2、视觉检测基础：人眼视觉原理、色彩空间（RGB/CMYK/HSV）、分辨率与PPI/DPI概念，以及常见视觉缺陷类型
视觉检测系统的最终评判标准，是“机器所见”与“人眼所感”的一致性。无论是屏幕显示、印刷品还是工业外观检测，所有检测设备的选型与参数设定，都建立在对人眼视觉机制、色彩空间转换、分辨率量化指标以及缺陷分类体系的深刻理解之上。本章将系统梳理这四大基础模块，为后续章节中具体设备（如色差仪、分辨率测试卡、工业相机）的选型提供理论锚点。
2.1 人眼视觉原理：检测系统的感知基准
核心原理
人眼并非物理测量仪器，而是一个复杂的生物感知系统。其核心机制包括：明暗适应（瞳孔与视杆细胞调节，暗适应约30分钟，明适应约1分钟）、色彩恒常性（大脑自动修正环境光影响，使白色物体在不同色温下仍被视为白色）、视敏度（正常视力1.0对应约1角分的分辨能力，即在30cm距离可分辨约0.087mm的细节）。这些特性决定了检测设备必须模拟人眼的感知权重，而非单纯追求物理精度。
判断方法
- 对比度敏感度函数（CSF）：人眼对中频空间频率（2-5周期/度）最敏感，对高频和低频均不敏感。检测设备应优先保证中频区域的还原能力。
- 韦伯-费希纳定律：人眼对亮度差异的感知是对数关系，即低亮度区域对微小差异更敏感。因此检测暗部缺陷时需更高位深（如10bit以上）。
- 色度感知的非均匀性：人眼对绿色色调变化最敏感，对蓝色最不敏感。色彩检测权重应据此分配。
案例拆解：显示器均匀性检测中的“人眼基准”设定
某显示器工厂在检测屏幕亮度均匀性时，最初使用物理亮度计（测量精度±0.5cd/m²），但产线反馈“设备判良品，人眼却看到暗角”。分析发现：物理亮度计在暗部区域（<50cd/m²）的测量误差虽小，但人眼在暗部对亮度差异的感知被放大（韦伯定律）。解决方案：将检测标准从“亮度差≤3cd/m²”改为“相对亮度差≤5%”，并在暗部区域引入加权系数。整改后，设备与人眼判定一致性从82%提升至96%。
常见误区
2.2 色彩空间：RGB/CMYK/HSV 的工程应用
核心原理
色彩空间是颜色数值化的数学模型。三种常用空间各有适用场景：RGB（加法混色，用于发光设备，色域广，但非线性感知）；CMYK（减法混色，用于印刷，色域窄，依赖油墨特性）；HSV（色调Hue、饱和度Saturation、明度Value，符合人眼感知属性，便于算法调整）。此外，Lab色彩空间（CIE 1976）是设备无关的均匀色彩空间，ΔE色差公式即基于此计算。
| 色彩空间 | 混色方式 | 典型应用 | 色域范围 | 感知均匀性 |
|---|---|---|---|---|
| RGB | 加法（光） | 显示器、相机、UI设计 | 广（sRGB/Adobe RGB） | 非线性 |
| CMYK | 减法（油墨） | 印刷、包装打样 | 窄（依赖油墨） | 非线性 |
| HSV | 感知属性 | 图像处理、缺陷分类 | 与RGB相同 | 部分均匀 |
| Lab | 设备无关 | 色差检测、色彩管理 | 超广（涵盖人眼可见） | 均匀 |
判断方法
- 检测发光设备（屏幕）：使用RGB色域覆盖率（如sRGB覆盖率≥99%）和ΔE（平均色差≤2）作为指标。
- 检测印刷品：使用CMYK网点扩大率（TVI）和密度计测量，同时用ΔE验证最终色彩。
- 缺陷分类算法：优先将RGB转换至HSV，利用H分量分离色偏缺陷，S分量识别饱和度异常，V分量检测亮度不均。
案例拆解：手机外壳颜色一致性检测
某手机金属外壳供应商需检测阳极氧化铝件的颜色一致性。初始方案使用RGB相机拍照后直接比对RGB值，但良品率误判高达15%。分析发现：RGB值受环境光影响大，且金属表面反光导致高光区域RGB值漂移。改进方案：①将图像转换至Lab空间，仅比较a*（红绿轴）和b*（黄蓝轴）分量，忽略L*（亮度）以减少反光干扰；②设定ΔE≤1.5为合格阈值；③使用标准光源箱（D65光源）控制环境。整改后误判率降至2%以下。
