📚 课程目录第2章工业相机与图像采集

2. 工业相机与图像采集

工业视觉系统的成像质量在相机曝光的那一刻就已基本确定，后续算法只能在此基础上做有限补偿。因此，相机接口、镜头、光源与采集参数必须作为一个整体来设计。本节围绕“如何把真实工件稳定地变成一张可处理的数字图像”展开，覆盖接口选型、镜头计算、打光方式、OpenCV 与相机 SDK 的集成，以及采集参数控制与图像质量评估。

一、工业相机接口类型与选型

接口决定了带宽、传输距离、线缆成本和同步能力。常见类型包括：

GigE Vision：千兆网口，线缆可达 100 m，支持 PoE 供电，带宽约 1 Gbit/s（实际有效约 110 MB/s），适合多相机、远距离产线。
USB3 Vision：带宽约 5 Gbit/s（有效约 400 MB/s），即插即用、成本低，但线缆一般不超过 3～5 m，且受主机控制器影响。
Camera Link：Base/Medium/Full 配置，带宽高、延迟确定，需专用采集卡，多用于高速线扫与多路同步。
CoaXPress（CXP）：同轴线缆，单通道 6.25/12.5 Gbit/s，可同时传数据、供电与触发，适合高分辨率高速场景。

选型时先算数据率：分辨率 × 位深 × 帧率。例如 500 万像素（2448×2048）、8 bit、30 fps，原始数据率约 2448×2048×1×30 ≈ 150 MB/s，GigE 已接近上限，需考虑压缩、降帧或改用 USB3/CXP。同时确认触发方式（硬触发、软触发）、I/O 接口与是否支持 PTP 同步。

二、镜头选型与光学计算

镜头选型围绕视场（FOV）、工作距离（WD）、分辨率与景深展开。核心公式：

放大倍率 β = 传感器尺寸 / FOV
焦距 f ≈ WD × 传感器尺寸 / (FOV + 传感器尺寸)
所需像素分辨率 = FOV / 相机像素数（即每像素对应实际尺寸）

示例：检测 100 mm 宽工件，选用 1/1.8" 传感器（宽约 7.2 mm）、2448 像素相机。则 β ≈ 7.2/100 = 0.072，每像素对应约 100/2448 ≈ 0.041 mm。若最小缺陷为 0.1 mm，需至少 3 像素覆盖，即 0.1/0.041 ≈ 2.4 像素，偏紧，应提高分辨率或缩小 FOV。工作距离 300 mm 时，f ≈ 300×7.2/(100+7.2) ≈ 20.1 mm，可选 20 mm 定焦镜头。

此外需关注景深：光圈越小景深越大但进光量下降；远心镜头可消除透视误差，适合精密测量；畸变、MTF、C 口/CS 口法兰距也需匹配。

三、光源与打光方式

打光的目的是让目标特征与背景形成稳定对比。常见方式：

环形光：均匀照明，适合平面字符、表面缺陷。
条形光/线光：用于线扫或局部高亮，可组合成多角度。
背光：工件轮廓与背景形成黑白剪影，适合尺寸测量、孔位检测。
同轴光：经分光镜垂直照射，适合高反光金属表面、划痕检测。
穹顶光：漫射均匀，适合曲面、反光件。
暗场/低角度光：突出表面凸起、划痕、边缘。

选择依据是“特征对光的响应”：测量轮廓用背光，检测划痕用暗场或同轴，读码用环形或条形。光源控制器需支持频闪与相机触发同步，避免运动模糊。

四、OpenCV VideoCapture 与相机 SDK 集成

OpenCV 的 cv2.VideoCapture 可直接打开 UVC 相机或视频文件，适合快速验证：

import cv2
cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)   # Windows 下指定后端
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 2448)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 2048)
cap.set(cv2.CAP_PROP_FPS, 30)
while True:
    ok, frame = cap.read()
    if not ok:
        break
    cv2.imshow("frame", frame)
    if cv2.waitKey(1) == 27:
        break
cap.release()
cv2.destroyAllWindows()

但工业相机通常需要 SDK 才能访问触发、增益、曝光、白平衡等完整参数。集成方式有两种：一是用 SDK 取流后把缓冲区转为 NumPy 数组交给 OpenCV 处理；二是通过 GenICam/GigE Vision 的通用接口（如 Harvesters、pylon、MVS）统一访问。以海康 MVS 为例，SDK 回调返回原始帧，用 np.frombuffer 转成图像：

import numpy as np, cv2
def on_frame(data):
    img = np.frombuffer(data, dtype=np.uint8).reshape(h, w, -1)
    gray = cv2.cvtColor(img, cv2.COLOR_BAYER_BG2GRAY)  # 按实际 Bayer 格式
    cv2.imshow("cam", gray)

关键点是像素格式（Mono8、BayerRG8、RGB8）与 OpenCV 转换码必须一致，否则会出现偏色或错位。

五、采集参数控制与图像质量评估

曝光时间、增益、帧率、触发模式是采集的核心参数。曝光过长会运动模糊，增益过高会放大噪声。建议先固定光源亮度，再调曝光使目标灰度落在 100～200（8 bit），最后用最小增益补足。触发模式选硬触发可保证与产线节拍同步。

图像质量评估可从以下指标入手：

均值与标准差：判断整体亮度与对比度，cv2.meanStdDev。
清晰度：Laplacian 方差，值越大越清晰，cv2.Laplacian(gray, cv2.CV_64F).var()。
信噪比：目标区域均值与背景标准差之比。
直方图：检查是否过曝（右侧堆积）或欠曝（左侧堆积）。

下图给出从相机接口、镜头、光源到采集与质量评估的整体信号链与关键参数关系，便于对照选型与调试。

实际调试时，建议按“先光源、再镜头、后相机参数”的顺序固定变量：光源稳定后，用背光或同轴光把特征对比拉开；镜头确定 FOV 与工作距离；最后调曝光与增益，使目标灰度落在合理区间，并用 Laplacian 方差与直方图确认图像可用于后续算法。只有采集端稳定，后续的定位、测量与缺陷检测才有可靠输入。