1. 课程导入与稳定性认知

在自动化产线中，KEYENCE CV-X 系列视觉系统承担着定位、测量、有无判断、字符识别与外观检测等任务。很多工程师在调试阶段能把检测跑通，但一旦进入连续生产，就会出现“同一工件有时判 OK、有时判 NG”“换班后结果漂移”“轻微振动就误触发”等现象。这类问题往往不是算法不会用，而是稳定性没有被当作一个可量化、可优化的工程指标来管理。本课程的目标，就是让 CV-X 从“能检测”走向“长期稳定地检测”。

一、什么是视觉系统的稳定性

稳定性指系统在输入条件发生合理波动时，仍能持续输出一致、正确判定结果的能力。这里的“合理波动”包括：工件在视野内位置偏移、旋转角度变化、表面反光或油污差异、环境光缓慢变化、相机与镜头轻微振动、温度引起的机械漂移、以及批次间工件颜色与纹理差异。稳定性不等于精度，也不等于速度——一个测量精度 0.01 mm 的系统，如果每次上料位置差 2 mm 就判错，它依然是不稳定的。

因此，稳定性优化要回答三个问题：波动从哪里来、系统对波动有多敏感、如何把敏感度降到可接受范围。CV-X 的稳定性由“成像质量、算法鲁棒性、参数裕度、机械与环境、判定阈值”五个环节共同决定，任何一环薄弱，整体稳定性都会被拉低。

二、评价稳定性的核心指标

稳定性必须可测量，否则无法优化。工程上常用以下指标：

• 重复性（Repeatability）：同一静止工件连续采集 N 次（如 30 次），同一测量项的极差或标准差。例如某尺寸 30 次测量标准差 σ=0.008 mm，说明系统自身噪声小。
• 再现性（Reproducibility）：更换工件、更换班次、重新上料后结果的一致性，反映对真实波动的容忍度。
• 误判率 / 漏判率：连续生产 1000 件中，OK 被判 NG（过杀）与 NG 被判 OK（漏杀）的比例。过杀影响产能，漏杀影响质量，二者需分别统计。
• 判定裕度（Margin）：实测值与判定阈值之间的距离。裕度越大，抗波动能力越强。
• 节拍余量：实际处理时间与允许节拍之差，余量不足会导致丢帧或触发异常。

三、稳定性问题的典型来源

CV-X 的稳定性问题可归为四类：成像类（光照不均、反光、镜头污染、景深不足）、算法类（模板匹配对旋转/缩放敏感、边缘检测受噪声影响、二值化阈值过紧）、参数类（判定上下限贴着实测值、相关度阈值过高、预处理过度）、机械与环境类（相机松动、工件定位重复性差、环境光干扰、温度漂移）。下图给出这四类来源如何共同作用于最终判定结果，以及优化应优先切入的位置。

四、本课程的整体框架

围绕上述影响链，课程按“认知—成像—算法—参数—验证—运维”六个层次展开，共 30 节。前几节建立稳定性认知与评价方法；中段深入光源与光学、模板匹配与边缘检测的鲁棒性设计、判定阈值与裕度管理；后段进入现场验证、异常排查与长期运维。每一节都会给出可执行的参数示例、判断依据和检查方法，而不是停留在概念层面。

五、一个可复用的稳定性自检表

在开始任何优化前，建议先用下表对现场系统做一次基线评估。表中“示例值”为教学假设，实际应以现场测量为准。