3. 3D视觉技术概述
在铸件毛刺检测项目中，2D视觉往往受限于光照变化、表面反光以及缺乏深度信息，难以稳定区分毛刺与铸件本体、凹陷与凸起。3D视觉通过获取物体表面的深度信息（Z轴坐标），从根本上解决了上述问题。本章将系统讲解3D视觉的核心原理、三类主流传感器（结构光、激光三角、ToF）的工作机制与工程特性，并给出面向铸件检测场景的选型决策框架。
上图展示了从被测对象到传感器选型结论的完整决策链路。在铸件毛刺检测中，我们首先需要明确被测对象的表面特性（粗糙度、反射率、毛刺尺寸范围），然后对比三类主流技术的参数边界，最终结合安装环境与成本约束确定方案。下面逐一展开。
3.1 3D视觉核心原理：从二维像素到三维点云
3D视觉的本质是获取场景中每个采样点的空间坐标（X, Y, Z），形成点云（Point Cloud）或深度图（Depth Map）。与2D图像不同，3D数据直接包含深度信息，使得毛刺的高度、体积、倾斜角度可以被量化测量。其核心原理可归纳为三类几何模型：三角测量法（利用已知基线和角度计算深度）、飞行时间法（通过光脉冲往返时间计算距离）、相位偏移法（通过调制光的相位差计算距离）。
在工程实现上，3D视觉系统通常包含以下关键模块：
- 光源与投射单元：激光器、LED投影仪或VCSEL阵列，负责发射结构化光或脉冲光。
- 光学成像单元：工业相机、镜头、滤光片，负责接收反射光并形成图像。
- 计算与处理单元：FPGA或GPU，负责解码、匹配、三角计算，生成点云数据。
- 标定与校准模块：包括相机内参、外参、畸变系数以及光源-相机相对位姿的标定。
对于铸件毛刺检测，点云数据的质量直接决定了后续算法的可靠性。例如，一个高度为0.3mm的飞边，如果传感器Z轴精度只有±0.5mm，则无法稳定检出。因此，理解不同原理的精度边界是选型的第一步。
核心判断方法：评估3D传感器是否适合毛刺检测，首先看Z轴重复精度（Repeatability）是否小于最小毛刺高度的1/3。例如，要求检出0.3mm毛刺，则Z轴重复精度应优于0.1mm。其次看点云在边缘处的完整性——铸件边缘往往有倒角或圆角，容易产生测量盲区。
3.2 主流传感器技术详解与对比
3.2.1 结构光（Structured Light）
结构光技术通过投影仪向被测物体表面投射编码光栅（如正弦条纹、格雷码、散斑图案），相机同步采集被物体表面调制后的变形图案。通过解调图案的相位偏移或编码序列，可以逐像素计算深度。其优势在于面阵采集、速度快，适合静态或慢速运动物体的高精度测量。
在铸件检测中，结构光常用于小尺寸铸件（如汽车压铸件、精密五金件）的毛刺检测。典型参数：视野范围100×100mm时，Z轴精度可达±0.02mm；视野扩大至500×500mm时，精度下降至±0.1mm。需要注意的是，结构光对环境光干扰敏感，在明亮车间需加装遮光罩或使用近红外波段光源。
3.2.2 激光三角（Laser Triangulation）
激光三角法利用一束激光（点激光或线激光）斜射到物体表面，相机从另一角度拍摄激光光斑或光条。通过光条在图像中的像素偏移量，结合激光器与相机的固定几何关系（基线距离和角度），计算出物体表面高度。线激光扫描（Line Scan）是目前工业铸件检测的主流方案，其原理是：物体运动或传感器运动时，连续采集多条激光轮廓线，拼接成完整点云。
激光三角的突出优点是抗环境光能力强（配合窄带滤光片）、Z轴精度高（可达±0.005mm）、对表面纹理不敏感。但缺点是扫描速度受限于运动机构的加速度，且对高反光表面（如抛光面）容易产生镜面反射干扰。针对铸件表面粗糙、局部反光的特性，通常采用蓝色激光（波长405nm）或调整激光入射角度来抑制杂散光。
3.2.3 ToF（Time of Flight）
ToF传感器通过测量光脉冲从发射到接收的飞行时间来计算距离。其核心优势是远距离、大视野、帧率高，适合机器人引导、料筐抓取等场景。但ToF的Z轴精度通常在±1mm~±10mm之间，且对多路径反射（光线在物体间多次反射）敏感，因此不适合高精度毛刺检测。在铸件项目中，ToF可用于毛刺打磨前的粗定位（如识别铸件在料筐中的位姿），或打磨后的整体轮廓检查。
| 技术类型 | Z轴精度 | 扫描速度 | 环境光鲁棒性 | 表面适应性 | 典型成本 | 铸件检测适用性 |
|---|---|---|---|---|---|---|
| 结构光 | ±0.01~0.1mm | 快（面阵） | 弱（需遮光） | 中（高反光易失效） | 中高 | 小尺寸高精度工位 |
| 激光三角 | ±0.005~0.05mm | 中（线扫） | 强（窄带滤光） | 强（可调入射角） | 中 | 主力方案（推荐） |
| ToF | ±1~10mm | 极快 | 中 | 弱（多路径干扰） | 低 | 粗定位/分拣 |
