📚 课程目录第4章拍摄设备与参数

4、拍摄设备与参数：摄像头选型、分辨率、帧率、焦距、曝光、白平衡等参数设置

TinyML视觉数据集的制作，其质量上限在拍摄阶段就已锁定。后期标注与增强只能弥补部分缺陷，无法修复因设备选型不当或参数配置错误导致的根本性信息丢失。本章聚焦于拍摄设备与参数的工程化决策，从摄像头模组选型、分辨率与帧率权衡、镜头焦距与视场角匹配，到曝光与白平衡的自动化控制策略，构建一套适用于边缘AI场景的数据采集硬件基线。

4.1 摄像头选型：从传感器到镜头模组的工程匹配

核心原理：摄像头选型的本质是光学-电子-算法三者的联合约束求解。TinyML场景中，模型输入分辨率通常被压缩至96×96到224×224像素，但这并不意味着采集端可以随意降低分辨率。传感器物理尺寸决定了像素感光面积，直接影响低光性能与动态范围；镜头光学质量决定了边缘清晰度与畸变程度；而接口协议（MIPI/USB）则制约了数据传输带宽与帧率上限。

判断方法：选型时需按以下顺序评估：

传感器尺寸与像素大小：1/4英寸传感器（如OV5647）像素尺寸约1.4μm，适合光照充足的室内场景；1/2.7英寸传感器（如IMX219）像素尺寸1.12μm，低光性能稍弱但分辨率更高。若目标场景包含夜间或暗光，优先选择像素尺寸≥2μm的传感器。
快门类型：卷帘快门（Rolling Shutter）在拍摄快速运动物体时会产生果冻效应，导致物体形变；全局快门（Global Shutter）则无此问题，但成本更高。对于工业质检、运动物体识别，应优先全局快门。
镜头接口与焦距：M12接口（螺纹）适合嵌入式紧凑设计，CS/C接口适合可换镜头场景。焦距决定视场角（FOV）：3.6mm镜头在1/4英寸传感器上约提供72°水平视场，适合桌面级识别；6mm镜头约45°，适合远距离检测。

传感器型号	尺寸	像素尺寸	典型分辨率	适用场景
OV5647	1/4"	1.4μm	2592×1944	室内、光照充足
IMX219	1/2.7"	1.12μm	3280×2464	通用、性价比高
IMX477	1/2.3"	1.55μm	4056×3040	高质量、低光较好
OV9281	1/4"	3.0μm	1280×800	全局快门、运动场景

经验提醒：不要盲目追求高分辨率。TinyML模型输入通常≤224×224，过高的采集分辨率只会增加存储与处理开销。建议采集分辨率控制在模型输入分辨率的2~4倍，既保留足够细节，又不至于数据冗余。

4.2 分辨率与帧率：平衡信息密度与数据吞吐

核心原理：分辨率决定空间细节，帧率决定时间分辨率。两者共同影响数据集的信息容量，但受限于传感器读出速度、接口带宽与存储写入速度。对于TinyML视觉任务，需要根据目标物体的运动速度和最小可辨识特征来设定参数。

操作流程：

静态场景（如零件外观检测）：目标物体静止或缓慢移动，帧率5~10 FPS即可，分辨率可提升至1280×720，以捕捉更多纹理细节。
动态场景（如手势识别、无人机避障）：物体运动速度较快，帧率需≥30 FPS，分辨率可降至640×480，避免运动模糊。
极端动态（如高速分拣）：需使用全局快门+高帧率（60~120 FPS），分辨率进一步降低至320×240，或采用ROI（感兴趣区域）裁剪。

# 以OpenCV为例，设置采集参数（Python伪代码）
import cv2
cap = cv2.VideoCapture(0)
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720)
cap.set(cv2.CAP_PROP_FPS, 15)  # 静态场景
# cap.set(cv2.CAP_PROP_FPS, 30)  # 动态场景
# cap.set(cv2.CAP_PROP_BUFFERSIZE, 1)  # 减少缓冲延迟

风险提示：帧率与分辨率并非独立可调。在USB 2.0接口下，1280×720@30FPS已接近带宽上限（约35MB/s），若同时开启RAW格式输出，极易出现丢帧。务必实测实际帧率，而非仅看标称值。

4.3 焦距与视场角：决定拍摄距离与覆盖范围

核心原理：焦距f决定视场角θ，关系为θ = 2×arctan(d/(2f))，其中d为传感器感光面宽度。焦距越短，视场角越大，单位像素对应的物理尺寸越大（即空间分辨率越低）。TinyML数据集制作中，焦距选择需确保目标物体在画面中占据合理比例——通常目标宽度占画面宽度的1/3~1/2，以保证特征清晰可辨。

