3. 图像质量对算法稳定性的影响

在VisionPro项目中，算法本身往往不是稳定性的瓶颈，真正决定重复精度与误判率的是进入算法的图像质量。同一套CogToolBlock，在信噪比良好的图像上可能连续运行数万次无异常，而在对比度不足、噪声偏高的图像上，边缘定位会随机跳动几个像素，Blob阈值分割会时大时小，导致测量值漂移、OK/NG判定翻转。因此，图像质量评估不是"调好看"，而是把光源、镜头、曝光、增益、对比度、信噪比这些可调参数，映射到算法可承受的输入范围。

一、六个参数如何共同决定"可用图像"

可以把成像链路理解为一条信号链：光源提供照明能量，镜头把反射光成像到传感器，曝光时间决定积分光量，增益在读出后放大信号，最终形成灰度图像。对比度是目标与背景的灰度差，信噪比是有效信号与随机波动的比值。它们不是独立可调的，而是相互制约：提高增益能提亮图像，但同时放大噪声，信噪比下降；延长曝光能提升信噪比，但会引入运动模糊；缩小光圈能提升景深和边缘锐度，但进光量下降，又需要补光或加曝光。

二、工程评估：把"看起来可以"变成可量化指标

评估图像质量，建议在VisionPro中固定一个ROI，采集至少30帧，用CogImageStatistics或CogHistogram工具读取统计量。核心指标有三个：

• 对比度：目标区域平均灰度与背景区域平均灰度之差。经验上，边缘检测类工具要求对比度不低于30～50灰度级；模板匹配建议目标与背景灰度差大于40，且目标内部纹理丰富。
• 信噪比：取同一静止场景连续30帧，计算某像素或某ROI均值的标准差σ，SNR = 信号均值 / σ。SNR低于20时，亚像素边缘重复性通常开始明显恶化。
• 饱和与欠曝：检查直方图两端是否堆积。高光饱和会丢失边缘梯度，暗部欠曝会让噪声占比升高。理想状态是目标灰度落在80～200之间，且不贴0和255。

一个可操作的示例：某金属件边缘定位项目，初始图像目标灰度约150，背景约120，对比度仅30；连续30帧边缘位置标准差约0.8像素。将环形光源角度从低角度改为高角度掠射，背景压暗到60，对比度提升到90；同时把增益从12 dB降到3 dB，曝光从2 ms延长到6 ms，SNR从18提升到42。再次采集30帧，边缘位置标准差降到0.15像素，CogFindLine的重复精度满足±0.05 mm要求。这里的关键不是"调亮"，而是先提升对比度，再用曝光换信噪比，最后才考虑增益。

三、优化顺序：先物理、后电子、再算法

很多现场问题被误判为"算法不行"，实际是成像链路没调好。建议按以下优先级处理：

1. 光源优先：先确认照明方式是否让目标特征与背景形成足够差异。背光适合轮廓和尺寸，同轴光适合镜面划痕，低角度暗场适合表面凸起和异物。光源角度、距离、亮度、频闪同步都会直接影响对比度和均匀性。
2. 镜头其次：确认视场、工作距离、景深和分辨率匹配。镜头畸变会引入系统误差，景深不足会让不同高度产品成像模糊。光圈不宜开得过大，否则边缘锐度下降；也不宜过小，否则衍射限制分辨率。
3. 曝光与增益：在光源和镜头确定后，优先用曝光时间提升亮度，增益尽量保持在低档。若产品运动，曝光时间必须与运动速度匹配，避免运动模糊。增益每提高6 dB，噪声大致翻倍，SNR下降约6 dB。
4. 算法侧补偿：当物理条件受限时，才考虑在VisionPro中使用图像预处理，如CogIPOneImageConvert做灰度拉伸、CogIPOneImageGauss做平滑降噪、CogIPOneImageSharpen做锐化。但预处理会引入额外耗时，且可能放大噪声，必须用重复性数据验证收益。

四、稳定性验证与参数固化

优化完成后，必须做两件事：一是重复性验证，二是参数固化。重复性验证建议覆盖不同班次、不同产品批次和不同环境温度，记录关键测量值的均值和标准差。参数固化则要把光源亮度、曝光时间、增益、镜头光圈、工作距离、触发时序等写入设备点检表，并在VisionPro中锁定相机参数，避免被误改。

需要强调的是，图像质量优化不是一次性工作。光源老化、镜头污染、产品表面状态变化、环境光干扰都会让原本稳定的系统逐渐漂移。把对比度、SNR、饱和状态纳入日常点检，并在VisionPro中保留一份"黄金图像"作为基准，定期对比当前图像与基准图像的统计差异，才能在问题演变成批量误判之前提前发现。算法稳定性的上限，始终由进入算法的图像质量决定。