3、光学检测系统组成：光源、照明方式、光学镜头、探测器、图像采集与处理单元的功能与选型原则
光学检测系统的本质，是将被测物体的几何、纹理、颜色或缺陷信息，通过光路转换为可量化的数字信号，再经算法还原为检测结论。一个完整的工业光学检测系统，通常由光源、照明方式、光学镜头、探测器（相机）、图像采集与处理单元五大模块构成。每个模块都不是孤立存在的，它们之间通过光通量、分辨率、帧率、数据带宽等参数相互制约。理解各模块的功能边界与选型逻辑，是搭建稳定、可复现检测系统的前提。本章将逐一拆解这五大模块的核心原理、关键参数与选型原则，并给出一个完整的工程案例作为闭环参考。
上图展示了光学检测系统的完整链路：光源与照明方式决定入射光与反射光的空间分布，光学镜头负责将物体特征成像到探测器靶面，探测器完成光电转换，图像采集与处理单元则负责数据的传输、存储与算法分析。选型时，必须从检测精度需求出发，沿链路逐级推导，避免出现“相机分辨率很高但镜头解析力不足”或“光源亮度足够但照明方式不匹配”等系统性失配问题。
3.1 光源：检测系统的“光谱引擎”
核心原理
光源的核心作用是为检测场景提供稳定、可控、可重复的光能量。它决定了图像的信噪比上限——光源越均匀、越稳定，图像中的噪声和阴影干扰就越少。工业检测中常用的光源包括LED（发光二极管）、卤素灯、激光器和荧光灯。其中LED因其寿命长（通常超过3万小时）、响应快（可高频脉冲）、光谱可选（从紫外到红外）、发热量低等优势，已成为主流。光源的关键参数包括：波长（决定材料吸收与反射特性）、色温（影响颜色还原）、照度均匀性（影响图像灰度一致性）、频闪特性（影响运动物体的拖影抑制能力）。
选型判断方法
- 波长选择：优先选择被测物吸收率低、反射率高的波段。例如检测透明玻璃划痕时，使用红外光（850nm）可减少表面镜面反射干扰；检测PCB铜箔缺陷时，红色光（630nm）与铜的反射特性匹配更好。
- 颜色与对比度：利用互补色原理增强特征对比。例如在绿色PCB上检测黑色文字，使用红色光源可使文字与背景的灰度差最大化。
- 频闪模式：对于高速运动物体（如流水线上的药瓶），使用频闪光源配合相机外触发，可将曝光时间压缩到微秒级，冻结运动模糊。
- 均匀性验证：在正式选型前，使用照度计在视场范围内测量9点照度，要求最大值与最小值的比值不超过1.2:1。
案例拆解：手机玻璃盖板划痕检测的光源选型
某3C制造企业需要检测手机玻璃盖板表面的细微划痕（宽度约0.02mm）。初始方案使用白色LED环形光源，检测效果不佳——玻璃表面的镜面反射导致图像出现大面积亮斑，划痕被淹没在反射光中。分析后发现，白色光包含多种波长，在玻璃表面产生复杂的干涉和反射。改用单色红外光（850nm）配合同轴光源后，利用红外光在玻璃内部穿透、在划痕处发生散射的特性，划痕在图像中呈现为暗线，背景为均匀亮场，对比度提升了约4倍。同时将光源切换为频闪模式，曝光时间从2ms缩短至0.5ms，产线速度从每分钟60片提升至90片。
常见误区
- 误区一：认为白光万能，忽略单色光在特定场景下的优势。
- 误区二：只关注光源亮度，忽略均匀性——边缘暗角会直接影响检测算法的阈值判断。
- 误区三：忽视光源的频闪能力，导致运动场景下图像拖影严重。
3.2 照明方式：决定图像特征的“空间编码器”
核心原理
照明方式决定了光从哪个方向、以什么角度照射到物体表面，以及探测器接收的是何种反射光。不同的照明方式相当于对物体的三维形貌和表面特性进行不同的“空间编码”。常见的照明方式包括：明场照明（光线垂直照射，镜面反射进入镜头，适合平坦表面）、暗场照明（光线低角度照射，散射光进入镜头，适合凸显划痕和凹凸）、背光照明（光线从物体后方照射，形成高对比度轮廓，适合尺寸测量）、同轴照明（光线通过半透半反镜垂直照射，适合高反光表面）、结构光照明（投射编码图案，用于三维测量）。
照明方式对比表
| 照明方式 | 光路特征 | 适用场景 | 典型缺陷 |
|---|---|---|---|
| 明场照明 | 镜面反射光进入镜头 | 平坦表面、印刷字符、颜色检测 | 高反光表面易过曝 |
