2. Halcon三维测量基础
三维视觉测量技术的工程落地，首先取决于对数据获取原理与数据组织形式的深刻理解。Halcon作为工业机器视觉领域的专业算法库，其三维测量模块（SurfaceModel、XYZAttrib、Disparity等）并不直接产生原始三维数据，而是对上游传感器输出的点云、深度图或视差图进行高效处理与精密测量。本章将系统梳理结构光、激光三角、立体视觉三种主流3D数据获取方式的技术本质，并深入解析点云、深度图、三角网格三种模型表示的数据结构与Halcon中的对应算子，为后续精度验证方法建立坚实的知识基座。
上图清晰展示了三种获取方式与三种模型表示之间的映射关系。在实际工程中，结构光与立体视觉通常直接生成深度图或视差图，再通过相机标定参数转换为点云；激光三角则直接输出轮廓点云或深度图。Halcon通过统一的3D对象模型（Object3D）封装这些数据，使得后续的测量、配准、比较操作与具体传感器解耦。
2.1 结构光三维测量：编码光场与相位解算
核心原理
结构光技术通过投影仪向被测物体表面投射已知编码图案（正弦光栅、格雷码、散斑等），相机从另一角度拍摄被物体表面调制后的变形图案。由于投影仪与相机之间存在固定的几何基线，物体表面的高度变化会引起图案相位或位置的偏移，通过解算相位偏移量并结合三角测量原理，即可恢复物体表面的三维坐标。Halcon中，结构光测量通常借助多视图立体匹配（Multi-View Stereo）或专用结构光标定流程实现。
判断方法与操作流程
- 系统标定：使用Halcon的
calibrate_cameras算子对投影仪和相机进行联合标定，获取内外参数与畸变系数。标定板通常采用非对称圆点或棋盘格，需在不同高度和姿态下采集10-15组图像。 - 光栅投影与采集：依次投射N步相移光栅（通常3步或4步），同步触发相机采集。Halcon通过
grab_image系列算子控制采集时序。 - 相位解算：利用多幅相移图像计算包裹相位（
phase_shift），再通过时间相位展开（多频外差法）获得绝对相位。 - 三维重建：将绝对相位映射到投影仪像素坐标，结合标定参数，通过
reconstruct_surface_stereo或xyz_to_object_model_3d生成点云。
| 关键参数 | 典型值 | 对精度影响 |
|---|---|---|
| 光栅频率 | 16/32/64周期 | 频率越高，相位解算越精确，但噪声敏感度增加 |
| 相移步数 | 3/4/8步 | 步数越多，抗噪性越好，但采集时间增加 |
| 投影仪-相机基线 | 100-300mm | 基线越长，高度分辨率越高，但遮挡越严重 |
| 标定重投影误差 | <0.1像素 | 直接决定三维坐标的绝对精度 |
实战场景：精密PCB焊点高度测量
某电子制造企业需对BGA封装芯片的焊点高度进行100%在线检测，要求高度测量重复性≤±5μm。采用DLP投影仪（分辨率1280×720）与500万像素工业相机组成结构光系统，基线距离150mm，工作距离200mm。使用Halcon标定流程后，重投影误差为0.08像素。投影4步相移光栅（频率分别为16、32、64周期），采集时间约120ms。通过多频外差法展开相位，重建焊点表面点云。实际测试表明，对标准陶瓷量块（高度1.000mm）的测量误差为+3.2μm，重复性（3σ）为4.1μm，满足产线要求。但发现当焊点表面反光强烈时，局部相位解算出现跳变，通过增加偏振片和调整投影亮度后，缺陷率从2.3%降至0.4%。
set_framegrabber_param设置相机曝光时间与增益，但更有效的方式是使用窄带滤光片匹配投影仪波长。此外，投影仪散焦会导致相位误差，需在标定时将投影仪光圈调至最佳焦深。
2.2 激光三角测量：光条中心提取与轮廓重建
核心原理
激光三角法利用激光器发射一条或多条激光线（或点）照射物体表面，激光在物体表面发生漫反射，相机以一定角度（通常30°-60°）拍摄激光光条。物体高度变化导致光条在相机图像中的位置发生横向位移，位移量与高度变化呈几何三角关系。Halcon中，核心步骤是精确提取光条中心线（亚像素精度），再通过标定矩阵将像素坐标转换为世界坐标。
操作流程与关键算子
* 光条图像采集
grab_image (LaserImage, AcqHandle)
* 提取光条中心（亚像素）
lines_gauss (LaserImage, Lines, 1.5, 5, 'dark', 'true')
* 将光条点转换为世界坐标（需预先标定）
contour_to_world_plane (Lines, WorldContours, CameraParam, Pose, 'ml')
* 生成轮廓点云
get_contour_xld (WorldContours, X, Y)
* 创建3D对象模型
gen_object_model_3d_from_points (X, Y, Z, ObjectModel3D)光条中心提取的精度直接决定测量分辨率。Halcon的lines_gauss算子基于高斯核的尺度空间方法，能够抑制噪声并实现亚像素定位。对于强反光表面（如金属拉丝），可结合threshold预处理或使用多线激光融合。
案例拆解：锂电池极片涂布厚度在线测量
锂电池极片涂布厚度一致性直接影响电池容量与安全。某厂商采用激光三角传感器（点激光，采样频率10kHz）配合振镜扫描，对宽度500mm的极片进行横向扫描。Halcon负责光条中心提取与坐标转换。初始测量数据显示厚度波动达±8μm，超出工艺规格（±5μm）。分析发现，极片边缘存在毛刺导致激光散射，光条中心提取偏移。解决方案：在lines_gauss前增加形态学开运算去除毛刺干扰，并将高斯尺度参数从1.5调整至2.0。优化后，测量波动降至±3μm，且与离线接触式千分尺对比，偏差≤2μm。该案例表明，激光三角测量的精度不仅取决于硬件，更依赖于图像处理算法的鲁棒性。
