1. 课程导入：工业视觉预处理的必要性、学习目标与整体知识框架
在工业自动化与智能制造场景中，视觉系统承担着定位、测量、缺陷检测、字符识别等关键任务。然而，工业现场的光照波动、镜头畸变、反光干扰、振动模糊以及目标区域不固定等问题，会直接导致图像质量下降，进而影响后续算法的准确性与稳定性。如果不对原始图像进行有效的预处理，即便是最先进的深度学习模型或高精度测量算法，也难以获得可靠的输出。因此，工业视觉预处理不是“可选项”，而是决定整个视觉系统成败的“地基工程”。本章作为整个课程的开篇，将系统阐述预处理的必要性、学习目标、整体知识框架以及典型应用场景，帮助学习者建立全局视野。
1.1 为什么工业视觉系统离不开预处理
工业视觉与日常图像处理的最大区别在于其严苛的稳定性要求与实时性约束。在产线上，相机每秒可能采集数十帧图像，任何一帧的异常都可能导致误判或漏判。预处理环节承担着三个核心使命：第一，消除环境干扰，将光照变化、反光、阴影等不可控因素对图像的影响降到最低；第二，突出目标特征，通过ROI提取和增强操作，让算法只关注关键区域，减少计算量并提高信噪比；第三，恢复几何真实性，通过畸变校正和透视矫正，使图像中的像素坐标与物理世界中的实际坐标建立精确映射关系，这是高精度测量的前提。
以3C电子行业的精密螺丝锁付为例，视觉系统需要引导机械臂将螺丝准确地拧入手机中框的螺纹孔中。如果镜头存在桶形畸变，图像边缘的螺丝孔位置会偏离真实坐标，导致锁付失败甚至损坏产品。又如在锂电池极片表面缺陷检测中，产线上的光照强度会随着早晚时间、设备发热、灯管老化而波动，若不进行光照校正，同一缺陷在不同时间采集的图像灰度差异可能超过30%，导致检测算法误判。这些案例都说明，预处理不是简单的“图像美化”，而是直接关系到生产良率与设备稼动率的关键工程环节。
1.2 本章学习目标与知识框架
完成本章学习后，学习者应达到以下目标：① 理解工业视觉预处理在整体系统中的位置与价值；② 掌握ROI提取的常用方法（基于灰度阈值、边缘检测、模板匹配、深度学习分割）及其适用场景；③ 学会光照校正的典型策略（暗场/亮场校正、同态滤波、直方图均衡化、背景拟合）；④ 熟悉镜头畸变模型（径向畸变、切向畸变）与标定流程（棋盘格标定、张正友标定法）；⑤ 能够根据实际项目需求选择合适的预处理组合策略，并评估其对最终算法精度的影响。
下表概括了本章及后续课程中预处理模块的核心知识结构：
| 预处理模块 | 核心问题 | 常用方法 | 典型应用场景 |
|---|---|---|---|
| ROI提取 | 减少计算量、排除背景干扰 | 灰度阈值、边缘框选、模板匹配、语义分割 | 定位引导、缺陷检测区域限定 |
| 光照校正 | 消除光照不均、反光、阴影 | 暗场/亮场校正、同态滤波、直方图均衡化、背景差分 | 表面缺陷检测、OCR识别 |
| 畸变校正 | 恢复几何精度、消除镜头失真 | 棋盘格标定、张正友标定法、畸变系数映射 | 高精度测量、机器人引导 |
| 图像增强 | 突出特征、抑制噪声 | 高斯滤波、中值滤波、锐化、对比度拉伸 | 低对比度场景、微小缺陷增强 |
1.3 典型应用场景与预处理策略选择
不同应用场景对预处理的侧重点截然不同。在半导体晶圆缺陷检测中，由于晶圆表面高度反光且存在周期性电路图案，预处理必须包含强力的光照校正（通常采用暗场照明配合多角度光源）和基于频域的周期性纹理抑制，否则缺陷信号会被背景图案淹没。而在汽车零部件尺寸测量场景中，畸变校正和像素当量标定（即每个像素对应的物理尺寸）是核心，通常需要先进行精确的相机标定，再通过亚像素边缘提取来获得高重复精度的测量结果。
对于物流行业的包裹扫码与OCR场景，由于包裹表面材质多样（纸箱、塑料膜、标签纸），且光照环境复杂，预处理需要兼顾ROI快速定位（通过条形码定位或标签区域检测）和光照自适应校正（如局部直方图均衡化），以保证条码和字符的清晰可读。此外，在食品饮料行业的瓶盖缺陷检测中，由于产线速度极快（每分钟数百个），预处理算法必须在毫秒级完成，因此往往采用简化的ROI提取（基于固定位置或简单阈值）和轻量级滤波，避免使用计算量大的迭代算法。
1.4 案例拆解：新能源电池极片缺陷检测中的预处理组合策略
某锂电池生产企业在其极片涂布工序后增加了视觉检测环节，用于识别极片表面的划痕、漏金属、颗粒凸起等缺陷。初始方案直接使用灰度阈值分割，但实际运行中误检率高达15%，漏检率约3%。分析发现，主要干扰因素包括：① 涂布厚度不均导致的反光差异；② 产线振动引起的图像模糊；③ 极片边缘的卷曲导致背景灰度变化。
针对这些问题，项目组采取了以下预处理组合策略：
- 光照校正：采用暗场校正（采集无产品时的背景图像作为参考，进行像素级除法运算），将光照不均的影响从±25%降低到±5%以内。
- ROI提取：利用极片边缘的直线特征，通过霍夫变换检测极片边界，动态裁剪出有效检测区域，排除了背景传送带的干扰。
- 图像增强：使用中值滤波（3×3核）去除椒盐噪声，同时保留缺陷的边缘信息；随后进行对比度拉伸，增强微弱划痕的灰度差异。
- 畸变校正：由于相机视野较大（300mm×200mm），镜头边缘畸变导致测量误差约0.3mm，通过棋盘格标定后，畸变校正将误差降低到0.05mm以内。
实施后，误检率降至2%以下，漏检率控制在0.5%以内，且单帧处理时间从原来的45ms降低到28ms（因为ROI裁剪减少了处理面积）。该案例说明，预处理策略的选择需要基于对现场干扰因素的量化分析，而非盲目堆砌算法。
1.5 常见误区与总结复盘
在工业视觉项目的实施过程中，初学者常陷入以下误区：误区一：忽视光学设计，过度依赖算法。实际上，一个良好的光源和镜头选型往往比算法更能解决问题。例如，使用同轴光源可以显著减少反光，使用偏振片可以消除眩光，这些光学手段的效果是后期算法难以企及的。误区二：在预处理阶段使用与部署环境不一致的参数。在实验室中调试好的阈值、滤波核大小，到了产线可能因为光照变化而失效，因此需要建立自适应机制或定期校准流程。误区三：忽略预处理对算法鲁棒性的影响。有些团队直接使用原始图像训练深度学习模型，虽然模型可能学习到一定的光照不变性，但在极端光照变化下仍会失效，且训练成本更高。