3、视觉系统入门：工业相机选型、镜头与光源、图像采集与标定基础
工业机器人的“眼睛”并非单一摄像头，而是一套由相机、镜头、光源、采集卡及标定算法构成的精密光学-电子系统。视觉系统的稳定性与精度，直接决定了机器人抓取、装配、检测等任务的成败。本章从工程落地视角出发，系统拆解工业相机的选型逻辑、镜头与光源的匹配原则、图像采集链路的搭建方法，以及手眼标定的核心流程，帮助读者建立从硬件选型到算法部署的完整认知框架。
3.1 工业相机选型：从参数到场景的决策框架
工业相机选型不是参数堆砌，而是围绕检测精度、节拍时间、安装空间与成本约束的权衡过程。核心原理在于：相机的分辨率决定最小可分辨特征尺寸，帧率决定单位时间处理能力，芯片类型（CCD/CMOS）影响噪声与动态范围，快门方式（全局/卷帘）则直接关系到运动物体成像是否畸变。
| 选型维度 | 关键参数 | 典型场景建议 | 注意事项 |
|---|---|---|---|
| 分辨率 | 500万~2000万像素 | 精密测量选高分辨率；定位抓取500万够用 | 分辨率越高，数据量越大，处理时间越长 |
| 帧率 | 30fps~1000fps | 静态检测30fps；高速分拣需100fps以上 | 帧率与曝光时间互相制约 |
| 芯片类型 | CCD / CMOS | 低噪声选CCD；高帧率低成本选CMOS | 现代CMOS全局快门已接近CCD画质 |
| 快门方式 | 全局快门 / 卷帘快门 | 运动工件必须用全局快门 | 卷帘快门在振动或快速移动时产生果冻效应 |
| 数据接口 | GigE / USB3.0 / CameraLink | 远距离传输选GigE；多相机选USB3.0 | CameraLink需专用采集卡，成本高 |
选型操作流程：首先明确最小检测特征尺寸（如0.1mm缺陷），计算所需视野（FOV），然后根据公式 分辨率 = FOV / 最小特征尺寸 × 3（3倍冗余系数）确定像素需求。其次评估节拍：若产线节拍为2秒/件，则相机帧率需大于0.5fps，实际留出2倍余量。最后结合安装距离选择镜头焦距，并确认相机是否支持外部硬件触发以同步机器人动作。
3.2 镜头与光源：决定图像质量的“隐形之手”
镜头负责将物体清晰成像到传感器靶面，光源则负责“制造”对比度。两者配合不当，再好的相机也拍不出合格图像。镜头选型的核心参数包括焦距、光圈、畸变率、靶面尺寸匹配；光源选型则需考虑颜色、角度、均匀性与频闪控制。
镜头选型要点：
- 焦距计算：根据工作距离（WD）和视野（FOV）计算，公式为
焦距 = 靶面尺寸 × 工作距离 / 视野。例如靶面1/1.8英寸（7.2mm宽），工作距离300mm，视野60mm，则焦距≈36mm，选35mm标准镜头。 - 畸变控制：测量场景需选用低畸变镜头（<0.1%），远心镜头可消除透视误差，但成本较高。
- 接口匹配：C接口（后焦距17.526mm）与CS接口（12.5mm）不能混用，需加转接环。
光源选型策略：
- 颜色选择：互补色增强对比度。例如检测红色工件上的黑色缺陷，用蓝色光源（互补色）使缺陷更暗。
- 照射角度：高角度照明（30°~60°）适合平整表面；低角度照明（<15°）突出表面纹理；背光照明用于轮廓测量。
- 频闪控制：配合相机硬件触发，使用频闪光源可大幅降低发热并提高亮度，延长LED寿命。
背景：某汽车零部件厂需检测铝壳表面划痕，划痕深度约0.02mm，宽度0.1mm，表面反光强烈。
初始方案：使用白色环形光源+500万像素相机，图像中反光区域过曝，划痕被淹没。
分析：金属表面镜面反射导致灰度饱和，普通漫射光无法抑制反光。
解决：改用同轴光源（光线垂直照射），配合偏振片滤除镜面反射，划痕在暗背景下呈现亮线。
结果：对比度从0.15提升至0.72，检测率从78%提升至99.2%。
代价：同轴光源成本增加约3000元，但误检率下降带来的返工节省远超此成本。
3.3 图像采集链路：从触发到内存的完整通路
图像采集不仅是“拍一张照片”，而是涉及传感器曝光、数据读出、传输、缓存与处理的时序控制过程。工业场景中，相机必须与机器人运动、PLC信号严格同步，否则采集到的图像位置偏移，导致后续定位失败。
标准采集流程：