| 暗场照明 | 散射光进入镜头 | 划痕、凹坑、凸起、边缘检测 | 对表面清洁度敏感 |
| 背光照明 | 透射光形成轮廓 | 尺寸测量、外形检测、透明体内部缺陷 | 无法检测表面纹理 |
| 同轴照明 | 垂直入射+垂直反射 | 晶圆、镜面、玻璃等高反光表面 | 对倾斜表面不敏感 |
| 结构光照明 | 编码图案投影+三角测量 | 三维轮廓、高度差、共面度检测 | 对环境光敏感，标定复杂 |
选型判断方法
- 明确检测目标：是检测表面缺陷还是测量尺寸？缺陷检测优先考虑暗场或同轴，尺寸测量优先考虑背光。
- 分析物体表面特性：高反光表面（金属、玻璃）避免明场直射，使用同轴或低角度暗场；粗糙表面（铸件、布料）使用漫射明场。
- 验证光路可行性：使用光学仿真软件（如Zemax）或实际搭建简易光路，观察不同角度下的图像对比度。
- 考虑环境光干扰：在产线环境中，需加装遮光罩或使用调制光源（如高频脉冲）来抑制环境光。
实战场景：轴承滚子表面缺陷检测
某轴承厂需要检测滚子表面的麻点、划痕和烧伤。滚子为圆柱形金属件，表面呈镜面反射特性。初始使用环形明场照明，图像中滚子表面呈现大面积过曝，缺陷完全不可见。改用同轴照明后，镜面反射光被垂直反射回镜头，表面缺陷处因散射导致光线偏离，呈现为暗点，对比度显著提升。但同轴照明对滚子两侧的曲面区域效果不佳——曲面将光线反射到镜头之外。最终采用“同轴照明+两侧暗场条形光”的组合方案：同轴光检测顶部平面，暗场光检测两侧曲面，一次成像覆盖整个滚子表面。检测率从原来的82%提升至97.5%，误报率从15%降至3%。
常见误区
- 误区一：认为照明方式越多越好，导致光路复杂、调试困难、成本上升。
- 误区二：忽略物体运动方向与照明方向的关系——对于运动物体，暗场光应垂直于运动方向布置，否则缺陷可能被拖影掩盖。
- 误区三：未考虑光源的偏振特性——对于强反光表面，可加装偏振片消除耀斑，但会损失约50%的光能量，需同步提高光源功率。
3.3 光学镜头：成像质量的“第一道闸门”
核心原理
光学镜头将物体发出的光线聚焦到探测器靶面上，其性能直接决定了图像的清晰度、畸变程度和景深范围。镜头的主要参数包括：焦距（决定视场角和工作距离）、F数（光圈大小，决定进光量和景深）、分辨率（以lp/mm表示，决定能分辨的最小细节）、畸变（影响测量精度）、景深（决定清晰成像的深度范围）。在工业检测中，定焦镜头因其稳定性和性价比而广泛应用，变焦镜头多用于需要灵活调整视场的场景。
选型计算流程
- 确定视场（FOV）：根据被测物体的最大尺寸和检测范围，确定所需的视场宽度和高度。
- 计算焦距：使用公式 f = (工作距离 × 探测器靶面尺寸) / 视场尺寸。例如，工作距离200mm，探测器靶面宽6.4mm，视场宽40mm，则焦距 f = (200 × 6.4) / 40 = 32mm。
- 验证分辨率：镜头的极限分辨率应不低于探测器像元尺寸对应的空间频率。若像元尺寸为3.45μm，则对应的空间频率为 1/(2×3.45μm) ≈ 145 lp/mm，所选镜头的分辨率应≥145 lp/mm。
- 检查畸变：对于测量类应用，要求畸变小于0.1%；对于缺陷检测类应用，畸变要求可放宽至0.5%。
- 确认接口：C接口（后焦距17.526mm）适用于1英寸以下靶面，CS接口（后焦距12.5mm）适用于更小靶面，F接口适用于大靶面工业相机。
案例拆解：电子元器件引脚共面度检测的镜头选型
某半导体封装厂需要检测QFP封装芯片的引脚共面度，精度要求±0.02mm。视场需要覆盖芯片整体（约20mm×20mm），同时要分辨引脚端面的微小高度差。初始方案选用25mm焦距镜头，工作距离150mm，视场约30mm×30mm，但检测精度不足——图像中引脚端面的边缘模糊，无法准确提取高度信息。分析后发现，25mm镜头的分辨率约为80 lp/mm，而探测器像元尺寸为5.5μm，对应的空间频率为91 lp/mm，镜头分辨率低于探测器需求，形成了“瓶颈”。更换为35mm焦距、分辨率120 lp/mm的镜头后，工作距离调整为200mm，视场缩小至25mm×25mm，引脚端面边缘清晰度显著提升，共面度检测精度达到±0.015mm，满足工艺要求。