常见误区
2.3 分辨率与PPI/DPI：精度指标的量化逻辑
核心原理
PPI（Pixels Per Inch）指每英寸像素数，用于显示器和数字图像；DPI（Dots Per Inch）指每英寸墨点数，用于打印和输出设备。两者本质都是“空间采样密度”，但PPI对应像素点，DPI对应物理墨点（一个像素可能由多个墨点构成）。检测设备选型时，需根据最小缺陷尺寸计算所需分辨率：最小缺陷尺寸 × 3像素（奈奎斯特采样定理的工程经验值）。
判断方法
- 屏幕检测：PPI = 对角线像素数 / 对角线英寸数。检测UI细节时，需保证相机分辨率 ≥ 屏幕PPI × 2（避免摩尔纹）。
- 印刷检测：DPI决定印刷精度，检测相机分辨率需 ≥ 印刷DPI × 1.5（考虑放大倍率）。
- 工业外观检测：检测精度（mm/pixel）= 视场宽度（mm）/ 相机水平像素数。例如视场100mm，相机500万像素（2448×2048），则精度为100/2448≈0.041mm/像素，可检测≥0.12mm的缺陷。
案例拆解：PCB板焊点检测的分辨率选型
某电子厂需检测PCB板上最小0.3mm的焊盘缺陷。工程师初步选择200万像素相机（1600×1200），视场设定为50mm×40mm，计算精度为50/1600=0.031mm/像素，理论上可检测0.093mm缺陷。但实际测试中发现焊点边缘的微小裂纹（约0.1mm）漏检率高达30%。原因分析：①裂纹对比度低，需更高分辨率增强边缘信号；②光源角度导致阴影干扰。最终方案：升级至500万像素相机，视场缩小至40mm×30mm，精度提升至0.016mm/像素，并改用低角度环形光源。整改后漏检率降至1%以下。
常见误区
2.4 常见视觉缺陷类型：分类体系与检测要点
核心原理
视觉缺陷可归纳为四大类：亮度/对比度缺陷（暗斑、亮斑、渐变不均）、色彩缺陷（色偏、色差、饱和度异常）、几何/纹理缺陷（划痕、凹凸、纹理不均）、表面/异物缺陷（灰尘、纤维、油污）。每类缺陷对检测设备的要求不同：亮度缺陷需高动态范围（HDR），色彩缺陷需高色深（≥10bit），几何缺陷需高分辨率，异物缺陷需特定光源角度。
| 缺陷类型 | 典型示例 | 检测难点 | 推荐检测方式 |
|---|---|---|---|
| 亮度/对比度 | 屏幕暗斑、背光不均 | 低对比度、环境光干扰 | 暗室+面光源，多灰度级测试 |
| 色彩偏差 | 外壳色差、印刷偏色 | 色差微小（ΔE<1.5） | 色差仪+标准光源箱 |
| 几何/纹理 | 金属划痕、玻璃凹凸 | 反光干扰、纹理背景复杂 | 同轴光+暗场照明 |
| 表面异物 | 屏幕灰尘、镜头污渍 | 异物尺寸小、透明材质难检测 | 偏振光+高倍率镜头 |
判断方法
- 缺陷分类优先级：先检测亮度异常（全局阈值分割），再检测色彩异常（Lab空间色差），最后检测纹理/几何异常（频域分析或边缘检测）。
- 光源选择逻辑：高光表面用漫射光（消除反光），粗糙表面用直射光（增强纹理），透明材质用背光（突出异物轮廓）。
- 阈值设定：基于良品样本统计分布，设定均值±3σ为合格范围，避免人为拍脑袋设定。
案例拆解：手机屏幕玻璃划痕检测的“光源-算法”协同优化
某盖板玻璃厂需检测0.05mm宽、10mm长的细微划痕。初始方案：使用高分辨率相机（1200万像素）+ 同轴光照明，检测率仅65%。分析发现：划痕在玻璃表面呈镜面反射特性，同轴光下划痕与背景对比度极低。改进方案：①改用暗场照明（低角度环形光，入射角>45°），使划痕散射光线进入镜头，背景呈黑色，划痕呈亮线；②算法上使用方向性滤波（Gabor滤波器）增强线性特征；③增加多角度拍摄（0°、90°、45°、135°）合成图像。整改后检测率提升至98%，误检率控制在3%以内。