1. 工业视觉系统概述
大家好，我是老张。在工业视觉这行摸爬滚打了十几年，今天咱们聊聊这个领域的根基——工业视觉系统到底是个啥。
很多人一上来就问我：“老张，机器视觉和计算机视觉有啥区别？” 我通常会打个比方：计算机视觉是想让电脑“看懂”世界，而机器视觉是让机器“看清”产品。说白了，一个偏研究，一个偏落地。
1.1 机器视觉的定义
机器视觉，就是用摄像头和算法代替人眼来做检测和判断。它不关心图片好不好看，只关心“这个螺丝拧紧了没”、“那个标签贴歪了没”。
我个人习惯把机器视觉系统拆成三块：
- 成像单元：光源、镜头、相机，负责把物理世界变成数字信号
- 处理单元：工控机或嵌入式板卡，跑算法的地方
- 执行单元：PLC、机械臂，根据结果做动作
我在项目中遇到过不少新手，花大价钱买最好的相机，结果光源没选对，拍出来的图全是反光。嗯，这里要注意：成像质量决定了算法难度的上限。
1.2 工业4.0背景下的视觉需求
工业4.0喊了这么多年，到底给视觉带来了什么变化？我总结了三句话：
- 数据要通：以前视觉系统是个孤岛，现在得跟MES、ERP对接
- 速度要快：产线节拍越来越快，你想想看，手机组装线一秒要检好几个零件
- 柔性要强：换产频繁，今天检A型号，明天检B型号，算法得能快速切换
核心矛盾：工业4.0要求视觉系统从“单点工具”升级为“数据节点”。我见过一条产线装了12个视觉工位，数据格式五花八门，最后统一接口就花了三个月。所以，选型时就得考虑通信协议和数据结构化。
1.3 典型应用场景
工业视觉的活儿，说白了就四类：定位、测量、识别、缺陷检测。咱们一个一个说。
| 场景 | 核心任务 | 典型精度 | 我踩过的坑 |
|---|---|---|---|
| 定位 | 找物体的位置和角度 | 亚像素级（0.1像素） | 反光工件用模板匹配经常飘 |
| 测量 | 量尺寸、算距离 | 微米级（±5μm） | 温度变化导致相机支架热胀冷缩 |
| 识别 | 读码、OCR、分类 | 99.9%+ 读取率 | 条码被油污遮挡，传统算法直接跪 |
| 缺陷检测 | 找划痕、脏污、缺料 | 0.1mm² 以上缺陷 | 误报率太高，工人直接关掉检测功能 |
定位
定位是视觉最基础的功能。机械臂要抓取工件，总得知道工件在哪儿吧？我早期做的一个项目，用模板匹配定位手机中框，精度0.02mm。后来发现，工件表面有油污，模板匹配直接跑飞。后来换了基于边缘特征的定位算法，才算稳住。
测量
测量对精度要求最高。我曾经给一个轴承厂做外径测量，要求±3μm。你以为买个高分辨率相机就完事了？太天真了。相机支架的热胀冷缩、光源的亮度波动，都会影响测量结果。后来我加了温度补偿和实时标定，才算达标。
识别
识别包括读二维码、OCR字符识别、颜色分类等。现在深度学习普及后，识别率确实上去了。但我建议，能用传统算法的场景就别上深度学习——你想想看，一个简单的条码识别，用传统图像处理跑只要5ms，上深度学习反而要20ms，还得多花几千块买GPU。
缺陷检测
这是工业视觉最难啃的骨头。为什么？因为缺陷样本太少。正常产品几万个，缺陷可能就几十个。我做过一个锂电池极片检测项目，划痕类型有十几种，每种只有几十张样本。用传统算法写规则，写了两个月；用深度学习做小样本学习，调参又调了一个月。最后方案是：传统算法筛掉90%的明显缺陷，深度学习处理剩下的疑难杂症。
我的建议：做缺陷检测，先别急着上模型。花一周时间把产线上的缺陷样本收集全，分类整理好。我曾经因为样本不全，模型上线后遇到新缺陷直接崩了。数据比算法重要，这句话在工业视觉里是铁律。
1.4 知识体系总览
下面这张图，是我自己梳理的工业视觉知识体系。你可以把它当成整个课程的地图。
注意：别想着一步到位。我见过太多人，一上来就学深度学习做缺陷检测，结果连光源都没调明白。按图上的顺序，先把成像和工程基础打牢，再谈算法优化。否则，你花三个月调出来的模型，换个产线环境就废了。
1.5 本章小结
这一章咱们把工业视觉的底子铺开了：
- 机器视觉的核心是“看清”而非“看懂”
- 工业4.0要求视觉系统成为数据节点
- 四大场景各有各的难点和坑
- 知识体系要按“场景→技术→工程→优化”的顺序搭建
我个人觉得，工业视觉最迷人的地方在于——你永远在解决真实世界的问题。不是刷榜，不是发，而是让产线上的每一个产品都经得起检验。嗯，这就是咱们这门课要干的事。