2.3 立体视觉：视差计算与深度恢复
核心原理
立体视觉模拟人眼双目感知，通过两个（或多个）相机从不同视角拍摄同一场景，利用图像匹配算法找到对应点，计算视差（disparity），再根据三角测量原理恢复深度。Halcon提供完整的双目立体视觉流程，包括极线校正、视差计算、深度图生成与点云重建。该方法无需主动光源，适合室外或大视野场景，但对纹理贫乏区域（如白色墙面）匹配困难。
判断方法与参数选择
- 极线校正：使用
calibrate_cameras和gen_binocular_rectification_map生成校正映射，使左右图像极线水平对齐，将二维搜索降为一维。 - 视差范围设定：根据工作距离与基线长度估算最小/最大视差。Halcon的
binocular_disparity算子支持设置MinDisparity和MaxDisparity，范围过大会增加计算量并引入误匹配。 - 匹配代价与聚合：选择SAD、NCC或Census变换作为匹配代价，Halcon默认使用改进的Semi-Global Matching (SGM)算法，在精度与速度间取得平衡。
- 后处理：通过
disparity_to_point_cloud将视差图转换为点云，并使用中值滤波或一致性检查剔除误匹配点。
| 参数名称 | 推荐范围 | 说明 |
|---|---|---|
| 相机基线 | 50-500mm | 基线越大，深度分辨率越高，但遮挡区域增大 |
| 视差搜索范围 | 10-200像素 | 需根据实际场景标定后确定 |
| SGM惩罚项P1/P2 | P1=8, P2=32 | P2越大，深度图越平滑，但细节丢失 |
| 纹理阈值 | 5-20 | 低于阈值的区域视为弱纹理，不参与匹配 |
实战场景：大型铸件毛坯尺寸检测
某铸造厂需对尺寸约1m×0.8m的发动机缸体毛坯进行快速三维扫描，精度要求±0.5mm。采用两台1200万像素工业相机，基线400mm，工作距离1.5m。Halcon标定后重投影误差0.12像素。由于铸件表面为灰色喷砂状态，纹理适中，SGM算法匹配效果良好。但铸件内腔区域光照不足，视差图出现空洞。解决方案：增加辅助LED光源，并采用多视角扫描（4个视角）后通过object_model_3d_to_mesh进行拼接。最终测量结果与三坐标测量机对比，最大偏差0.38mm，满足出厂检验要求。该案例验证了立体视觉在中大尺寸、中等精度场景下的工程可行性。
preprocess_image进行直方图均衡化或对比度归一化，以增强匹配鲁棒性。此外，对于反光表面（如未加工金属），可喷涂显影剂或使用偏振光源。
2.4 3D模型表示：点云、深度图与三角网格
核心原理与数据结构
Halcon通过统一的ObjectModel3D句柄管理三维数据，但底层数据组织方式不同，直接影响处理效率与算法选择。
- 点云（Point Cloud）：无序的XYZ坐标集合，可附加法向量、颜色、灰度等属性。Halcon中通过
gen_object_model_3d_from_points创建，适合散乱点处理（如ICP配准、表面拟合）。 - 深度图（Depth Map）：规则网格存储的Z值图像，每个像素对应一个空间点的深度。深度图与2D图像共享坐标系，可直接使用图像处理算子（如滤波、边缘提取）加速处理。Halcon通过
xyz_to_depth_map或disparity_to_depth生成。 - 三角网格（Triangular Mesh）：由顶点和面片（三角形）构成，包含拓扑连接关系。Halcon通过
object_model_3d_to_mesh或triangulate_object_model_3d生成，适合表面测量、体积计算和3D打印。
数据转换与选择策略
* 点云转深度图（需指定相机参数）
xyz_to_depth_map (ObjectModel3D, CameraParam, Width, Height, DepthMap)
* 深度图转点云
depth_map_to_xyz (DepthMap, CameraParam, X, Y, Z)
* 点云三角化
triangulate_object_model_3d (ObjectModel3D, 'greedy', MeshModel)
* 网格简化
reduce_object_model_3d (MeshModel, 'preserve_structure', 0.5, ReducedMesh)| 表示方式 | 内存占用 | 处理速度 | 适用场景 |
|---|---|---|---|
| 点云 | 高（每点12-24字节） | 慢（需邻域搜索） | 配准、自由曲面测量 |
| 深度图 | 低（每像素2-4字节） | 快（图像算子直接处理） | 实时检测、表面缺陷分析 |
| 三角网格 | 中（顶点+索引） | 中（拓扑遍历） | 体积计算、CAD比较 |
案例拆解：汽车冲压件回弹检测中的模型选择
某汽车零部件厂需检测冲压件回弹量，精度要求±0.1mm。初始方案采用结构光获取点云（约200万点），直接与CAD数模进行ICP配准。但点云数据量大，配准耗时达8秒，无法满足节拍（5秒/件）。优化方案：先将点云转换为深度图（分辨率1024×768），利用Halcon的xyz_to_depth_map将Z值映射为灰度，然后通过surface_normals计算法向量，最后使用compare_variation_model与标准深度图进行逐像素比较。处理时间降至1.2秒，且回弹量检测精度达到±0.08mm。该案例说明，在满足精度要求的前提下，深度图的数据结构更适合高速在线检测。