1. 课程导入与协同全景

在工业自动化现场，视觉系统与运动控制系统长期处于“两张皮”的状态：相机负责拍照、算法负责判定，判定结果再通过 PLC 的 I/O 或通信接口传给执行机构。这种松耦合方式在节拍宽松、精度要求不高的场合尚可运行，但一旦进入高速抓取、精密贴合、在线测量等场景，视觉与运动之间的时间抖动、坐标转换误差和通信延迟就会直接反映为良率下降。TwinCAT 机器视觉与自动化协同要解决的核心问题，正是把“看”和“动”纳入同一个实时控制内核，让视觉结果不再是一个异步事件，而是运动控制链路中可以参与插补、触发和状态判断的实时数据。

从定义上讲，TwinCAT 机器视觉与自动化协同是指以 TwinCAT 实时运行时为统一平台，将图像采集、视觉算法、坐标标定、运动控制、逻辑控制与安全逻辑集成在同一工程、同一时钟体系下的系统方案。它并不等同于“用 PLC 触发相机”，而是强调三个层面的协同：时间协同（视觉采集与运动周期共享实时基准）、空间协同（像素坐标与机械坐标通过标定统一到同一坐标系）、逻辑协同（视觉判定结果直接参与运动状态机与安全互锁）。理解这三层协同，是后续所有章节的主线。

系统边界：哪些属于本节讨论范围

明确系统边界可以避免学习过程中把问题归错位置。本课程讨论的协同系统，通常包含以下部分：

• 感知层：工业相机（面阵/线阵）、镜头、光源、触发传感器，以及相机与控制器之间的接口（GigE Vision、USB3 Vision、Camera Link 等）。
• 视觉处理层：运行在 TwinCAT 上的视觉算法或与外部视觉软件（如 Halcon、OpenCV 封装）的接口，负责特征提取、定位、测量、缺陷判定。
• 控制层：TwinCAT PLC、TwinCAT NC PTP 或 TwinCAT CNC，负责运动规划、轴控、逻辑状态机与安全逻辑。
• 标定与坐标层：手眼标定、九点标定、像素当量计算，把图像坐标映射到机械坐标。
• 执行层：伺服驱动器、电机、气缸、机器人等执行机构。

边界之外的内容，例如纯图像算法理论、相机光学设计、机械结构强度计算，本课程只在与协同接口相关时提及，不作为主线展开。

典型应用场景

协同系统的价值在具体场景中最容易看清。以下是三类典型场景及其对协同的关键要求：

这些场景的共同点是：视觉不是“拍完再慢慢算”，而是必须在确定的时间窗口内给出结果，并且结果要能被运动控制直接消费。例如在拾取场景中，如果视觉处理耗时 30 ms，而运动周期是 1 ms，那么视觉结果只能在第 30 个周期之后参与运动规划，这期间工件可能已经移动。协同设计要做的，就是让这个时间差可控、可预测。

学习路线图

本课程共 30 章，整体按“认知—接口—标定—协同—实战—优化”的路径推进。前几章建立系统全景与术语体系；随后进入相机接口、触发与采集、TwinCAT 视觉工程结构；中段重点讲标定与坐标变换、视觉结果到运动指令的映射、状态机与安全互锁；后段通过拾取、测量、对位等案例完成闭环，并讨论实时性优化、故障排查与工程交付。学习时建议始终带着三个问题：视觉结果在哪个时刻产生？它如何变成机械坐标？运动控制如何消费它？

上图把系统全景、三层协同和关键约束放在同一张视图中。可以看到，感知层输出的是“图像帧 + 时间戳”，视觉处理层输出的是“位姿 / 测量值 / 判定”，标定层完成坐标统一，控制层消费这些结果并驱动执行层，同时执行层的位置与状态又反馈回感知与控制环节。红色虚线表示反馈路径，它提醒我们协同不是单向流水线，而是带闭环的实时系统。

需要特别强调的是，协同系统的设计不是“先选相机再想控制”，也不是“先写运动再补视觉”，而是从节拍、精度和同步要求出发，反向确定相机触发方式、视觉处理预算、标定精度和通信机制。例如，若目标节拍为 90 件/分钟，单件可用时间约 667 ms，其中运动占 400 ms、视觉占 150 ms、上下料与等待占 117 ms，那么视觉处理就必须在 150 ms 内完成，且结果必须在运动开始前稳定可用。这个时间预算会直接约束算法复杂度和相机分辨率的选择。

本课程后续所有案例都会围绕“时间—空间—逻辑”三条协同线展开。你不需要一开始就掌握所有细节，但需要建立这样一个判断习惯：每当看到一个视觉与运动结合的需求，先问结果在什么时刻产生、在什么坐标系下表达、由谁在什么条件下消费。把这三个问题回答清楚，协同方案的大框架就不会偏。