4. 图像采集与预处理实战
在 In-Sight 深度学习应用中，模型的上限往往在图像进入网络之前就已经被决定了。无论使用 ViDi 的定位、分类、检测还是分割工具，输入图像的质量直接决定了特征提取的稳定性。本节围绕实际检测对象，从光源调节、曝光控制、对焦优化到图像滤波与增强，完整走一遍“把现场图像变成可用样本”的过程。
一、先明确成像目标，再动手调光
调光不是把画面调亮，而是让缺陷与背景之间产生足够的灰度或纹理差异。以常见的金属冲压件表面划痕检测为例：目标是让划痕在图像中呈现为高对比度的暗线或亮线，而工件本身的加工纹路、油污、反光不应被强化。因此第一步是确定“什么必须看清、什么必须压下去”。
In-Sight 常用光源包括环形光、条形光、同轴光、背光和穹顶光。选择依据是缺陷的几何方向与表面特性：
- 环形光（低角度）：适合凸起、凹陷、边缘毛刺，能产生阴影增强立体感。
- 同轴光：适合镜面或高反光平面上的划痕、字符，光线垂直入射，平整区域亮、缺陷区域暗。
- 背光：适合轮廓、孔位、尺寸测量，形成高对比剪影。
- 穹顶光：适合曲面、反光强烈的工件，提供均匀漫射照明。
实操中建议先固定相机与工件距离，再逐一更换光源角度，用 In-Sight 软件的实时直方图观察目标区域灰度分布。理想状态下，缺陷区域与背景区域的灰度峰值应明显分离，而不是挤在一起。
二、曝光控制：在亮度与运动模糊之间取平衡
曝光时间决定传感器接收光量的多少。In-Sight 相机通常提供曝光时间（微秒级）与增益两个参数。原则是：优先延长曝光时间，增益尽量保持低位，因为增益会同步放大噪声。
以一条运行速度约 200 mm/s 的传送带为例，若曝光时间设为 5000 μs，工件在曝光期间移动约 1 mm，对于 0.1 mm 级缺陷就会产生明显拖影。此时应将曝光压缩到 1000 μs 以内，并通过提高光源亮度或增大光圈来补偿亮度。判断依据是：在实时图像中观察工件边缘是否锐利，若边缘出现方向一致的模糊带，说明曝光时间过长。
一个可参考的调试顺序是：
- 将增益设为 0 dB，曝光从较低值开始逐步增加。
- 观察直方图，使目标区域灰度落在 80～200 之间，避免过曝（255 削顶）或欠曝（集中在 0～30）。
- 若亮度不足且已无法延长曝光，再小幅增加增益，每次不超过 3 dB，并复查噪声。
三、对焦优化：让边缘梯度最大化
对焦的本质是让目标特征在传感器上形成最锐利的投影。In-Sight 提供实时边缘清晰度指示或可通过“对焦评分”辅助判断。操作时先松开镜头锁紧环，缓慢旋转对焦环，同时观察目标边缘的灰度过渡带宽度：过渡带越窄，边缘梯度越大，对焦越准。
对于景深较浅的高倍率镜头，工件高度波动会直接影响清晰度。此时应适当缩小光圈（增大 F 值）以扩大景深，但需同步增加光源亮度或曝光时间来补偿进光量减少。若工件表面本身有高度差，建议将对焦平面设在缺陷最常出现的区域，而不是工件最高点。
四、图像滤波与增强：抑制干扰、突出特征
采集到的原始图像往往带有噪声、不均匀照明或背景纹理。In-Sight 提供多种预处理工具，常用组合如下：
| 处理目标 | 推荐工具 | 关键参数与说明 |
|---|---|---|
| 去除随机噪声 | 中值滤波 / 高斯滤波 | 中值滤波核 3×3 适合椒盐噪声；高斯 σ 取 0.8～1.5 适合平滑 |
| 校正照明不均 | 背景减除 / 同态滤波 | 先采集无工件背景图，再做差分，可消除光源渐变 |
| 增强边缘对比 | 锐化 / 非锐化掩模 | 强度不宜过高，否则会放大噪声形成伪边缘 |
| 抑制背景纹理 | 形态学开运算 / 闭运算 | 开运算去亮点，闭运算填暗孔，核大小略大于纹理尺度 |
| 灰度拉伸 | 线性拉伸 / 直方图均衡 | 将有效灰度范围映射到 0～255，提升整体对比度 |
需要强调的是：滤波和增强应在训练集与推理时保持一致。如果训练图像做了高斯滤波而推理时没有做，模型看到的分布就会偏移，导致误判。因此建议把预处理参数固化在 In-Sight 作业中，而不是在离线标注阶段单独处理。
五、从采集到可用样本的完整链路
下面这张图把本节的关键环节串成一条信号链：从光源与工件相互作用开始，经过相机曝光与对焦，再进入滤波与增强，最终输出可供深度学习模型使用的图像。图中同时标出了每个环节最值得观察的判据。
六、一个可复用的预处理参数记录表
为了让不同批次、不同工位的图像保持一致，建议为每个检测对象建立一份预处理参数记录。以下是一份可直接填写的示例结构，字段均来自 In-Sight 实际可配置项：
| 项目 | 示例值 | 说明 |
|---|---|---|
| 工件/缺陷类型 | 金属冲压件表面划痕 | 明确检测对象 |
| 光源类型与角度 | 同轴光，垂直入射 | 记录型号与安装角度 |
| 曝光时间 | 800 μs | 兼顾亮度与运动模糊 |
| 增益 | 0 dB | 优先低增益 |
| 光圈 | F5.6 | 平衡景深与进光量 |
| 滤波方式 | 中值 3×3 + 背景减除 | 去噪并校正照明 |
| 增强方式 | 线性拉伸至 0～255 | 提升对比度 |
| 验证结果 | 缺陷对比度 ≥ 60 灰度级 | 以实际测量为准 |
这张表的价值在于：当产线换型或相机维护后，可以快速恢复到已验证的成像状态，避免因参数漂移导致模型误判。记录时应同时保存一张该参数下的典型图像作为基准，便于后续比对。
七、常见问题与排查方向
- 图像整体偏暗且噪声大：先检查光源是否老化或亮度不足，再考虑适度增加曝光，最后才动增益。
- 缺陷时有时无：多为光源角度或曝光不稳定，检查光源控制器是否恒流、触发是否同步。
- 背景纹理被误判为缺陷：优先用形态学或背景减除抑制纹理，而不是一味提高模型复杂度。
- 训练效果好但现场误报多：核对训练与推理的预处理是否一致，尤其是滤波核大小和灰度拉伸范围。
图像采集与预处理不是一次性的调试动作，而是需要随工件、光源老化和环境变化持续维护的环节。把本节的光源、曝光、对焦、滤波四条线固定成可记录的参数，才能让后续的深度学习模型有一个稳定的输入基础。