3.3 选型依据：从需求到参数的量化映射
选型不能只看精度参数，必须结合铸件毛刺检测的完整工况。以下是工程实践中总结的选型决策流程：
- 定义最小检测目标：明确毛刺的最小高度、宽度和长度。例如，某铝合金压铸件要求检出≥0.3mm高的飞边，且毛刺宽度≥0.5mm。
- 确定视野与工作距离：根据铸件尺寸和产线空间，计算所需视野（FOV）和传感器安装距离。视野越大，通常精度越低。
- 评估表面反射特性：铸件表面可能是哑光、喷砂、抛光或带脱模剂。高反光表面需选择激光三角并调整入射角，或使用结构光的多频外差算法。
- 计算节拍要求：如果产线节拍为30秒/件，线扫激光需要计算扫描速度与运动机构加速度是否匹配；结构光面阵则需考虑多帧投影的采集时间。
- 环境约束：车间是否有振动、粉尘、油雾？传感器是否需要IP65以上防护？环境光是否强烈？这些直接影响传感器选型和光学附件配置。
- 成本与维护：激光三角方案通常需要高精度运动平台，整体成本高于结构光；ToF成本最低但精度不足。
经验提醒：在铸件毛刺检测项目中，不要只关注传感器本身的价格。激光三角方案中，运动平台（直线模组或机器人）的重复定位精度、编码器分辨率、减震措施往往比传感器更影响最终点云质量。建议将传感器+运动机构+防护附件作为整体进行预算评估。
3.4 案例拆解：某汽车零部件厂铝压铸件毛刺检测方案选型
背景与约束：某汽车零部件厂生产铝合金转向节，铸件尺寸约400×300×200mm，毛刺主要出现在分型线、浇口和顶杆位置，最小毛刺高度0.3mm。产线节拍要求45秒/件，现场有较强环境光（车间照明+窗外自然光），且存在少量脱模剂残留导致局部反光。现有机器人上下料，可配合传感器扫描。
初始现象与目标：原方案采用2D视觉+规则判断，漏检率高达15%，主要原因是毛刺与铸件阴影、油污在灰度图像上难以区分。目标是将漏检率降至1%以下，同时误检率不超过3%。
关键输入数据与参数：
- 最小毛刺：高0.3mm，宽0.5mm，长2mm
- 铸件表面：局部反光（脱模剂），粗糙度Ra3.2
- 安装空间：传感器距铸件表面约500mm，可调整
- 节拍：45秒/件（含扫描+算法处理）
分析判断过程：首先排除ToF（精度不足）。对比结构光与激光三角：结构光在500mm工作距离下，视野约400×300mm时，Z轴精度约±0.08mm，勉强满足0.3mm毛刺检测（需重复精度0.1mm），但环境光干扰风险高，且脱模剂反光可能导致解码失败。激光三角线扫方案，选用蓝色激光（405nm）+窄带滤光片，可有效抑制环境光；Z轴精度可达±0.02mm，完全满足要求。但线扫需要运动机构，考虑利用现有机器人夹持传感器进行扫描，扫描路径约3秒，加上算法处理2秒，总节拍可控制在30秒内。
实际操作步骤：
- 选用某品牌激光三角传感器（分辨率1280×1024，Z轴重复精度±0.015mm），搭配机器人法兰安装。
- 设计扫描路径：分三条路径覆盖铸件正面、背面和侧面，每条路径约1秒，机器人运动速度200mm/s。
- 标定：使用标准球和平面靶标进行手眼标定，标定后点云拼接误差小于0.05mm。
- 算法验证：采集20件合格品和20件含毛刺缺陷品，建立毛刺检测模型（基于点云高度差+局部曲率）。
结果对比：上线运行后，漏检率降至0.8%，误检率2.1%，满足生产要求。相比原2D方案，检测时间从25秒增加至30秒（含扫描），但节拍仍满足45秒要求。
风险与代价：机器人扫描路径需要定期校准（每季度一次），否则长期运行后可能因机械磨损导致点云拼接偏差。另外，蓝色激光对操作人员眼睛有潜在伤害，需加装防护罩和安全互锁。
复盘经验：选型时不要只看传感器标称精度，要实测在目标表面（含脱模剂）上的真实点云质量。建议在供应商处用实际铸件做样件测试，重点观察边缘毛刺处的点云密度和噪声水平。
常见误区：① 认为3D传感器精度越高越好，忽略了视野和节拍的约束；② 忽略环境光影响，导致结构光方案在车间无法正常工作；③ 未考虑铸件表面反光，导致激光三角产生镜面反射飞点；④ 只买传感器不买配套标定工具和软件，导致现场调试困难。
3.5 总结与选型决策清单
本章从原理、技术对比、选型流程和实战案例四个维度，系统梳理了3D视觉在铸件毛刺检测中的应用要点。核心结论如下：
- 激光三角线扫是铸件毛刺检测的首选方案，兼顾精度、抗干扰和成本。
- 结构光适合小尺寸、高精度、环境可控的工位。
- ToF仅用于粗定位或大范围分拣，不可用于精密测量。
- 选型必须基于实测数据，而非仅依赖规格书。
在实际项目中，建议先制作一个简易的测试台架，用待测铸件样品在候选传感器下采集点云，评估毛刺区域的点云密度、边缘完整性和噪声水平。只有通过实测验证，才能确保选型方案的可靠性。