1. 课程导入与任务场景

农产品采后处理中，尺寸分级是决定商品价值的关键环节。以苹果、柑橘、番茄、马铃薯等圆形或近球形果蔬为例，同一批次果实横径差异可能从 50 mm 到 90 mm 不等，若混装销售，大果被小果"拖价"、小果被大果"压级"，整体售价往往比分级销售低 15%～30%。传统人工分级依赖工人目测与卡尺抽检，一条日处理 20 吨的产线需要 6～10 名分级工，长时间作业后目测误差增大，且分级标准随人、随时段漂移，难以形成稳定的等级一致性。这正是机器视觉尺寸分级方案要解决的核心问题：用可复现的成像与算法流程，把"横径、纵径、果形"等几何量稳定地转换为等级判定。

本课程面向的实战项目是：为一条果蔬采后分选线设计并实现一套基于机器视觉的尺寸分级系统。系统整体目标可以拆成四个可检验的子目标：其一，成像稳定，即在传送带运动条件下获取无拖影、光照均匀的果实图像；其二，测量准确，即单果横径测量误差控制在 ±1.5 mm 以内（示例指标，实际依品类与等级间隔确定）；其三，分级正确，即按预设等级阈值输出等级，误分级率低于 3%；其四，节拍匹配，即单帧处理时间满足产线速度要求，例如传送带 0.5 m/s、相机视野 400 mm 时，需保证每颗果实至少被采集 3 次以上有效图像。这四个目标分别对应光学、算法、判定逻辑与系统集成四个层面，也是后续章节的主线。

上图把方案拆成"物理对象—输送触发—成像—图像处理—判定执行"五段信号链，并用虚线回路表示标定与阈值需要反馈校正。理解这条链的方向很重要：果实是输入，等级与执行是输出，中间任何一环的误差都会向下游传递。例如成像分辨率若只有 0.5 mm/像素，则单像素量化误差就接近 0.5 mm，叠加边缘分割误差后很难满足 ±1.5 mm 的测量要求；反过来，若分辨率过高而视野不足，又会漏拍果实。因此后续章节会反复在"精度—视野—节拍"三者之间做权衡。

为了让学习路径清晰，课程按五个阶段推进。第一阶段明确需求与等级定义：确定品类、等级数、各等级横径区间（例如某柑橘品种分为 55～65 mm、65～75 mm、75 mm 以上三档）、产线速度与允许误分级率。第二阶段做光学与成像设计：根据视野与精度反算所需分辨率，选择相机靶面与镜头焦距，确定光源类型与安装角度，并计算曝光时间以抑制运动拖影。第三阶段是标定与测量算法：用标定板建立像素与实际尺寸的映射，通过背景分割、轮廓提取、最小外接矩形或等效圆拟合得到横径与纵径。第四阶段是分级判定与系统集成：把测量值送入阈值判定逻辑，经通信接口驱动气动喷嘴或分流机构。第五阶段是验证与优化：用标准量块或已知尺寸样品做精度验证，统计混淆矩阵，定位误分级来源并迭代。

这里给出一个贯穿课程的示例场景，便于建立数量级概念。假设传送带速度 0.5 m/s，相机沿运动方向视野 400 mm，则果实通过视野的时间约为 0.8 s；若要求每颗果实至少采集 3 帧，帧间隔应不大于约 0.27 s，对应帧率不低于 4 fps，工程上通常留 2～3 倍余量，取 10～15 fps。再假设相机水平分辨率 2048 像素对应 400 mm 视野，则空间分辨率约 0.195 mm/像素，理论上单像素误差远小于 ±1.5 mm，为边缘分割留出了余量。这些数字不是实测结果，而是用于说明"节拍—视野—分辨率"如何互相约束的合理假设，实际项目需以现场标定为准。