4. VisionPro工具链核心
在机器人视觉引导系统中，VisionPro 的工具链并不是“随便拖几个工具就能跑”的软件界面，而是一条从像素坐标到物理坐标、从图像特征到机器人位姿的完整数据加工链。本节聚焦三个最常用、也最容易在参数上踩坑的工具：CogCalibCheckerboard（标定）、CogFindCircle（圆特征定位）、CogBlobTool（斑点/连通域分析）。理解它们的输入、关键参数和结果输出结构，是后续手眼标定与引导坐标转换的基础。
一、CogCalibCheckerboard：把像素变成毫米
CogCalibCheckerboard 的任务是建立图像像素坐标与物理平面坐标之间的映射关系。它最典型的输入是一张标定板图像，标定板为黑白棋盘格，例如 7×7 格、方格边长 2 mm。工具内部会先提取棋盘格角点，再根据角点阵列计算单应矩阵或仿射变换。
关键参数包括：棋盘格行列数（必须与实际格数一致，注意是“格数”还是“内角点数”要区分清楚）、方格物理尺寸（单位 mm，决定输出坐标的尺度）、标定模式（Linear 适合镜头畸变很小的场景，Nonlinear 会额外估计径向畸变）、原点与轴向定义（决定标定后坐标系的 X/Y 方向和零点位置）。如果标定板放置倾斜，工具仍可通过透视校正得到平面映射，但倾斜角过大时角点提取会不稳定。
结果输出方面，CogCalibCheckerboard 输出一个 Calibration 对象，核心是 CalibratedTransform，它可以把像素点映射为物理点。同时会给出 RMS 误差（单位 mm 或像素，取决于标定模式），这是判断标定质量最直接的指标。工程上一般要求 RMS 误差小于 0.1 mm 或小于 0.5 像素；若明显偏大，应检查方格尺寸是否填错、角点是否被遮挡、标定板是否平整。标定完成后，后续 CogFindCircle 和 CogBlobTool 的输出都可以通过该 Calibration 转换到物理坐标系。
二、CogFindCircle：稳定提取圆心与半径
CogFindCircle 用于在图像中定位圆形特征，例如工件上的定位孔、圆形标记点或法兰中心。它的工作方式不是简单阈值分割，而是沿搜索区域内的多条径向射线寻找边缘点，再用最小二乘拟合圆。因此它对光照变化和部分遮挡比纯 Blob 方法更稳健。
核心参数有：搜索区域（Annulus 圆环或扇形区域，需覆盖目标圆边缘）、边缘极性（从黑到白、从白到黑或任意）、边缘阈值（梯度幅值门限，过低会引入噪声点，过高会漏掉弱边缘）、射线数量（通常 20～60 条，越多拟合越稳但耗时增加）、拟合方式（最小二乘或 RANSAC，后者可抑制离群边缘点）。
结果输出包括圆心像素坐标 CenterX/CenterY、半径 Radius、拟合得分 Score 以及参与拟合的边缘点集合。Score 通常为 0～1，越接近 1 表示边缘点越集中、拟合越可信。实际调试时，如果 Score 低于 0.7，应优先检查搜索区域是否偏心、阈值是否过低导致噪声边缘被纳入。结合 Calibration 后，圆心可转换为物理坐标，直接作为机器人抓取或对位的目标点。
三、CogBlobTool：连通域分析与特征筛选
CogBlobTool 用于对图像中灰度相近的连通区域进行分割和统计，适合检测焊点、胶路、字符、缺陷或散乱零件。它的处理链是：先通过阈值或自适应阈值把图像二值化，再对连通域做标记，最后按面积、圆度、长宽比等特征筛选目标。
关键参数包括：阈值模式（固定阈值、相对阈值或自适应阈值）、极性（提取亮斑还是暗斑）、面积范围（MinArea/MaxArea，用于排除噪声和背景大块）、连通性（4 连通或 8 连通）、形态学处理（开运算去毛刺、闭运算填小孔）。结果输出为 Blob 集合，每个 Blob 包含面积、质心、外接矩形、圆度等属性。工程上常按面积排序取最大 Blob，或用圆度筛选近似圆形的目标。
四、参数配置与结果输出的联动关系
下面这张图把三个工具的核心输入、关键参数和输出结果放在同一条数据链上，便于理解它们之间的依赖关系。
五、实操中的参数调试顺序
面对一个新工件，建议按以下顺序调试，而不是同时改三个工具的参数。第一步，先单独运行 CogCalibCheckerboard，确认 RMS 误差达标，并保存 Calibration。第二步，在未标定的图像上调试 CogFindCircle，先放大搜索区域确保覆盖圆边缘，再逐步收紧阈值，观察 Score 是否稳定在 0.8 以上。第三步，调试 CogBlobTool 时先只看二值化结果，确认目标区域被完整分割，再设置面积范围过滤噪声。最后，把 Calibration 应用到后两个工具的输出上，检查物理坐标是否与工件实际尺寸一致。
需要特别注意的是，CogFindCircle 和 CogBlobTool 的输出默认是像素坐标，只有经过 Calibration 转换后才具有物理意义。如果发现物理坐标与预期相差一个固定比例，通常是方格尺寸填错；如果坐标整体偏移，通常是标定原点定义与机器人坐标系不一致。这些问题的根源都在标定环节，而不是后两个工具本身。
掌握这三个工具的参数与输出结构后，后续的手眼标定和机器人坐标转换就有了可靠的数据基础。实际项目中，建议把每个工具的关键参数和判断阈值记录成配置表，便于换型时快速复用和排查。