1. 课程导入

机器视觉在工业自动化领域已从“可选方案”演变为“标准配置”，而2D定位作为视觉引导、对位组装、缺陷检测的基础能力，其性能直接决定了产线的节拍与良率。许多工程师在项目交付中常遇到两类痛点：一是算法耗时居高不下，导致相机节拍无法匹配PLC或机器人需求；二是多相机对位系统标定复杂、坐标系转换混乱，现场调试周期被无限拉长。本课程正是围绕这两个核心痛点，以Halcon为工具，从底层原理到工程实战，系统拆解2D定位的耗时优化方法论与多相机对位系统的落地路径。本章作为开篇，将明确课程学习目标、适用人群、贯穿全课程的项目案例框架，并手把手完成Halcon开发环境的搭建与验证。

上图展示了本章的知识框架：学习目标、适用人群、项目概览与环境搭建四个模块相互关联，共同构成课程的基础底座。后续所有章节的实战内容，都将围绕“单相机高速定位”和“多相机对位”两条主线展开，而环境搭建则是动手实践的第一步。下面我们逐一深入。

1.1 学习目标：从“能跑通”到“跑得快、对得准”

本课程的学习目标并非仅仅教会你调用Halcon的某个算子，而是建立一套完整的工程思维。课程结束后，你应该具备以下三项核心能力：

• 耗时优化能力：能够使用Halcon的性能分析工具（如profile、count_seconds）定位算法瓶颈，并针对不同场景（模板匹配、Blob分析、亚像素边缘提取）选择最优的优化策略，包括ROI裁剪、金字塔层级控制、算子替代、并行计算等。
• 多相机对位能力：理解相机标定（Calibration）、手眼标定（Hand-Eye）、坐标系转换（World/Image/Robot）的数学原理，能够独立完成双相机或多相机系统的标定流程，并编写鲁棒的坐标融合算法。
• 项目落地能力：能够根据实际产线需求（节拍、精度、环境光、振动）设计视觉方案，撰写技术文档，并处理现场常见的干扰问题（反光、遮挡、运动模糊）。

需要特别强调的是，本课程不追求算法的“炫技”，而是强调在工业环境下的稳定性与可维护性。例如，在耗时优化时，我们不仅要关注单次执行时间，还要关注最坏情况下的耗时波动（Jitter），因为PLC通常按固定节拍取图，波动过大会导致系统超时报警。

1.2 适用人群：你需要具备哪些基础？

本课程面向有一定编程基础、希望深入机器视觉工程化的读者。具体而言，适合以下三类人群：

1. 视觉工程师/调试工程师：已在产线上使用过Halcon或其他视觉库（如OpenCV、VisionPro），但缺乏系统性的性能调优经验，希望提升项目交付效率。
2. 自动化设备集成商的技术骨干：负责整个设备的视觉方案选型与实施，需要理解多相机对位中的坐标系关系，避免在客户现场反复返工。
3. 高校研究生或竞赛选手：具备图像处理理论基础（如边缘检测、模板匹配），但希望将理论转化为能在真实硬件上稳定运行的代码。

在技术栈方面，建议读者具备以下基础：

• 至少熟悉一种编程语言（C++、C#或Python），因为Halcon的算子需要通过这些语言调用。
• 了解基本的图像处理概念（灰度、阈值、滤波、形态学）。
• 对工业相机、镜头、光源有初步认知，知道它们如何影响图像质量。

1.3 课程项目概览：三个递进式实战项目

为了将零散的知识点串联成完整的工程能力，本课程设计了三个递进式项目，它们将贯穿后续所有章节。每个项目都包含完整的硬件配置、算法流程、代码实现与调试记录。

项目A：单相机高速定位（第2-10章）——模拟3C行业中的手机中框定位场景。相机固定安装，视野内出现来料，要求系统在30ms内输出中框中心坐标与角度，引导机械臂抓取。该项目重点训练耗时优化技术，包括ROI动态跟踪、模板匹配加速、亚像素精度提升。

