2. VisionPro工具链与算法体系总览

VisionPro 的工具链不是一组可以随意替换的“滤镜”，而是一套按“成像—定位—分割—测量—判定”分工协作的算法体系。理解每个核心工具的算法原理、适用边界与性能特征，是后续做参数优化和稳定性设计的前提。本节先建立整体地图，再逐个拆解关键工具的输入输出、内部机理与典型失效模式。

一、工具链的分层结构

VisionPro 的作业通常从图像采集开始，经标定建立像素与世界坐标的映射，再由定位工具确定基准，随后由分割、测量、识别工具提取特征，最后由判定逻辑输出 OK/NG。各工具之间通过终端（Terminal）传递数据，形成一条可追溯的数据流。下图给出核心工具在典型作业中的位置与数据依赖关系。

二、定位工具：CogPMAlign 与 CogCNLSearch

CogPMAlign 是 VisionPro 中最常用的模板匹配工具，其核心是归一化互相关（NCC）与金字塔搜索。训练阶段从模板图像中提取边缘梯度特征，构建多级金字塔；运行时先在低分辨率层快速定位候选区域，再逐级细化到原始分辨率，最终输出匹配分数、位置、角度和缩放。它的优势是对光照变化不敏感（因为使用梯度而非灰度），但对旋转和缩放的搜索范围敏感——角度范围每扩大一倍，搜索时间近似线性增长。典型参数中，Angle 设为 ±15°、Scale 设为 0.9~1.1 时，单次匹配在 640×480 图像上约 20~50 ms；若角度扩到 ±180°，耗时会升至数百毫秒。

CogCNLSearch 则采用对比度归一化搜索，适合低对比度、纹理弱但形状稳定的目标。它不依赖强边缘，而是对局部对比度做归一化后计算相似度，因此在背光、低反差场景下比 PMAlign 更稳。代价是它对噪声更敏感，且搜索速度通常慢于 PMAlign。选择原则是：目标边缘清晰、光照稳定时优先 PMAlign；目标对比度低、边缘模糊时考虑 CNLSearch。

三、分割工具：CogBlob

CogBlob 的算法流程是：先按灰度阈值（或自适应阈值）将图像二值化，再对连通域做标记，最后计算每个 Blob 的面积、周长、质心、主轴方向、圆度等几何特征。它的适用边界很明确——目标与背景之间必须有足够的灰度差。若光照不均，全局阈值会把暗区目标漏掉或把亮区背景误判为目标，此时应改用局部自适应阈值或先做背景校正。

性能上，CogBlob 的速度主要取决于图像分辨率和连通域数量。在 640×480 图像上，单次 Blob 分析通常在 5~15 ms；若分辨率升到 2048×1536，耗时会增至 50~120 ms。实际调参时，Threshold 的微小变化可能导致面积跳变，因此建议同时设置 MinArea 和 MaxArea 过滤噪声与误合并，并用 Polarity 明确目标是亮于背景还是暗于背景。

四、标定工具：CogCalib

CogCalib 负责建立像素坐标与世界坐标之间的映射关系。它支持棋盘格、圆点阵列等标定板，通过提取标定点并求解单应矩阵或仿射变换，输出 PixelToWorld 和 WorldToPixel 两个方向的转换。标定精度直接决定后续测量的绝对精度：若标定残差为 0.5 像素，在 10 μm/pixel 的系统上就对应 5 μm 的测量误差。因此标定时应保证标定板覆盖整个视场、图像清晰、标定点数量足够（通常不少于 20 个），并检查残差是否均匀分布——若残差集中在某一角，说明该区域存在畸变或标定板倾斜。

五、工具选型与性能特征对照

六、工具链协同中的稳定性要点

实际项目中，工具链的稳定性往往不取决于单个工具的最优参数，而取决于工具之间的数据衔接。例如，PMAlign 输出的角度若直接传给 Caliper 的搜索方向，角度抖动会放大为边缘位置的抖动；此时应对 PMAlign 的 AcceptThreshold 设置合理下限，并在 Caliper 中限制搜索范围。再如，Blob 的面积结果若用于判定，应同时监控 Area 的均值和标准差，当标准差超过历史基线的 1.5 倍时触发预警，而不是等到 NG 才排查。

此外，CogCalib 的映射关系应在每次换型或相机移动后重新验证。一个实用的检查方法是：用标定板上的已知间距特征反算世界坐标，若反算值与真值偏差超过系统精度要求的 1/3，则标定不可用。只有把每个工具的算法原理、边界条件和性能代价都摸清，后续的参数优化与稳定性工程才有可靠的着力点。