常见误区
- 误区一：只关注焦距，忽略F数对景深的影响。对于有高度差的物体（如PCB上的元件），需要较大的F数（如F8）来保证整体清晰，但F数增大进光量减少，需同步提高光源亮度。
- 误区二：忽视镜头的畸变对测量精度的影响。即使畸变只有0.5%，在视场边缘的误差也可能达到0.1mm以上。
- 误区三：认为“镜头分辨率越高越好”，忽略了与探测器像元尺寸的匹配。过高的分辨率不会带来额外信息，反而增加成本。
3.4 探测器：光电转换的“数字之眼”
核心原理
探测器（工业相机）将光学镜头聚焦的光信号转换为电信号，再经ADC（模数转换器）量化为数字图像。其核心参数包括：分辨率（像素数量）、像元尺寸（决定感光灵敏度和动态范围）、帧率（每秒采集的图像数）、靶面尺寸（决定视场和镜头匹配）、接口类型（决定数据传输带宽）、动态范围（最亮与最暗信号的比值）。工业相机主要分为CCD（电荷耦合器件）和CMOS（互补金属氧化物半导体）两大类。CCD具有低噪声、高均匀性的特点，适合弱光和高精度应用；CMOS具有高帧率、低功耗、集成度高的优势，已成为主流选择。
探测器选型对比表
| 参数 | CCD | CMOS | 选型建议 |
|---|---|---|---|
| 噪声水平 | 低（约2-3 e-） | 中（约3-5 e-） | 弱光检测优先CCD |
| 帧率 | 较低（通常≤30fps） | 高（可达1000fps+） | 高速产线优先CMOS |
| 动态范围 | 高（>70dB） | 中（60-70dB） | 高对比度场景优先CCD |
| 功耗 | 较高 | 低 | 嵌入式系统优先CMOS |
| 成本 | 较高 | 较低 | 性价比优先CMOS |
选型判断方法
- 分辨率计算：最小检测特征应至少覆盖3×3像素。例如检测0.05mm的缺陷，视场为50mm×50mm，则所需像素数 = (50/0.05) × 3 = 3000像素，即至少需要300万像素相机。
- 帧率匹配：帧率 = 产线速度 / 检测节拍。若产线速度0.5m/s，检测节拍为每50mm一个，则帧率需≥10fps，考虑触发延迟和曝光时间，建议选择20fps以上的相机。
- 接口选择：GigE Vision（千兆以太网）适合100MB/s以下带宽需求；USB3.0 Vision适合400MB/s以下；Camera Link适合高速高分辨率；CoaXPress和10GigE适合超高带宽（>1GB/s）。
- 靶面匹配：探测器靶面尺寸应与镜头成像圈匹配。1/1.8英寸靶面（7.2mm×5.4mm）配合C接口镜头，1英寸靶面（12.8mm×9.6mm）配合F接口镜头。
实战场景：锂电池极片表面缺陷检测的相机选型
某锂电池生产商需要检测极片表面的划痕、针孔和金属异物，极片宽度300mm，产线速度2m/s。检测精度要求：最小缺陷0.1mm。计算所需分辨率：视场宽度300mm，最小缺陷0.1mm，按3像素覆盖，需要3000像素宽度，即至少3000×2000=600万像素。但产线速度2m/s，若曝光时间1ms，则运动模糊距离为2mm，远超缺陷尺寸。解决方案：采用线阵相机（如8K分辨率，像元尺寸5μm），配合频闪光源，曝光时间压缩至0.1ms，运动模糊距离0.2mm，仍大于0.1mm。最终采用TDI（时间延迟积分）线阵相机，通过多级积分补偿运动，有效消除拖影。同时选用Camera Link接口，带宽满足8K×10kHz的传输需求。该系统上线后，缺陷检出率达到99.2%，误报率控制在1.5%以内。
常见误区
- 误区一：盲目追求高像素，忽略像元尺寸和帧率的平衡。
- 误区二：忽视相机的触发模式。在产线检测中，应使用硬件触发（外触发）而非软件触发，以保证图像采集与物体位置的同步性。
- 误区三：未考虑相机的散热和防护等级。在高温、粉尘环境中，需选择带风扇或水冷、IP65以上防护等级的工业相机。
3.5 图像采集与处理单元：数据洪流中的“决策大脑”
核心原理
