1. STM32N6工业视觉检测系统概述

工业视觉检测的核心任务，是让设备在产线上“看懂”产品：判断有无、识别字符、测量尺寸、定位缺陷、引导抓取。传统方案通常把图像采集卡与工控机放在电柜里，相机通过线缆把图像送到主机处理。这种架构算力充裕，但体积大、功耗高、布线复杂，单站成本往往在数千元以上。STM32N6 的出现，让“把视觉判断下沉到相机端或检测头内部”成为可行路径——它内置神经处理单元 NPU，可在几百毫瓦到一瓦级功耗下运行轻量卷积网络，同时保留 MCU 的实时控制与外设接口能力。

本课程的目标不是讲清某一个算法，而是完成一套可运行的边缘视觉检测系统集成：从相机/传感器接口取图，经预处理送入 NPU 推理，得到类别、置信度或坐标，再由 MCU 侧完成判定、通信与执行输出。学完后你应当能够独立完成一个“采集—推理—判定—输出”的闭环，并能定位其中最常见的性能与稳定性问题。

工业视觉检测的典型场景

工业现场对视觉的需求差异很大，但落到边缘端，通常集中在几类任务上。第一类是存在性与装配校验：例如连接器是否插到位、螺丝是否漏装、标签是否贴正。这类任务输出是“合格/不合格”加一个置信度，模型小、帧率要求中等（5～15 fps 即可）。第二类是字符与条码识别：读取批次号、日期码，输出字符串，常与 OCR 或专用解码算法配合。第三类是尺寸与位置测量：通过边缘检测或关键点回归得到像素坐标，再结合标定换算为毫米，用于间隙、孔径、偏移量判断。第四类是表面缺陷检测：划痕、脏污、缺料，这类任务对分辨率和模型容量要求最高，边缘端通常只做初筛，把可疑图像上传给上位机复判。

这些场景对系统的共同约束是：节拍固定（例如 200 ms 内必须出结果）、光照会漂移、被检物位置有抖动、现场电磁环境复杂。因此系统集成时必须同时考虑算法精度、推理时延、图像质量与通信可靠性，而不是只调模型。

STM32N6 在边缘视觉中的定位

STM32N6 属于带 NPU 的高性能 MCU，主频可达 800 MHz 级别，片上 SRAM 容量较大，可直接缓存多帧图像与中间特征图，避免频繁访问外部存储带来的带宽瓶颈。它的定位介于“纯 MCU + 传统图像处理”和“MPU + Linux + 独立加速器”之间：比前者能跑更复杂的神经网络，比后者启动更快、功耗更低、实时性更确定。

在系统里，它通常承担三个角色：图像采集与预处理（MIPI CSI 或并口取图、去噪、缩放、归一化）、神经网络推理（NPU 执行量化后的模型）、实时判定与输出（GPIO 触发剔除、UART/CAN/Ethernet 上报结果）。需要明确的是，它不适合训练模型，也不适合处理超大分辨率图像；模型需要在 PC 端训练并量化为 INT8，再部署到片上。

系统集成总体框架

把上述角色串起来，就得到本课程贯穿始终的总体框架。下图给出从光学输入到执行输出的完整信号链，以及各环节对应的关键参数与工具，后续章节将逐段展开。

图中主链路是“采集→预处理→推理→判定→输出”，虚线回路表示结果会反过来影响采集参数或触发重拍。实际调试时，最容易被忽视的是预处理与量化的一致性：PC 端训练用的归一化方式必须与片上量化参数严格对应，否则精度会在部署后明显下降。

学习路径与工程方法

本课程按“先打通链路，再优化指标”的顺序组织。起步阶段先让系统跑起来：用固定测试图验证 NPU 推理输出与 PC 端一致，确认采集、推理、输出三段都能工作。随后进入指标优化：测量单帧时延、调整输入分辨率与模型结构、用双缓冲或 DMA 降低搬运开销。最后是现场化：处理光照变化、增加去抖与异常保护、把结果接入 PLC 或上位机。

建议在每个阶段都保留可复现的记录。下面给出一份最小验证记录表，用于确认链路是否真正打通，字段可根据实际项目增删。