1. ctrlX AUTOMATION机器视觉协同课程导入
在工业自动化现场，视觉系统长期以“独立岛”的形式存在：相机、光源、视觉控制器、PLC、运动控制器各自为政，通过硬线 I/O 或私有协议交换少量信号。当产线需要换型、扩产或引入新的检测算法时，这种割裂结构往往带来大量重复接线、参数分散和调试周期拉长的问题。本课程要解决的核心问题，就是如何把机器视觉真正融入 ctrlX AUTOMATION 这一开放式自动化平台，让视觉不再是一个外挂子系统，而是与运动控制、逻辑控制、数据服务共享同一套架构、同一套数据通道和同一套工程环境。
课程目标
完成本课程后，学习者应能达成以下四类目标。第一，理解 ctrlX AUTOMATION 的平台化架构，能说清 ctrlX CORE、ctrlX OS、ctrlX Data Layer、ctrlX Store 与 ctrlX World 各自承担的角色。第二，掌握机器视觉协同的典型模式，包括视觉触发与运动同步、视觉结果回传至 PLC、视觉数据上云与边缘分析三类协同路径。第三，能够基于 ctrlX 平台完成一个可运行的视觉协同示例，从相机接入、图像处理、结果映射到控制动作输出，形成完整闭环。第四，具备基本的排障与优化能力，能根据时延、触发抖动、通信丢包等现象定位问题环节。
ctrlX AUTOMATION 平台架构
ctrlX AUTOMATION 是博世力士乐推出的开放式自动化平台，其核心思想是“以软件为中心、以数据为纽带”。平台架构可以自上而下分为四层。最上层是应用与生态层，包括 ctrlX Store 中的应用、ctrlX World 中的合作伙伴方案，以及用户自行开发的 App。第二层是运行时与数据层，ctrlX OS 提供实时 Linux 运行环境，ctrlX Data Layer 提供统一的数据访问接口，任何应用都可以通过它读写数据点，而不必关心底层是哪个现场总线或哪个设备。第三层是控制与运动层，包括 PLC 逻辑、运动控制、机器人控制等实时功能。第四层是设备与 I/O 层，包括 ctrlX DRIVE、ctrlX I/O 以及通过 EtherCAT、PROFINET、OPC UA 等协议接入的第三方设备。
这一架构对机器视觉的意义在于：视觉系统可以作为 ctrlX OS 上的一个 App 运行，也可以作为外部设备通过标准协议接入。无论哪种方式，视觉结果都统一写入 ctrlX Data Layer，供 PLC、运动控制、HMI 和云端应用订阅。这样，视觉数据就不再是“只给某台 PLC 用”的私有信号，而是平台内可复用的公共数据。
机器视觉协同在工业自动化中的定位
在传统架构中，视觉系统通常由独立的视觉控制器完成图像采集与处理，再通过数字 I/O 把“OK/NG”信号送给 PLC。这种方式的问题在于信息量被压缩成开关量，视觉的坐标、角度、缺陷类型等丰富数据无法被控制系统利用。而在 ctrlX AUTOMATION 架构下，视觉协同的定位发生了根本变化：视觉成为平台内的一个数据生产者，其输出不再是单一开关量，而是结构化的数据点，例如目标坐标 (x, y)、旋转角度 θ、缺陷类别、置信度、图像时间戳等。
这些数据点写入 ctrlX Data Layer 后，PLC 可以订阅“视觉结果就绪”事件，运动控制可以读取坐标进行纠偏，HMI 可以显示缺陷图像，云端可以积累数据做趋势分析。视觉因此从“检测工位”升级为“感知节点”，成为整个自动化系统信息流的一部分。这种定位带来的直接好处是：换型时只需修改视觉 App 的配方参数，控制逻辑无需重新接线；新增分析功能时，只需订阅已有数据点，不必改动视觉系统本身。
学习路径与实战项目概览
本课程按照“先建立架构认知，再掌握协同机制，最后完成实战项目”的路径展开。前四章聚焦平台基础：ctrlX OS 与 Data Layer 的工作机制、App 的安装与生命周期管理、数据点的命名与访问方式、以及视觉 App 的部署形态。接下来的章节进入视觉协同核心：相机触发与运动同步、视觉结果到 PLC 的数据映射、时延测量与优化、多相机协同与坐标系对齐。最后部分围绕一个完整的实战项目展开——以“传送带动态抓取”为场景，使用一台工业相机识别工件位姿，通过 ctrlX Data Layer 把坐标和角度发送给运动控制，驱动机械臂完成抓取与放置。
该实战项目的示例参数如下：传送带速度设定为 200 mm/s，相机视野 300 mm × 200 mm，工件为 40 mm × 40 mm 的方形料块，视觉处理周期目标为 30 ms 以内，触发方式采用编码器位置触发。项目验收标准为：连续运行 100 次抓取，成功率不低于 98%，单次视觉到动作的端到端时延不超过 50 ms。这些参数属于教学示例设定，实际项目中需根据现场设备与节拍要求调整。
需要特别说明的是，本课程不要求学习者事先精通 ctrlX 平台或机器视觉算法。课程中涉及的配置步骤、参数设置和代码片段都会给出完整上下文，并说明每一步的输入、预期现象和判断依据。对于视觉算法部分，课程采用“够用即可”的原则，重点放在数据如何流动、结果如何被消费，而不是训练复杂的深度学习模型。掌握这条数据流，比记住某个具体算法参数更有长期价值。