项目B：双相机对位贴合（第11-20章）——模拟FPC柔性电路板与连接器的对位贴合。上下两个相机分别拍摄FPC的Mark点与连接器的基准点，通过标定将两个相机的坐标统一到同一个机器人坐标系下，实现高精度贴合（±0.05mm）。该项目重点训练多相机标定、手眼标定、坐标融合算法。

项目C：四相机大视野拼接（第21-30章）——模拟液晶面板的全面屏缺陷检测。四个相机分别拍摄面板的四个区域，通过拼接算法生成完整图像，并实现跨相机的缺陷坐标映射。该项目综合训练大视野标定、图像拼接、并行处理与性能优化。

这三个项目并非孤立的，而是层层递进。项目A中优化的单相机算法，在项目B中会作为基础模块被调用；项目B中建立的坐标系转换框架，在项目C中会扩展为多相机联合标定。通过这种设计，你最终能够构建一个可复用的视觉算法库。

1.4 Halcon开发环境搭建：从安装到第一个程序

工欲善其事，必先利其器。Halcon的开发环境搭建虽然不复杂，但有几个关键细节会影响后续开发效率。本节将分步骤讲解，并指出常见误区。

1.4.1 Halcon版本选择与授权

Halcon目前主流的版本为Halcon 20.11、Halcon 21.05、Halcon 22.11等。对于本课程的学习，建议选择Halcon 20.11或更高版本，因为新版本在算子性能上有所优化，且支持更多的深度学习接口。授权方面，Halcon提供三种模式：

• HDevelop开发版：带完整IDE，支持所有算子，但运行时需要加密狗或License文件。
• Runtime运行时版：仅用于部署已开发的程序，体积小，但无法编辑代码。
• 试用版：官方提供1个月全功能试用，适合课程学习。

1.4.2 环境变量与接口配置

安装完成后，需要检查系统环境变量HALCONROOT和PATH。通常安装程序会自动配置，但如果你需要同时使用C++或C#接口，还需要额外配置：

# 检查环境变量（Windows命令提示符）
echo %HALCONROOT%
# 预期输出：C:\Program Files\MVTec\Halcon-22.11

# 将Halcon的bin目录加入PATH
set PATH=%HALCONROOT%\bin\x64-win64;%PATH%

# 对于C#开发，需要添加.NET程序集引用
# 路径：%HALCONROOT%\bin\dotnet35\halcondotnet.dll

对于使用Visual Studio的开发者，建议在项目属性中配置“包含目录”和“库目录”，并添加附加依赖项halcon.lib（C++）或直接引用halcondotnet.dll（C#）。

1.4.3 验证安装：运行第一个Halcon程序

为了确认环境无误，我们编写一个最简单的程序：读取一张图像并显示其基本信息。在HDevelop中新建脚本，输入以下代码：

// 读取示例图像（Halcon自带）
read_image (Image, 'printer_chip/printer_chip_01')
// 获取图像尺寸
get_image_size (Image, Width, Height)
// 在控制台输出信息
disp_message (WindowHandle, 'Image Size: ' + Width + 'x' + Height, 'window', 12, 12, 'black', 'white')
// 显示图像
dev_display (Image)

如果一切正常，你会看到一张芯片图像，并在左上角显示尺寸信息。此时，你的Halcon环境已完全可用。

1.4.4 常见安装问题与排查清单

1.5 本章总结与学习路径建议

本章作为课程的起点，明确了三个核心目标：掌握耗时优化方法论、理解多相机对位原理、具备项目落地能力。同时，我们介绍了三个递进式项目，它们将作为后续章节的实战载体。最后，完成了Halcon开发环境的搭建与验证。

在进入下一章之前，建议你完成以下准备工作：

• 在HDevelop中运行至少5个官方示例，熟悉基本的图像读取、显示、处理流程。
• 准备一台性能尚可的工控机或PC（建议CPU i5以上，内存8GB以上），因为后续的耗时优化实验需要稳定的硬件环境。
• 安装并配置好C#或C++开发环境（Visual Studio 2019或更高版本），因为部分章节会涉及Halcon与上位机程序的集成。