图像采集与处理单元负责将探测器输出的数字信号传输到计算平台，并执行图像预处理、特征提取、缺陷分类和结果输出。其核心组成包括：图像采集卡（或接口芯片）、帧缓存、处理器（CPU/GPU/FPGA）、算法库和通信接口。在高速检测场景中，数据带宽是首要瓶颈。例如，500万像素相机、10fps、8bit灰度图像，数据量为500万×10×1字节 = 50MB/s，GigE接口（理论带宽125MB/s）可以满足；但若提升到100fps，数据量达到500MB/s，则需要10GigE或Camera Link接口。
处理架构选型
| 架构类型 | 处理能力 | 延迟 | 适用场景 | 开发复杂度 |
|---|---|---|---|---|
| CPU（多核） | 中（适合复杂算法） | 高（>10ms） | 离线检测、小批量 | 低 |
| GPU（并行计算） | 高（适合图像处理） | 中（5-10ms） | 深度学习、大图处理 | 中 |
| FPGA（硬件流水线） | 极高（适合固定算法） | 低（<1ms） | 高速产线、实时控制 | 高 |
| SoC（ARM+NPU） | 中高（适合嵌入式） | 中（3-8ms） | 智能相机、边缘计算 | 中 |
选型判断方法
- 计算数据带宽：带宽 = 分辨率 × 帧率 × 位深 / 8。例如2048×1536×30fps×8bit = 94.4MB/s，选择GigE接口（有效带宽约100MB/s）刚好满足，但建议预留30%余量，选择USB3.0或双GigE。
- 评估算法复杂度：简单的阈值分割和边缘检测，CPU即可胜任；深度学习缺陷分类需要GPU或NPU加速；高速流水线检测（如印刷品在线检测）应使用FPGA。
- 考虑系统扩展性：如果未来需要增加相机数量或提升分辨率，应选择支持多通道采集的处理平台。
- 验证实时性：在产线环境中，从图像采集到结果输出的总延迟应小于一个检测节拍。若节拍为100ms，则处理延迟需控制在50ms以内。
案例拆解：药品泡罩包装在线检测的处理架构优化
某制药企业需要检测泡罩包装中的药片缺失、破损和异物，产线速度30板/秒，每板图像分辨率1200×800像素。初始方案采用CPU+GPU架构，使用深度学习模型检测缺陷。实测端到端延迟为45ms，而节拍为33ms，无法满足实时性要求。分析发现，瓶颈在图像采集环节——GigE接口传输1200×800×8bit图像需要约10ms，GPU推理需要25ms，CPU预处理需要10ms。优化方案：将相机切换为Camera Link接口（传输时间降至3ms），将预处理（灰度转换、ROI裁剪）迁移到FPGA中执行（耗时1ms），GPU仅负责深度学习推理（25ms）。优化后总延迟为29ms，满足节拍要求。同时，将检测结果通过UDP协议直接发送至PLC，省去了中间通信环节的5ms延迟。最终系统稳定运行，漏检率低于0.01%。
常见误区
- 误区一：认为GPU是万能的，忽略了数据采集和传输的瓶颈。
- 误区二：忽视图像存储的管理。高速检测会产生海量数据，需要制定合理的存储策略（如只保存缺陷图像），否则存储系统会成为新的瓶颈。
- 误区三：未考虑处理单元的散热和功耗。在产线环境中，工控机需要长时间运行，散热不良会导致降频，影响处理性能。
3.6 系统集成与选型复盘
光学检测系统的五大模块选型，本质上是一个“精度需求逐级分解”的过程。从检测精度出发，确定探测器分辨率和像元尺寸；由视场和工作距离计算镜头焦距；根据物体表面特性选择光源波长和照明方式；最后根据帧率和数据量确定采集与处理架构。任何一个环节的失配，都会导致系统整体性能下降。在实际项目中，建议按照以下流程进行选型验证：
- 需求定义：明确最小检测特征、检测精度、产线速度、环境条件。
- 初步选型：根据需求计算各模块的关键参数，形成初步方案。
- 实验室验证：搭建简易光路，使用目标样品测试图像质量，记录对比度、均匀性、重复性数据。
- 样机测试：在产线上安装样机，连续运行72小时，统计检出率、误报率、稳定性。
- 优化迭代：根据测试结果调整光源角度、镜头光圈、曝光时间等参数，必要时更换模块。
- 固化方案：确定最终配置，编写操作规范和维护手册。