1. 工业视觉概述
大家好，欢迎来到《工业视觉实战》的第一章。
工业视觉，说白了就是给机器装上「眼睛」和「大脑」。它用相机代替人眼，用算法代替人脑，在生产线上去做检测、定位、测量和识别。我入行那会儿，这玩意儿还叫「机器视觉」，现在叫「工业视觉」，名字变了，但核心没变——用图像数据驱动自动化决策。
你可能会问：这和普通的计算机视觉有什么区别？嗯，区别大了。工业视觉更强调实时性、稳定性和可重复性。你想想看，一条产线每分钟跑几百个产品，漏检一个就是批量事故。所以工业视觉的算法，往往比学术界的模型更「保守」，也更「皮实」。
1.1 发展历程：从黑白到彩色，从2D到3D
工业视觉的发展，我把它分成三个阶段。每个阶段我都踩过坑，也见证了技术的跃迁。
| 阶段 | 时间 | 核心特征 | 我的经历 |
|---|---|---|---|
| 萌芽期 | 1970s - 1990s | 黑白相机 + 简单二值化 + 模板匹配 | 我最早接触的是 Cognex 的 VC 系统，只能做有无检测 |
| 成长期 | 2000s - 2015 | 彩色相机 + 边缘检测 + 亚像素测量 | 那时候 Halcon 开始流行，我拿它做过手机屏幕的划痕检测 |
| 爆发期 | 2015 - 至今 | 深度学习 + 3D视觉 + 高速线阵 | 现在用 YOLO 做缺陷检测，速度比传统算法快一个数量级 |
我记得2016年第一次在产线上部署深度学习模型，老板问我：「这玩意儿靠谱吗？」我说：「试试看。」结果一跑就是三年没出过批量漏检。从那以后，我对深度学习的工业落地就特别有信心。
1.2 典型应用场景：四大金刚
工业视觉的应用场景，我归纳为四大类：缺陷检测、定位、测量、识别。这四类几乎覆盖了90%的工业视觉项目。下面我一个个讲，每个都带一个我亲身经历的真实案例。
1.2.1 缺陷检测
这是工业视觉最刚需的场景。产品表面有没有划痕、凹坑、脏污、气泡、裂纹……这些肉眼看得累死，机器却可以24小时不眨眼。
- 典型对象： 手机玻璃、PCB板、锂电池极片、汽车漆面
- 常用算法： 差影法、频域滤波、深度学习分类/分割
- 难点： 缺陷种类多、样本不均衡、光照变化大
1.2.2 定位
定位就是告诉机器人：「那个零件在哪儿？角度多少？」。没有定位，机械臂就是瞎子。
- 典型对象： 芯片引脚、螺丝孔、工件边缘
- 常用算法： 模板匹配、特征点匹配、霍夫变换
- 精度要求： 通常亚像素级（0.1像素以内）
我做过一个项目，给汽车变速箱的壳体定位。壳体表面有油污，反光严重。一开始用 NCC 模板匹配，老是飘。后来我改用边缘点集的 ICP 配准，稳如老狗。嗯，这里要注意：定位算法的鲁棒性，往往比精度更重要。你精度再高，偶尔跳一次，产线就得停。
1.2.3 测量
测量是工业视觉的「硬核」应用。用图像去量尺寸，精度要求常常是微米级。
- 典型对象： 轴承直径、螺丝长度、PCB焊盘间距
- 常用算法： 亚像素边缘提取、最小二乘拟合、标定板校正
- 关键： 相机标定 + 畸变校正，缺一不可
1.2.4 识别
识别就是「读码、读字符、读颜色」。物流、食品、医药行业用得最多。
- 典型对象： 二维码、条形码、生产日期喷码、颜色分类
- 常用算法： OCR、条码解码、颜色直方图
- 挑战： 字符残缺、背景复杂、光照不均
我记得有一次做药盒的批号识别，喷码印在透明薄膜上，反光严重。传统 OCR 死活读不出来。后来我换了个思路——先用偏振片消除反光，再用简单的模板匹配，反而搞定了。有时候，光学方案比算法方案更管用。
1.3 知识体系总览
下面这张图，是我自己整理的工业视觉知识体系。你可以把它当作整个课程的地图。后面29章，都会围绕这张图展开。
1.4 一个完整的工业视觉项目流程
最后，我给大家梳理一下一个典型工业视觉项目的完整流程。这个流程我用了十年，几乎没变过。
- 需求分析： 检测什么？精度多少？节拍多少？
- 光学方案： 选相机、镜头、光源。这一步决定了项目成败的80%。
- 图像采集： 搭建实验平台，拍样本图。
- 算法开发： 预处理 → 特征提取 → 分类/定位/测量。
- 系统集成： 把算法封装成SDK，对接PLC或机器人。
- 现场调试： 调参、优化、跑稳定性测试。
- 验收交付： 跑通产线，交付文档。