2. 视觉系统基础

机器人视觉误差调试的前提，是透彻理解视觉系统如何将三维物理世界映射为二维图像数据。绝大多数调试场景——无论是坐标偏差、镜头畸变还是光照变化——其根源都可以追溯到坐标系转换关系、成像模型假设与实际物理过程的偏离。本节将系统梳理相机成像的针孔模型、四大坐标系的定义与转换链路，并给出工程调试中常用的参数矩阵与标定思路。

2.1 针孔成像模型：理想投影的数学描述

针孔模型是相机成像的最基本近似。它假设光线沿直线传播，经过相机光心（针孔）后在像平面上形成倒立的实像。在实际工程中，我们通常将像平面虚拟到光心前方，形成正立虚像，以便于数学表达。设空间点 P(Xc, Yc, Zc) 在相机坐标系下的坐标为已知，其投影到归一化平面（Zc = 1）上的坐标为：

x' = Xc / Zc
y' = Yc / Zc

随后通过内参矩阵将归一化坐标映射到像素坐标：

u = fx * x' + cx
v = fy * y' + cy

其中 fx = f / dx，fy = f / dy，f 为焦距（mm），dx、dy 分别为单个像素在 x、y 方向的物理尺寸（mm/pixel）。cx、cy 为主点（光轴与像平面交点）的像素坐标。fx、fy、cx、cy 以及畸变参数共同构成相机的内参，需要通过标定获得。

2.2 四大坐标系的定义与物理含义

机器人视觉系统涉及四个层级递进的坐标系，理解每个坐标系的原点和单位是调试坐标偏差的前提。

四个坐标系之间的转换关系构成完整的成像链路。世界坐标到相机坐标的变换属于刚体变换，包含旋转矩阵 R（3×3）和平移向量 t（3×1），统称为外参。相机坐标到像素坐标的变换由内参矩阵 K 决定。整体转换公式为：

Zc * [u, v, 1]^T = K * [R | t] * [Xw, Yw, Zw, 1]^T

该公式是视觉引导、手眼标定、三维重建等所有上层算法的基石。调试坐标偏差时，首先需要确认是外参（安装位置变动）还是内参（镜头松动、温度漂移）发生了变化。

2.3 坐标系转换的工程实现与标定流程

在实际机器人视觉系统中，坐标转换的精度直接决定抓取或装配的定位精度。标准的标定流程包括以下步骤：

1. 棋盘格或圆点标定板准备：打印高精度标定板，粘贴在平面玻璃或铝板上，确保平整度。
2. 采集多角度图像：在视场内不同位置、不同姿态下采集 15~20 张标定板图像，覆盖画面中心和边缘。
3. 角点提取：使用 OpenCV 的 findChessboardCorners 或 findCirclesGrid 提取特征点。
4. 内参标定：调用 calibrateCamera 计算内参矩阵 K 和畸变系数。
5. 外参标定（手眼标定）：若相机安装在机器人末端，需进行 eye-in-hand 标定；若相机固定安装，则进行 eye-to-hand 标定。常用方法为 AX=XB 求解。
6. 重投影误差验证：计算所有角点的重投影误差，通常要求小于 0.1 pixel。

2.4 案例拆解：坐标偏差从 8mm 降到 0.5mm 的调试过程

背景与约束：某汽车零部件装配线，使用固定安装的工业相机（500万像素，8mm 镜头）引导六轴机器人抓取放置于托盘上的金属壳体。要求定位精度 ±1mm。现场反馈抓取偏差约 8mm，且越靠近图像边缘偏差越大。

初始现象与关键数据：

• 图像中心区域抓取偏差约 3mm，边缘区域偏差达 8mm。
• 重投影误差 0.35 pixel，超出 0.1 pixel 的验收标准。
• 相机安装高度 800mm，视野范围 600mm×450mm。

分析判断过程：边缘偏差大于中心，且重投影误差偏大，首先怀疑镜头畸变校正不充分。进一步检查发现，现场工程师在标定时只采集了 8 张图像，且全部集中在视野中心区域，导致边缘畸变参数估计不准。此外，相机镜头锁紧环松动，导致焦距发生微变。

实际操作步骤：

1. 重新采集 20 张标定图像，覆盖整个视野，包括四角和边缘。
2. 使用 OpenCV 重新标定，获得新的内参矩阵和畸变系数。
3. 检查镜头锁紧环，重新固定后再次标定。
4. 在图像处理管线中加入 undistort 步骤，对实时图像进行畸变校正。
5. 重新进行手眼标定，更新外参矩阵。

结果对比：重投影误差从 0.35 pixel 降至 0.06 pixel；实际抓取测试中，中心区域偏差降至 0.3mm，边缘区域偏差降至 0.5mm，满足 ±1mm 的工艺要求。

风险与代价：重新标定耗时约 40 分钟，期间产线停机。后续为防止镜头松动，在镜头锁紧环处增加螺纹胶，并建立每周一次的标定校验制度。

复盘经验：标定质量直接决定视觉引导精度。标定图像的数量、姿态多样性、覆盖范围缺一不可。任何涉及镜头物理接触的操作（清洁、更换滤镜、锁紧环调整）后，都必须重新标定。

2.5 常见误区与总结复盘