1. 课程导入与农业检测场景概览

在农业生产的产后处理、分级包装、种子精选、果蔬分选以及田间表型采集等环节中，长期依赖人工目视判断。人工判断受疲劳、经验差异和光照条件影响，一致性难以保证，也难以支撑高速流水线。工业相机正是为了解决"看得见、看得准、看得快、看得一致"这一组问题而进入农业检测现场的。它把农产品的几何形状、颜色、表面纹理和空间位置转换为可计算的数字图像，再由算法给出分级、缺陷、计数或定位结论，最终驱动分选机构或数据记录系统动作。

需要先明确一个基本认识：工业相机本身不"判断"农产品好坏，它只负责稳定、可重复地获取图像。真正的检测能力来自"成像条件 + 图像数据 + 算法模型 + 执行机构"构成的完整链路。因此学习本课程时，不能只盯着相机参数，而要始终把相机放在整条检测链路中理解它的角色。

工业相机在农业检测链路中的位置

一条典型的农产品视觉检测链路可以拆成五个环节：物料输送与触发、照明与成像、图像采集与传输、算法处理与判定、执行与数据反馈。工业相机处在"成像"与"采集传输"的交界处，向上承接光源和镜头的光学条件，向下为算法提供图像质量基础。下图展示了这条链路中各环节的衔接关系，以及相机所处的位置和它需要向上下游负责的关键接口。

从图中可以看出，相机是链路的"瓶颈守门人"：上游光学条件不到位，相机只能拍到模糊或过曝的图像；相机选型或触发设置不当，下游算法再强也无法从劣质图像中恢复信息。因此后续章节会围绕"如何让相机在具体农业场景中稳定输出可用图像"逐步展开。

农业检测的四类典型任务

农业检测任务虽然多样，但落到视觉层面可以归为四类基本任务，它们对相机的要求差异明显。

分级关注的是综合外观品质，例如苹果按果径、着色面积、果形端正度分为特级、一级、二级。这类任务通常需要彩色相机，且对颜色还原的一致性要求高，因为同一批次内不同时间拍摄的图像若白平衡漂移，分级阈值就会失准。分级往往还需要多视角成像，单相机只能看到一面。

缺陷检测关注局部异常，例如柑橘表面的虫眼、裂口、霉斑，或大米中的黄粒、病斑粒。缺陷尺寸可能只有几毫米，因此对分辨率要求高，同时需要合适的光源角度让缺陷与正常表面形成对比。表面反光强的果蔬常采用漫射穹顶光或低角度暗场照明来突出凹凸缺陷。

计数关注数量统计，例如种子粒数、苗盘穴孔出苗数、鱼苗或虾苗数量。这类任务的核心矛盾是物料重叠与粘连，相机需要足够的分辨率区分相邻个体，同时帧率要跟得上物料流，避免漏拍。计数任务对颜色要求通常低于分级，但对触发时序和图像分割的稳定性要求高。

定位关注空间坐标，例如抓取机器人需要知道果实的三维位置，或剔除机构需要知道缺陷所在的位置以计算喷气延时。定位任务强调相机与执行机构之间的坐标标定，以及从图像像素坐标到物理坐标的映射精度。单目相机配合已知工作距离可以完成平面定位，涉及深度时则需要双目、结构光或飞行时间方案。

一个可参照的入门示例

为了把抽象要求落到具体数字，这里给出一个教学示例（参数为合理假设，非实测结果）。假设要对传送带上的苹果做表面缺陷检测，传送带速度 0.5 m/s，视场宽度需覆盖 300 mm，要求能分辨最小 1 mm 的虫眼。按"最小缺陷至少占 3 个像素"的经验，像素分辨率需达到约 0.33 mm/像素，则水平像素数约为 300 ÷ 0.33 ≈ 900，考虑余量选择 1280 像素宽的相机。物料在视场内停留时间约 0.6 s，若要求每颗苹果至少被拍摄 2 次，帧率需不低于约 4 帧/秒，实际选型通常留出数倍余量。曝光时间需控制在物料移动不超过约 1 个像素对应的距离，即约 0.33 mm ÷ 0.5 m/s ≈ 0.66 ms 量级，这就需要足够亮的光源来支撑短曝光。这个例子说明：相机参数不是孤立挑选的，而是由物料速度、缺陷尺寸、视场和光照共同约束出来的。

整体学习路径

本课程后续将按"器件—成像—算法—系统—落地"的顺序推进。先理解工业相机的传感器类型、分辨率、帧率、接口与触发方式，建立器件层面的判断力；再学习镜头、光源与工作距离如何共同决定图像质量；随后进入图像预处理、分割、特征提取与分类识别的算法环节，理解分级、缺陷、计数、定位四类任务各自的算法思路；最后回到系统层面，讨论多相机布置、坐标标定、剔除时序、环境防护与现场调试。每一部分都会尽量给出可操作的参数示例与判断依据，帮助你把知识转化为可执行的检测方案。