3、机器视觉基础：成像原理、相机模型、镜头与光源选型、图像采集与传输
工业机械臂视觉系统的本质，是让机器人“看见”并理解三维物理世界。这一能力的实现，依赖于一条完整的光-电-数链路：光源照亮目标，镜头将光线聚焦到相机传感器，传感器完成光电转换，再经采集与传输单元将图像数据送入处理器。任何一个环节的物理缺陷或参数失配，都会直接导致后续算法失效。本章从成像物理原理出发，依次拆解相机模型、镜头与光源选型、图像采集与传输四大模块，并结合工业机械臂抓取、定位、检测的典型场景，给出可落地的工程判断方法。
3.1 成像原理：从光子到数字图像
工业视觉成像的本质是光电转换与空间采样。光源发出的光子经目标物体表面反射，穿过镜头进入相机传感器。传感器上的感光单元（像素）将光子累积为电荷，经模数转换（ADC）变为灰度值，最终形成数字图像矩阵。这一过程涉及三个核心物理量：辐照度（单位面积接收的光功率）、量子效率（光子转化为电子的比例）和动态范围（传感器能分辨的最大与最小光强之比）。
在机械臂视觉应用中，成像质量直接决定后续特征提取的稳定性。例如，当机械臂抓取反光金属件时，若光源角度不当，镜面反射会造成局部过曝，导致边缘检测断裂。此时需要理解朗伯反射（漫反射）与镜面反射的区别，并通过偏振片或改变光源入射角来抑制高光。
3.2 相机模型：从三维世界到二维像素
相机模型描述三维空间点如何投影到二维图像平面。工业视觉中最常用的是针孔模型，其数学表达为：
λ·[u, v, 1]ᵀ = K · [R|t] · [X, Y, Z, 1]ᵀ其中 K 为内参矩阵（焦距 fx, fy，主点 cx, cy），[R|t] 为外参矩阵（旋转和平移），λ 为尺度因子。机械臂手眼标定的本质，就是求解相机坐标系与机械臂基坐标系之间的变换矩阵。
实际镜头存在径向畸变（桶形/枕形）和切向畸变（镜头与传感器不平行），需通过标定板（如棋盘格）采集多角度图像，用张正友标定法计算畸变系数 k1, k2, p1, p2。标定精度直接影响机械臂抓取定位的精度，通常要求重投影误差小于 0.1 像素。
| 相机模型类型 | 适用场景 | 精度等级 | 标定复杂度 |
|---|---|---|---|
| 针孔模型 | 平面检测、定位 | 中等 | 低 |
| 远心模型 | 高精度测量 | 高 | 中 |
| 鱼眼模型 | 大视场监控 | 低 | 高 |
| 双目立体模型 | 深度估计、避障 | 中高 | 高 |
3.3 镜头选型：焦距、光圈与景深
镜头是视觉系统的“眼睛”，其选型直接决定视场角（FOV）、分辨率和景深。选型流程如下：
- 确定工作距离：根据机械臂安装位置，测量镜头前端到目标表面的距离 WD。
- 计算焦距：f = (WD × 传感器靶面尺寸) / FOV。例如，WD=500mm，传感器靶面 1/1.8"（约 7.2mm×5.4mm），要求 FOV=100mm×75mm，则 f = (500×7.2)/100 = 36mm。
- 验证分辨率：镜头分辨率需匹配相机像元尺寸。若像元 3.45μm，则镜头 MTF 在奈奎斯特频率（1/(2×3.45μm)≈145 lp/mm）处应大于 30%。
- 检查接口与法兰距：C-Mount 法兰距 17.526mm，CS-Mount 为 12.5mm，两者需加 5mm 接圈转换。
3.4 光源选型：颜色、角度与照明方式
光源是视觉系统中最容易被低估的环节。一个优秀的光源方案可以简化算法，而糟糕的光源会让再好的算法失效。选型需考虑以下维度：
- 颜色：红色光（630nm）对金属表面对比度好，蓝色光（470nm）适合透明物体，红外光（850nm）用于消除环境光干扰。
- 照明方式：环形光（低角度）突出边缘，条形光（高角度）均匀照明，同轴光用于高反光表面，背光用于轮廓测量。
- 频闪控制：配合相机硬触发，频闪可提高有效光强 3-5 倍，同时降低发热。
以机械臂抓取汽车发动机缸体为例，缸体表面为铸铁暗色，存在油污反光。初始方案采用白色环形光，图像中油污区域产生强烈反光，边缘提取失败。改用蓝色低角度条形光后，油污区域吸收蓝光呈暗色，铸铁表面漫反射呈亮色，对比度从 1.2:1 提升至 4.5:1，抓取成功率从 82% 提升至 99.3%。