判断方法：

确定拍摄距离范围：例如桌面识别场景，摄像头距目标30~50cm。
计算所需视场角：若目标物体最大尺寸为10cm，画面宽度需覆盖20~30cm，则水平视场角需≥2×arctan(15/40)≈41°。
根据传感器尺寸反推焦距：1/4英寸传感器宽度约3.6mm，所需焦距f = d/(2×tan(θ/2)) = 3.6/(2×tan(20.5°))≈4.8mm，选择4.5mm或5mm镜头。

案例拆解：某工业质检项目需检测PCB板上的微小焊点（最小缺陷0.5mm）。初始使用3.6mm广角镜头，拍摄距离30cm，焊点在画面中仅占2~3像素，模型无法区分缺陷。调整方案：更换6mm镜头，拍摄距离缩短至20cm，焊点占比提升至8~10像素，模型准确率从78%提升至94%。代价是单次拍摄覆盖面积减小，需增加拍摄次数，但整体数据质量显著提升。

4.4 曝光与白平衡：自动化与手动控制的取舍

核心原理：曝光由光圈、快门（曝光时间）和增益共同决定，直接影响图像亮度与噪声水平。白平衡则校正不同光源下的色偏，使白色物体呈现为白色。TinyML数据集制作中，一致性比单张图像质量更重要——若每张图像的曝光与白平衡都不同，模型会学习到不稳定的颜色与亮度特征，导致泛化能力下降。

操作策略：

固定曝光：在受控光照环境下，手动设置曝光时间与增益，关闭自动曝光（AE）。例如室内LED照明下，曝光时间设为1/60s，增益ISO 100。
AE锁定：若光照有轻微波动，可先让AE收敛，然后锁定参数。多数摄像头驱动支持AE锁定功能。
白平衡预设：根据光源类型选择预设值（日光5500K、阴天6500K、荧光灯4000K），避免使用自动白平衡（AWB）导致的逐帧色偏。

# 树莓派Camera Module 3 参数设置示例（libcamera）
libcamera-still -o test.jpg --width 1280 --height 720 \
  --shutter 10000 \        # 曝光时间10ms
  --gain 1.5 \             # 模拟增益
  --awbgains 1.2,1.0 \     # 手动白平衡增益（R,G/B）
  --metering spot \        # 测光模式
  --immediate              # 立即拍摄

常见误区：许多开发者依赖自动曝光与自动白平衡，认为“摄像头会自动调整到最佳”。但在数据集采集中，这种“自适应”会导致同一物体在不同时间、不同角度拍摄时亮度与色温不一致，增加模型学习的难度。务必在采集前固定参数，并记录环境光照条件。

4.5 实战案例：多光照条件下的数据集采集参数调优

背景与约束：某农业AI项目需采集田间害虫图像，用于TinyML模型部署在边缘设备上。采集环境为户外，光照从晴天强光（10万lux）到阴天弱光（5000lux）变化剧烈。初始使用默认自动参数采集，发现数据集存在严重问题：晴天图像过曝，害虫颜色失真；阴天图像噪声明显，细节丢失。

分析过程：检查拍摄日志发现，自动曝光在强光下将曝光时间压缩至1/2000s，但增益仍为最低，导致动态范围不足；阴天时曝光时间延长至1/120s，增益升至ISO 800，噪声显著。自动白平衡在绿色植被背景下频繁漂移，导致同一害虫在不同图像中呈现不同色调。

解决方案：

将采集时间限制在上午9:00~11:00和下午3:00~5:00，此时光照相对稳定（约2万~4万lux）。
手动设置曝光时间1/500s，增益ISO 200，白平衡预设为日光（5500K）。
增加ND滤镜（减光镜）降低进光量，使曝光时间可维持在1/500s而不过曝。
在阴天条件下，改用补光灯（LED环形灯）提升亮度，保持相同曝光参数。

结果对比：调优后，图像亮度标准差从±45降至±12，色彩偏差ΔE从8.2降至2.1，模型训练收敛速度提升30%，最终准确率从82%提升至91%。复盘经验：户外采集不能依赖摄像头自动调节，必须通过物理手段（遮光、补光）和参数固定来创造一致的采集条件。

4.6 常见误区与总结复盘

误区	后果	正确做法
追求最高分辨率	存储膨胀、训练变慢、过拟合风险	分辨率设为模型输入的2~4倍
忽略帧率与运动模糊	动态目标拖影、特征丢失	根据运动速度选择帧率与快门
依赖自动白平衡	跨场景色偏、模型鲁棒性差	手动预设或采集后色彩校正
忽视镜头畸变	边缘目标形变、标注框偏移	使用低畸变镜头或采集后校正
不记录拍摄参数	无法复现、无法排查问题	每次采集保存EXIF或元数据日志

总结：拍摄设备与参数设置的核心目标是在目标场景中稳定、可重复地采集高质量图像。选型阶段需平衡传感器、镜头与接口的物理约束；参数配置阶段需在分辨率、帧率、曝光、白平衡之间做出明确取舍；执行阶段需记录所有参数与环境条件，确保数据集的可追溯性。TinyML模型的能力上限由数据质量决定，而数据质量在按下快门前就已注定。