- 外部触发：PLC或传感器发出硬件触发信号（如光电开关检测到工件到位），通过相机I/O口触发曝光。
- 曝光与读出：相机按设定曝光时间（如500μs）完成光电转换，CMOS逐行读出数据。
- 数据传输：通过GigE或USB3.0将图像数据包传输至工控机，GigE最大有效带宽约110MB/s。
- 缓存与处理：图像存入内存环形缓冲区，视觉算法从缓冲区取帧处理，避免丢帧。
// 伪代码：基于GigE相机的同步采集逻辑
camera.TriggerMode = "External";
camera.ExposureTime = 500; // 微秒
while (true) {
if (camera.WaitForFrame(1000)) { // 等待触发
Image img = camera.GetFrame();
ProcessImage(img); // 视觉算法处理
SendResultToPLC(robotX, robotY, angle); // 发送坐标
}
}3.4 相机标定与手眼标定：像素到机器人坐标的桥梁
标定的本质是求解相机成像模型中的参数矩阵。相机标定获取内参（焦距、主点、畸变系数），手眼标定获取相机坐标系与机器人基座坐标系之间的变换关系（外参）。没有标定，视觉系统只能给出“像素位置”，无法转化为机器人可执行的“世界坐标”。
标定流程与操作步骤：
- 相机内参标定：使用棋盘格标定板（如12×9格，格距30mm），采集15~20张不同位姿图像，通过OpenCV或Halcon计算内参矩阵与畸变系数。
- 手眼标定（眼在手外）：相机固定安装，机器人末端安装标定板，移动机器人至多个位姿，记录机器人坐标与标定板在图像中的角点坐标，求解AX=XB方程。
- 手眼标定（眼在手上）：相机安装在机器人末端，标定板固定在工作台，同样通过多姿态运动求解。
| 标定方式 | 适用场景 | 精度影响因素 | 标定板安装位置 |
|---|---|---|---|
| 眼在手外 | 固定工位检测、大视野定位 | 相机安装刚性、标定板平面度 | 机器人末端 |
| 眼在手上 | 移动抓取、狭窄空间作业 | 机器人重复定位精度、相机安装角度 | 工作台固定 |
背景：某电子厂使用6轴机器人进行PCB板通孔插件，通孔直径1.0mm，插件销直径0.9mm，间隙仅0.1mm。视觉系统需引导机器人将销准确插入孔内。
初始现象：视觉定位坐标与机器人实际抓取位置偏差约2mm，导致频繁撞针。
关键数据：相机分辨率500万，视野80mm×60mm，像素当量约0.033mm/pixel；机器人重复定位精度±0.02mm。
分析过程：首先检查相机标定重投影误差为0.08像素（正常），排除内参问题。然后检查手眼标定结果，发现旋转矩阵条件数较大，说明标定采样位姿分布不合理。
操作步骤：重新规划标定路径，使机器人末端在相机视野内均匀旋转±30°，并增加Z轴方向移动，共采集25个位姿。重新求解后，重投影误差从1.2mm降至0.15mm。
结果对比：插件成功率从82%提升至99.7%，节拍从3.5秒/件降至2.8秒/件。
风险与代价：标定过程耗时约40分钟，需停机进行；但后续无需频繁重新标定，每季度复校一次即可。
复盘经验：手眼标定的精度瓶颈往往不在算法，而在采样位姿的多样性。务必覆盖X/Y/Z平移和RX/RY/RZ旋转的完整空间。
3.5 常见误区与总结复盘
视觉系统调试中，80%的问题源于硬件选型或安装不当，而非算法缺陷。以下是高频误区：
- 误区一：分辨率越高越好。高分辨率带来数据量激增，处理时间变长，且对镜头和光源要求更高。应根据实际特征尺寸计算所需分辨率。
- 误区二：光源越亮越好。过亮导致过曝，丢失细节；正确做法是保证均匀性和对比度，而非单纯提高亮度。
- 误区三：忽略相机安装刚性。机械臂运动时相机振动导致图像模糊，应使用减震支架或增加曝光时间补偿。
- 误区四：标定一次永久使用。温度变化、螺丝松动、机械磨损都会导致标定参数漂移，需定期复校。
总结复盘：一套可靠的工业视觉系统，应遵循“先光学、后算法”的调试顺序。首先确保图像质量（对比度、清晰度、无畸变），其次验证采集链路稳定性（无丢帧、触发同步），最后进行标定与坐标映射。建议建立视觉系统点检表，记录光源亮度、相机曝光、标定误差等关键参数，便于异常时快速回溯。