4. 视觉工具与图像处理

DMV 的视觉工具可以按“回答什么问题”分成四类：定位回答“目标在哪里、姿态如何”，测量回答“尺寸是多少”，检测回答“有没有缺陷”，识别回答“是什么字符或码”。四类工具共享同一套图像输入，但内部使用的特征与判定逻辑完全不同。理解这一点，才能在实际项目中选对工具、配好参数。

定位工具：先建立稳定的坐标系

定位是其余工具的基础。DMV 常用“模板匹配（Pattern Match）”和“边缘定位（Edge Locator）”两类。模板匹配适合纹理丰富、灰度分布稳定的目标，例如带丝印的工件；边缘定位适合轮廓清晰、灰度对比强的目标，例如金属件外框。定位工具输出的是目标相对模板的平移（X、Y）与旋转角度（θ），DMV 会据此建立随工件移动的局部坐标系，后续测量与检测都在这个坐标系内进行，从而消除工件摆放位置变化带来的影响。

以某工件定位为例：模板在图像中心，搜索区域设为模板外扩 80 像素，角度范围 −15°～+15°，角度步长 0.5°，匹配分数阈值 0.75。若匹配分数低于阈值，说明目标被遮挡或光照变化过大，此时应调整曝光或改用边缘定位，而不是盲目降低阈值——阈值过低会把相似背景误判为目标。

测量工具：卡尺与圆/线拟合

测量工具的核心是“卡尺（Caliper）”：在设定的搜索方向上，沿一条或多条扫描线寻找灰度跃变点（边缘），再由边缘点拟合出直线、圆或圆弧，最后计算几何量。例如测量工件宽度，可在左右两侧各布置一组卡尺，每组 20 条扫描线，边缘极性设为“由亮到暗”，边缘阈值 30 灰度级，拟合出两条直线后取平行线间距即为宽度。

测量结果是否可信，取决于边缘点质量。若边缘点离散度大（拟合残差超过 1 像素），常见原因是光照不均或边缘模糊，应先做预处理再测量。DMV 的测量工具通常直接输出像素值，需通过标定换算为毫米：若标定得到 1 像素 = 0.02 mm，测得宽度 250 像素，则实际宽度约 5.00 mm。

检测与识别工具

检测工具用于判断“合格/不合格”，常见有斑点检测（Blob）、缺陷检测和轮廓比对。斑点检测通过灰度阈值分割出连通区域，再按面积、圆度、长宽比筛选。例如检测表面黑点：灰度阈值 80，最小面积 15 像素，最大面积 500 像素，圆度大于 0.6，超出范围即判为缺陷。

识别工具主要是 OCR 与条码/二维码读取。OCR 需要先定位字符区域，再做二值化与字符分割，最后与字符库比对。DMV 的 OCR 支持字符高度、间距、对比度等约束，字符高度建议不小于 20 像素，否则识别率会明显下降。条码读取则依赖条空对比度与最小模块宽度，通常要求最小模块宽度不低于 2 像素。

图像预处理与特征提取

预处理的目标是让特征更“突出”。常用手段包括：滤波去噪（高斯滤波适合随机噪声，中值滤波适合椒盐噪声）、灰度增强（线性拉伸或直方图均衡）、二值化（固定阈值或 Otsu 自适应阈值）、形态学处理（开运算去毛刺、闭运算补空洞）。特征提取则从预处理后的图像中提取边缘、角点、斑点、纹理等，供各工具使用。

下面这张图展示了从原始图像到四类工具输出的完整数据流，以及预处理与特征提取在其中的位置。

工具选型与参数配置要点

选型时先问“目标是否有稳定纹理或清晰轮廓”。有纹理优先模板匹配，有清晰轮廓优先边缘定位。测量前必须完成标定，否则像素值无法换算为物理尺寸。检测工具的参数（阈值、面积范围）应基于合格样本的统计结果设定，而不是凭感觉。识别工具则要保证字符或码的成像质量，必要时先做局部放大或对比度增强。

把四类工具串起来看：定位建立坐标系，测量在坐标系内取尺寸，检测在坐标系内找缺陷，识别在坐标系内读字符。预处理与特征提取是它们共同的“前端”。理解这条数据流，就能在 DMV 中快速判断该用哪个工具、参数该往哪个方向调。