机选型、镜头选型、相机标定，这三件事是环环相扣的。选错了相机，标定再准也没用；标定没做好，再好的相机也是白搭。
最后说一句：做视觉引导定位，别怕花时间在标定上。我见过太多工程师急着调算法，结果定位不准，回头才发现是标定没做对。磨刀不误砍柴工，标定这一步，值得你认真对待。
公众号:蓝海资料掘金营，微信deep3321