1. 课程导入与Teledyne视觉系统概览

在工业自动化现场，机器人“看得见”与“看得准”是两件不同的事。前者解决有无检测，后者决定机器人能否把末端执行器稳定地送到目标位姿。Teledyne机器人视觉定位与引导系统要解决的核心问题，正是把二维图像中的目标信息转换为机器人可执行的位姿指令，并在节拍、精度与鲁棒性之间取得平衡。它通常由相机与镜头、光源、标定组件、视觉处理软件以及机器人与PLC通信链路构成，最终输出的是机器人坐标系下的X、Y、Z与绕Z轴的旋转角Rz，部分场景还需要Rx、Ry。

从系统视角看，Teledyne方案的价值可以归纳为三条主线。第一是定位精度可追溯：通过相机标定、手眼标定与畸变校正，把像素误差映射为毫米级物理误差，使精度指标可测量、可复现。第二是节拍可控：从触发拍照、图像处理到通信下发，整条链路的时间可分解、可优化，避免视觉成为产线瓶颈。第三是工程可维护：标定文件、作业配方、通信配置与日志分离管理，换型或换相机时能快速恢复。

典型应用场景包括：无序抓取（Bin Picking），从料框中识别散乱零件并输出抓取位姿；定位贴合，引导机器人把工件放到夹具或装配位；在线测量，对孔位、边距、角度进行判定；以及轨迹引导，如涂胶、焊接前的路径纠偏。不同场景对视觉的要求差异很大：无序抓取强调三维位姿与遮挡处理，定位贴合强调平面精度与重复性，在线测量强调标定一致性与判定阈值。

整体开发流程可以按“先标定、后算法、再联调”的顺序推进。第一步是需求与场景分析：明确目标物尺寸、材质、来料姿态、节拍要求与精度指标。例如某零件长80 mm、宽50 mm，要求抓取重复精度±0.1 mm，节拍不超过1.5 s，这些数字会直接决定相机分辨率、镜头焦距与光源方案。第二步是硬件选型与光学搭建：根据视野与精度反推像素精度，再选择相机与镜头；光源角度和颜色往往比相机型号更影响成像稳定性。第三步是相机标定与手眼标定：相机内参标定消除镜头畸变，手眼标定建立像素坐标与机器人坐标的映射关系。第四步是视觉算法配置：模板匹配、边缘提取、Blob分析或深度学习检测，配合匹配得分、角度范围、搜索区域等参数。第五步是通信联调：确定TCP/IP或Modbus TCP协议、数据格式、触发时序与超时处理。第六步是现场验证与维护：记录标定文件版本、作业配方与日志，建立换型与故障恢复流程。

学习路径建议按“概念—标定—算法—通信—集成”递进。先理解坐标系与变换关系，再动手完成一次完整的标定实验，随后掌握至少一种定位算法的参数调节方法，最后打通视觉与机器人的通信闭环。每学完一个模块，都应能在真实或仿真环境中复现一个最小可运行示例，例如用标定板验证像素到毫米的换算，或用固定工件验证位姿输出的重复性。

需要特别注意的是，视觉系统的精度不是单一指标，而是“标定精度 + 算法重复性 + 机械绝对精度”的综合结果。即使视觉输出稳定在±0.05 mm，若机器人本身重复定位精度为±0.1 mm，最终抓取精度仍受限于机器人。因此在方案设计阶段，必须把视觉指标与机器人指标放在同一张误差链上评估，避免出现“视觉很准、抓取不准”的错位。

本章后续内容将围绕上述链路逐层展开：从坐标系与标定原理，到图像处理与定位算法，再到通信协议与工程集成。学习时建议始终带着三个问题：当前环节的输入是什么、输出是什么、误差如何传递到最终位姿。把这三个问题贯穿始终，就能把零散的知识点串成可落地的系统能力。