3.5 图像采集与传输：接口选型与带宽计算
图像采集卡或相机接口决定了数据传输的实时性与稳定性。工业机械臂视觉常用接口对比如下：
| 接口类型 | 带宽 | 最大线缆长度 | 实时性 | 适用场景 |
|---|---|---|---|---|
| GigE Vision | 1000 Mbps | 100m（Cat6） | 中等 | 多相机、远距离 |
| USB3.0 | 5 Gbps | 3m（主动线 10m） | 中等 | 单相机、桌面级 |
| Camera Link | 4.08-6.8 Gbps | 10m | 高 | 高速高分辨率 |
| CoaXPress | 6.25-12.5 Gbps | 100m | 高 | 超高速检测 |
带宽计算示例：相机分辨率 2448×2048，8bit 灰度，帧率 30fps，则单帧数据量 = 2448×2048×1 = 5MB，所需带宽 = 5MB×30 = 150MB/s = 1200Mbps。此时 GigE 接口（1000Mbps）已接近饱和，需开启流量控制或改用 USB3.0/双网口聚合。
3.6 实战案例：机械臂视觉分拣系统的成像链路优化
背景与约束： 某 3C 电子厂需要机械臂从传送带上分拣不同颜色的手机中框，传送带速度 0.5m/s，中框尺寸 150mm×75mm，表面有轻微划痕和油污。视觉系统需在 200ms 内完成图像采集、处理和坐标发送。
初始方案与问题： 采用 500 万像素相机（2448×2048），GigE 接口，白色环形光源，镜头焦距 16mm，工作距离 400mm。实际运行中，图像采集耗时 80ms，但处理耗时 150ms，总耗时 230ms 超出节拍。且油污区域反光导致颜色识别错误率 5%。
分析过程： 通过带宽计算发现，GigE 传输 5MB 图像需约 40ms，加上曝光 10ms，采集总耗时 50ms。处理耗时长的原因是反光区域需要额外的滤波算法。进一步检查发现，白色光源在油污表面产生镜面反射，导致颜色饱和度下降。
优化措施：
- 将光源改为蓝色同轴光，抑制镜面反射，颜色对比度提升 3 倍，处理耗时降至 60ms。
- 开启相机的 ROI（感兴趣区域）功能，只采集传送带中心 1200×800 区域，单帧数据量降至 0.96MB，传输耗时降至 8ms。
- 启用硬件触发模式，与传送带编码器同步，消除运动模糊。
结果对比： 优化后总耗时 78ms（曝光 5ms + 传输 8ms + 处理 60ms + 通信 5ms），满足 200ms 节拍要求。颜色识别准确率从 95% 提升至 99.8%，误检率下降至 0.2%。
复盘经验： 成像链路优化应遵循“先物理后算法”原则。优先通过光源、镜头、ROI 等手段降低图像复杂度，而非增加算法复杂度。同时，带宽计算必须包含曝光时间、传输时间和处理时间的叠加，而非仅看标称帧率。
3.7 常见误区与总结
在机械臂视觉集成项目中，以下误区最为常见：
- 误区一： 认为分辨率越高越好。实际上，高分辨率会降低帧率、增加带宽压力，且对镜头质量要求更高。应根据最小特征尺寸选择分辨率，一般保证最小特征在图像中占 3-5 像素即可。
- 误区二： 忽略环境光影响。工业现场常有频闪灯、焊接弧光等干扰，应使用遮光罩或红外带通滤光片隔离环境光。
- 误区三： 手眼标定后不再校验。机械臂长期运行后，螺丝松动或碰撞会导致相机位移，应定期（建议每周）用标定板校验重投影误差。
- 误区四： 光源亮度越高越好。过亮会导致传感器饱和，损失灰度层次，且加速 LED 光衰。应通过曝光时间与光源亮度的组合，使目标区域灰度值稳定在 180-220 之间。
总结而言，机械臂视觉系统的成像链路是一个系统工程，需要从物理光学、传感器特性、数据传输三个层面统筹设计。建议在项目启动时，先搭建最小验证平台，用目标工件实测光源、镜头和相机的组合效果，再进入机械臂集成阶段。这一前置验证通常能节省 30% 以上的现场调试时间。