📚 课程目录第3章视觉数据对象模型

3. 视觉数据对象模型

在 VisionPro 中，工具之间并不是靠“图像像素”直接互相调用，而是通过一套统一的数据对象模型来交换信息。理解这套模型，是后续把视觉结果写入 PLC、数据库或 MES 的前提。本节围绕四类最常用的核心对象展开：CogImage（图像）、CogBlob（斑点/连通域结果）、CogFixture（定位坐标系）、CogFindLine（找线结果），并说明它们在工具链中如何被引用、传递和消费。

一、四类核心对象的角色定位

CogImage 是数据源头。它承载一幅或多幅图像及其元数据（宽高、像素格式、采集时间、标定信息等）。VisionPro 中图像可以是 8 位灰度、24 位彩色或 16 位深度图。所有基于像素的工具（CogBlob、CogFindLine、CogCNLSearch 等）都必须先拿到一个 CogImage 才能运行。图像对象本身不包含“结果”，它是被读取的输入。

CogBlob 是区域统计结果。它由 CogBlobTool 对图像做阈值分割后产生，输出的是若干“斑点”（Blob），每个斑点带有面积、质心、外接矩形、周长、方向角等几何与灰度统计量。CogBlob 的价值在于把“一片亮区”变成可判断、可排序、可筛选的结构化数据。

CogFixture 是坐标系。它不直接描述某个零件，而是定义一个“参考坐标系”——原点位置、X 轴方向、角度。后续工具的搜索区域、测量结果都可以挂在这个坐标系下，从而在零件发生平移或旋转时保持测量位置跟随零件。CogFixture 通常由 CogFindLine、CogCNLSearch 或 CogPMAlign 等定位工具的输出构造而来。

CogFindLine 是边缘拟合结果。它由 CogFindLineTool 在指定搜索带（CogRectangleAffine 定义的卡尺区域）内寻找灰度跃变点，再用最小二乘拟合出一条直线，输出直线的起点、终点、角度、拟合残差以及每个边缘点的位置与对比度。它既可用于测量，也可用于构造 Fixture。

二、结果数据结构：以 CogFindLine 为例

以 CogFindLineTool 为例，其 Results 结构大致包含：

Results
 ├─ Line            // 拟合直线：起点(X,Y)、终点(X,Y)、角度
 ├─ EdgePoints[]    // 每个卡尺找到的边缘点
 │   ├─ Position    // 边缘点坐标
 │   ├─ Contrast    // 边缘对比度
 │   └─ Status      // Found / NotFound
 ├─ CaliperCount    // 卡尺数量
 └─ RunStatus       // 工具整体成功/失败

可以看到，结果不是单一数值，而是“主结果 + 明细数组 + 状态”的组合。这种结构让上层程序既能直接取用拟合直线，也能在失败时回溯是哪个卡尺没找到边缘。CogBlob 的结果结构类似：Blobs 数组 + 每个 Blob 的统计量 + 整体状态。

三、工具间的数据传递方式

VisionPro 工具链的数据传递有三种典型方式：

图像传递：上游工具（如 CogAcqFifoTool 或图像预处理工具）输出的 CogImage 直接作为下游工具的 InputImage。这是最基础的“像素级”传递。
坐标系传递：定位工具输出一个 CogFixture，下游工具把它的 Region（搜索区域）挂到该 Fixture 下。这样区域会随零件移动，而不是固定在图像坐标里。
结果引用：下游工具或脚本通过工具名访问上游工具的 Results，例如在 CogToolBlock 中用 FindLine1.Results.Line 取直线，再传给 CogDistancePointLineTool 做距离计算。

关键点在于：Fixture 是“空间传递”，Results 是“数值传递”。前者改变下游工具在哪里找，后者改变下游工具用什么算。两者常常配合使用——先用 FindLine 构造 Fixture，再让 Blob 在 Fixture 坐标系下统计区域，最后把 Blob 的质心坐标转换回图像坐标输出给 PLC。

四、一个可复现的传递示例

假设要测量一个金属件上某条边的位置，并统计边附近一个矩形区域的面积。合理的工具链是：

CogAcqFifoTool 采集图像，输出 CogImage。
CogFindLineTool 接收该图像，在图像中部设置一条搜索带（例如 200×40 像素、角度 0°），找到零件上边缘，输出 Line 结果。
用该 Line 构造 CogFixture：以直线中点为原点，直线方向为 X 轴。
CogBlobTool 接收同一图像，把它的 Region 挂到上述 Fixture 下，区域设为 Fixture 原点右侧 50~150 像素、上下 ±30 像素的矩形。
运行后读取 Blob 的质心坐标（在 Fixture 坐标系下），再通过 Fixture 的逆变换得到图像坐标，输出给 PLC。

这里的关键判断依据是：如果 FindLine 的 RunStatus 为失败，则 Fixture 无效，Blob 的 Region 会落在错误位置，此时应直接判 NG，而不是继续使用 Blob 结果。因此在实际工程中，通常会在工具链里加一个“前置状态检查”，只有上游定位成功才允许下游测量。

实践提示：在 CogToolBlock 中，工具之间的依赖关系是显式声明的。把 FindLine 的 Results 拖到 Blob 的 Fixture 输入端口，VisionPro 会自动建立依赖并保证执行顺序。若用脚本访问，注意工具名大小写必须与树中一致，且要在工具运行完成后再读取 Results，否则会拿到上一次的旧值。

五、常见误区与排障要点

把 CogImage 当成结果：图像只是输入，判断 OK/NG 必须看工具 Results，不能靠“图像看起来正常”。
Fixture 未更新：零件移动后 Fixture 仍指向旧位置，导致 Blob 区域偏移。检查 Fixture 是否每帧重新构造。
坐标系混用：Blob 质心默认在图像坐标系，若 Region 挂在 Fixture 下，输出前必须做坐标变换，否则数值对不上。
忽略 RunStatus：FindLine 可能只找到部分边缘点仍返回“成功”，需结合 Contrast 和残差判断拟合质量。

掌握这四类对象及其传递方式后，后续把视觉结果接入生产系统时，就能清楚地知道“哪个值来自哪个工具、在哪个坐标系下、什么时候有效”，从而避免数据错位和误判。