一、工业视觉概述

大家好，我是老张，在工业视觉这行摸爬滚打了十几年。今天咱们开始聊《工业视觉项目需求分析方法》的第一章——工业视觉概述。

说实话，每次带新人，我第一件事就是问他们：你觉得什么是工业视觉？答案五花八门。有人说是「给机器装眼睛」，有人说是「用摄像头做检测」。都对，但都不全。

1.1 什么是工业视觉

工业视觉，说白了就是用机器代替人眼来做测量和判断。它把摄像头拍到的图像，交给计算机去分析，然后输出结果——比如这个零件合格不合格，那个产品位置偏了多少。

我习惯把工业视觉系统拆成三块：

• 成像部分：光源、镜头、相机，负责把实物变成数字图像
• 处理部分：工控机或者智能相机，跑算法的地方
• 执行部分：PLC、机械手，根据结果去干活

举个例子。一条产线上传送带送过来手机外壳，相机拍一张照片，算法判断螺丝孔有没有打偏。如果偏了，PLC就控制机械手把它挑出来。整个过程不到0.5秒。

1.2 工业视觉 vs 计算机视觉

这个问题我经常被问到。很多刚入行的朋友觉得两者差不多，其实差别大了去了。

计算机视觉，研究的是「怎么让计算机理解图像」。人脸识别、自动驾驶、美颜相机，这些都是计算机视觉的范畴。它追求的是算法的先进性，哪怕一张图算10秒，只要结果准就行。

工业视觉呢？它追求的是稳定、可靠、实时。你想想看，一条产线一分钟跑60个产品，每个产品你只有1秒的时间。算法再牛，跑3秒就废了。

对比维度	工业视觉	计算机视觉
核心目标	稳定、可靠、实时	算法精度、创新性
环境控制	严格（固定光源、固定位置）	宽松（自然光、任意角度）
处理速度	毫秒级，必须满足节拍	秒级甚至分钟级都可以
硬件要求	工业级，抗震动、抗干扰	消费级即可
算法特点	成熟、可重复、易调试	前沿、复杂、黑盒

我记得有一次，一个客户拿了个计算机视觉的算法来，说「这个识别率99.9%，你们用吧」。我一看，单张图处理要3秒。客户产线节拍是0.8秒一个。你说能用吗？肯定不行。

1.3 四大典型应用场景

工业视觉的应用，我习惯归纳成四个词：定位、测量、检测、识别。这四类几乎覆盖了90%以上的项目需求。

1.3.1 定位

定位就是找位置。机械手要去抓一个零件，得先知道零件在哪、角度是多少。视觉系统算出坐标和角度，告诉机械手「往左3毫米，再转5度」。

我做过一个项目，PCB板上要贴一个芯片。板子每次来的位置都不一样，偏差可能有2毫米。视觉定位后，贴片机精度做到了±0.05毫米。嗯，这就是定位的价值。

1.3.2 测量

测量是量尺寸。比如一个轴承的外径要求是50±0.1毫米，视觉系统拍下来，算出实际尺寸，超差就报警。

这里有个关键点：像素当量。说白了就是每个像素代表多少毫米。我习惯在项目开始时先做标定，不然测出来的数据全是错的。

1.3.3 检测

检测是找缺陷。划痕、脏污、缺料、毛刺……这些肉眼容易漏掉的问题，交给视觉去做。

检测类项目最难的地方在于定义标准。什么叫「合格」？什么叫「不合格」？我遇到过客户说「这个划痕太深了不行」，但深到什么程度？没有量化标准。这种项目前期沟通成本很高。

我建议的做法是：先收集1000张样品图，把良品和不良品都标出来。然后跟客户一起定阈值。别凭感觉，拿数据说话。

1.3.4 识别

识别是读信息。二维码、条形码、字符（OCR）、颜色……产线上产品混流了，靠识别来区分。

举个例子。食品包装线上，不同口味的产品用不同颜色的包装。视觉系统识别颜色，告诉后端的分拣机构「这个是草莓味，走左边；那个是巧克力味，走右边」。

识别类项目要注意字符的规范性。我见过一个项目，喷码机喷出来的字符歪歪扭扭，OCR死活读不出来。后来让客户换了喷码机，问题才解决。有时候，问题不在视觉这边。

小结

这一章咱们聊了工业视觉是什么，它和计算机视觉的区别，以及四大应用场景。说白了，工业视觉就是用稳定的技术解决产线上重复性的问题。

下一章，我会详细讲怎么跟客户沟通需求。嗯，这块坑特别多，到时候我多分享几个真实案例。