1. 课程导入与工程视角建立

在开始讨论相机、镜头、投影、标定和精度之前，先把一个更基础的问题说清楚：我们到底在选什么、集成什么、验证什么。很多项目失败并不是因为某个器件不好，而是因为一开始把“3D视觉测量系统”理解成了“买一台3D相机”。实际上，3D视觉测量系统是一套以获取物体表面三维坐标为目标、并把坐标转换为可判定尺寸或形位结果的工程系统。它至少包含四个层次：感知层（相机、镜头、光源、投影/激光模块）、采集与同步层（触发、曝光、编码器、运动平台）、计算与重建层（标定参数、点云生成、坐标变换、特征提取）、判定与输出层（尺寸计算、公差比对、OK/NG判定、数据记录与通信）。

从工程视角看，这四层不是并列的模块清单，而是有明确信号与数据流向的链路。以典型的线激光三角测量为例：激光平面投射到被测表面形成一条轮廓线，相机从另一角度拍摄该线；图像上光条中心的像素位置 u 与相机—激光平面的几何关系共同决定该点在相机坐标系下的三维坐标。若被测物随运动平台沿 Y 方向移动，编码器每发出一个脉冲触发一次采集，则第 k 次采集得到的轮廓被赋予 Y_k = k·Δy，最终拼接成完整点云。这里每一个环节都会影响最终精度：光条中心提取误差影响单轮廓精度，编码器分辨率与平台速度稳定性影响 Y 向间距，标定误差影响整体尺度与角度。

因此，本课程把工程工作归纳为三条主线：选型、集成、精度验证。选型回答“用什么测、量程与精度是否匹配、环境是否允许”；集成回答“怎么装、怎么触发、怎么标定、怎么把点云变成尺寸”；精度验证回答“结果是否可信、误差来自哪里、能否通过验收”。三条主线不是先后独立的阶段，而是相互约束的闭环：选型时若忽略集成约束（如安装空间、工作距离、遮挡），集成阶段就会被迫降级；集成时若忽略验证指标（如重复性、再现性、温度漂移），验证阶段就无法定位误差来源。

上图把四层数据链与三条主线放在同一张工程视图中。需要特别强调的是，图中“感知层→采集层→计算层→判定层”的箭头代表的是信号与数据流，而不是项目执行顺序。实际项目中，选型、集成、验证是围绕这条数据链反复迭代的。例如，当验证发现 Z 向重复性只有 0.08 mm，而目标要求 0.03 mm 时，可能的原因包括：光条中心提取算法在反光表面不稳定、编码器脉冲与曝光不同步导致 Y 向错位、标定板姿态覆盖不足导致外参误差偏大。此时需要回到集成层调整触发时序或标定流程，甚至回到选型层更换光源偏振方案或相机分辨率。

为了让后续章节有统一的参照，这里先约定几个基本定义。测量精度通常指测量结果与真值的一致程度，用误差表示；重复性指同一条件下多次测量同一特征的一致性；再现性指改变操作者、时间、位置等条件后测量结果的一致性。三者不能混用：一台设备可能重复性很好（每次测同一位置结果几乎一样），但准确度很差（整体偏移 0.1 mm），这通常来自标定尺度错误或标准件本身未修正。后续精度验证章节会分别给出这三类指标的测试方法和判定依据。

再看测量任务分类。按被测特征维度，可分为点测量（如孔位中心、单点高度）、线测量（如轮廓度、直线度、间隙面差）、面测量（如平面度、翘曲、体积）。按测量方式，可分为离线抽检（工件放到测量站，节拍宽松，追求高精度）和在线全检（集成在产线上，节拍紧，追求稳定性与鲁棒性）。这两类任务对选型和集成的约束完全不同：离线抽检可以选用更高分辨率相机和更慢的扫描速度，在线全检则必须优先保证触发可靠、抗环境光、维护简单。课程后续会分别以线激光轮廓测量、结构光面扫描、双目立体视觉三条典型技术路线展开，但无论哪条路线，都遵循本节建立的四层数据链和三条主线框架。

最后需要建立的一个工程习惯是：任何测量结果都必须附带不确定度来源。一个孤立的“0.02 mm”没有意义，必须说明它是在什么工作距离、什么表面、什么温度、多少次测量下得到的。本课程后续所有示例参数和结果都会明确标注为“示例”或“合理假设”，并给出对应的条件，目的不是提供可以直接复制的数字，而是建立“条件—参数—结果—判定”的完整工程思维。掌握了这条思维链，再面对不同品牌、不同原理的3D视觉系统时，就能快速判断哪些指标真正影响自己的测量任务，哪些只是宣传参数。